编辑推荐：
视障人士在盲道出行常遇难题，传统预警方法欠佳。研究人员开展基于改进深度残差收缩网络（DB-DRSN）的盲道实时预警系统研究。结果显示系统识别准确率达 96.72% ，能及时预警。这为视障人士出行安全提供有力保障。
在繁华的都市中，盲道本应是视障人士安全出行的 “绿色通道”，然而现实却不尽如人意。视障人士在使用盲道时，常常会遭遇各种 “陷阱”，比如道路突然中断、被障碍物阻挡，甚至还会面临一些复杂的道路紧急情况。这些状况不仅让视障人士陷入困境，还严重威胁着他们的人身安全。传统的预警方法，像盲杖、导盲犬和手机导航等，在复杂多变的城市环境中显得力不从心。盲杖可能无法检测到地面上的低矮障碍物或小坑洼；导盲犬也会有识别障碍的时候；手机导航则依赖信号，信号不稳定时就无法正常工作。因此，开发一种更高效、准确的盲道预警系统迫在眉睫。
为了解决这些难题，广东培正学院、东北电力大学以及吉林大学的研究人员携手开展了一项极具意义的研究。他们提出了一种基于改进深度残差收缩网络（DB-DRSN）的盲道实时预警系统，相关研究成果发表在《Scientific Reports》上。
研究人员用到的主要关键技术方法包括：以 10 名健康且有盲道使用经验的视障志愿者为研究对象，通过在盲杖上设置两个情感反馈按钮，收集不同情感状态下的脑电图（EEG）信号。利用 Emotiv 便携式 EEG 采集设备，以 128Hz 的采样频率采集信号。采用 DB-DRSN 模型，对采集到的 EEG 数据进行处理和分析，该模型基于深度残差收缩网络（DRSN）改进，引入密集块（Dense Block），优化了特征利用123。
研究结果如下：
- 不同神经元配置对比实验：研究人员对比了不同神经元配置的模型性能。实验结果表明，采用递增神经元配置（4 - 6 - 8 层递增）的 DB-DRSN 模型，在仅 1.9M 参数的情况下，取得了最佳综合性能，准确率达 96.72% ，精度为 97.41% ，召回率 96.87% ，F1 分数 97.14% 。这说明该设计能在控制模型复杂度的同时，有效提升分类性能45。
- 自建数据集分类结果：使用 DB-DRSN 模型对受试者三种情感状态的 EEG 信号进行分类，采用五折交叉验证和留一法交叉验证（LOOCV）评估模型。结果显示，五折交叉验证下，模型平均分类准确率 96.72% ，平均精度 97.41% ，平均召回率 96.87% ，平均 F1 分数 97.14% ；LOOCV 下，平均分类准确率 96.43% ，平均精度 96.30% ，平均召回率 96.54% ，平均 F1 分数 96.42% 。不同情感状态下，模型也表现出良好性能67。
- 不同数据集分类结果：在 SEED 数据集和 DEAP 数据集上进行验证，DB-DRSN 模型同样表现出色。在 SEED 数据集上，平均分类准确率 97.03% ，平均精度 96.32% ，平均召回率 95.85% ，平均 F1 分数 96.08% ；在 DEAP 数据集上，准确率 98.34% ，精度 97.36% ，召回率 97.68% ，F1 分数 97.52% ，均高于其他对比模型89。
- 对比实验与分析：与传统情感识别方法如 CNN、LSTM 等对比，DB-DRSN 模型在分类准确率上具有显著优势，达到 96.72% ，比 CNN 高 6.13% ，比 DRSN 高 1.55% 。而且在训练和测试时间上最短，计算复杂度更低，具有更好的实时性能。在抗噪声能力测试中，随着噪声水平增加，DB-DRSN 模型分类性能最佳，平均诊断准确率比改进前的 DRSN 模型高 2.37% ，比 WSN 高 3.27% 1011。
- 不同场景下的评估：在标准化盲道、城市人行道、商业区和路口等不同场景进行实验，算法在各场景下均保持高性能，准确率均在 95% 以上。在标准化盲道场景下表现最佳，准确率 96.72% ，精度 97.41% ，召回率 96.87% ，F1 分数 97.14% 1213。
- 预警效率对比：对比无预警系统、基于 WSN 的预警系统和基于 DB-DRSN 的预警系统，发现基于 DB-DRSN 的预警系统在救援时间上表现最佳，能让视障人士更快获得帮助1415。
研究结论和讨论部分指出，该研究提出的基于 EEG 情感变化的盲道交通预警系统，有效解决了传统盲道辅助方法的不足。DB-DRSN 模型能够充分利用浅深层特征，系统识别率高达 96.72% ，显著高于传统方法。该系统可帮助视障人士在盲道遇困时及时获得帮助，提升了他们的出行安全和便利性。不过，目前研究依赖专业且昂贵的 EEG 采集设备，未来可集成新兴可穿戴 EEG 技术，实现轻量化和便携化。总体而言，这项研究为视障人士出行安全保障提供了新的方向和有力支持，有望在未来改善视障人士的出行体验，让他们在城市出行中更加安全、自信。
