基于脑电信号分析与残差多项式网络的驾驶员疲劳分类新方法

《Algorithms》：Enhanced Driver Fatigue Classification via a Novel Residual Polynomial Network with EEG Signal Analysis

本文提出一种新型残差多项式网络（RPN），通过极性感知架构显式建模脑电信号（EEG）正负激活模式，在SEED-VIG数据集上实现97.65%分类准确率。该模型将多项式逼近与残差学习相结合，在保持计算效率的同时显著提升模型可解释性，为脑电信号分析提供了透明且生理可信的深度学习框架。

　　

基于脑电信号的驾驶员疲劳检测研究背景与意义

驾驶员疲劳状态显著影响行车安全，疲劳驾驶已成为交通事故的主要诱因。与传统主观量表、面部活动等检测方法相比，脑电信号具有客观性、可连续监测、不受外部光照影响等优势，能够在外显体征出现前提供早期预警。脑电技术通过记录头皮电极的突触后电位变化，反映人类行为意识状态，在驾驶员精神疲劳研究中得到广泛应用。

脑电特征提取与分类方法演进

疲劳分类研究主要聚焦特征提取和分类器选择两大方向。传统特征包括时域特征、频域特征和时频特征。差分熵作为频域特征的优秀代表，通过计算连续变量复杂度，在警觉度估计中表现卓越。分类器发展经历了从支持向量机等传统机器学习，到卷积神经网络等深度学习模型的演进。然而现有方法往往难以平衡性能与可解释性，且对脑电信号特有的时空结构建模不足。

SEED-VIG数据集特性与实验设计

本研究采用上海交通大学脑-like计算与机器智能研究中心发布的公开驾驶疲劳数据集SEED-VIG。实验包含23名参与者，在虚拟驾驶系统中进行长达2小时的单调直线驾驶任务。采用国际10-20系统布置17个脑电通道，以PERCLOS作为客观疲劳指标，将疲劳状态定义为二分类任务。

残差多项式网络创新架构

提出的残差多项式网络创新性地将多项式逼近理论与残差学习框架相结合。模型通过多项式层精确逼近脑电信号非线性动力学特性，利用残差连接确保信息流畅传输。其数学基础源于Weierstrass逼近定理，任何闭区间上的连续函数均可通过多项式达到任意精度逼近。

模型训练与优化策略

训练过程结合反向传播算法和Adam优化算法，充分发挥多层网络结构优势。Adam算法的自适应学习率机制有效提升训练效率，其动态参数更新公式为：m_k= β₁m_k-1+ (1-β₁)g_k，ν_k= β₂ν_k-1+ (1-β₂)g_k²。通过Z-score归一化处理降低被试间变异性，增强模型泛化能力。

实验验证与结果分析

采用被试间10折交叉验证协议，RPN模型达到97.65%平均分类准确率，显著优于传统方法。Sankey图分析显示FT7和P2通道对分类决策贡献最大，这与神经生理学证据高度吻合：FT7位于左前颞叶，负责听觉处理和空间注意；P2位于后顶叶皮层，与精细视觉信息处理密切相关。

性能比较与优势验证

与支持向量机、K近邻、决策树、长短期记忆网络等基线模型相比，RPN在收敛速度和分类准确率方面均展现显著优势。特别是多项式阶数设置为4时，模型在保持计算效率的同时获得最优性能，训练时间仅27.04秒，非常适合实时应用场景。

特征选择与模型可解释性

差分熵特征在多种脑电特征比较实验中表现最优，其计算基于公式DE = 1/2 log(2πeσ²)。模型通过清晰的数学表达式建立参数与生理意义的直接关联，克服了传统深度学习黑箱问题，为脑电信号分析提供可解释的数学框架。

应用前景与未来方向

该研究为车载实时疲劳监测系统提供了高效解决方案，其轻量级特性适合嵌入式部署。未来工作将聚焦多项式阶数的自适应选择策略，探索边缘计算环境下的在线学习机制，并拓展模型在癫痫预测等医疗决策场景的应用潜力。

通过系统实验验证，残差多项式网络不仅推动了脑电疲劳检测的技术发展，更为脑信号分析建立了透明、可解释的新范式，为安全关键领域的生理状态监测提供了可靠技术支撑。