将脑电图（EEG）信号与基于自适应编码器网络和注意力机制的深度学习算法相结合，以实现实时驾驶员嗜睡检测

《Biomedical Signal Processing and Control》：Fusion of EEG signals with adaptive encoder network-based attention deep learning for real-time driver drowsiness detection

　　摘要
发展中国家的道路事故越来越多地由驾驶员疲劳、困倦和与睡眠相关的问题引起。困倦是一种暂时性的警觉性降低状态，可能会突然发生，并使驾驶员在几秒钟内分心。睡眠不足、长时间工作、睡眠障碍、药物以及长时间保持清醒等因素会显著降低驾驶员的注意力集中度和反应时间，从而增加道路事故的风险。为了提高道路安全并保护驾驶员、乘客和行人，有效的困倦检测系统至关重要。然而，许多传统方法缺乏可靠性、适应性和鲁棒性，并且计算复杂度高，特征提取能力较差。为了解决这些问题，本文介绍了一种基于深度学习的先进框架，该框架使用脑电图（EEG）信号来准确分析脑电波模式，检测驾驶员的困倦状态，并及时发出警报以预防事故。首先，收集所需的EEG信号并将其转换为图像格式；接着，使用短时傅里叶变换（STFT）将转换后的图像帧输入到自适应变分自动编码器与区域注意力长短期记忆（AVAE-RALSTM）中进行检测。为了进一步提高网络性能，通过改进的基于随机变量的单一候选优化器（MRV-SCO）对AVAE-RALSTM的参数进行了优化。最后，通过将所提出的框架与传统系统进行比较来验证其有效性，结果表明该框架的准确率为93.8%，精确率为94.66%。

引言
目前，随着人工智能和计算技术的发展，监测方案也在不断进步。此外，设计了更多的监测方案和活动识别方案来验证人类行为[1]。识别人类行为和行动的重要性在于提高效率。在驾驶员中，异常行为之一是困倦，这会影响驾驶表现[2]。通常，许多道路事故是由于从清醒状态无意中过渡到睡眠状态时缺乏意识造成的[3]。困倦是由于心理压力、健康问题、疲劳、饮酒以及长时间驾驶等多种因素导致的生理状况[4]。这些因素可能表现在驾驶员的睁眼或闭眼行为以及面部表情上[5]。在驾驶员监控系统中，区分病理性的动作、正常状态和潜在的危险行为是一个挑战[6]。为了保护个人和驾驶员的生命免受困倦驾驶的影响，汽车制造商设计了各种技术来监测和警告驾驶员[7]。这些技术主要依赖于检测车辆的侧向偏差、车道偏离以及转向纠正的停止。

传统上，采用不同的技术来检测困倦的迹象以避免重大事故。常见的困倦检测方法基于图像分析[8]，通过摄像头分析驾驶员的面部表情和动作；然后考虑生物测量数据，例如通过放置在驾驶员身上的传感器来记录生物信号[9]；此外，还使用车辆辅助措施来监控车辆的运动和行为[10]。此外，还利用脑电图（EEG）等神经信号以及心率变异性分析和眼动追踪等技术来预测驾驶员的注意力状态[11]。眼动追踪技术广泛用于分析认知表现[12]，通过分析眨眼频率和持续时间来判断困倦程度[14]。其他用于检测驾驶员困倦的方法还包括测量瞳孔大小和瞳孔速度[15]，但由于光线不良、遮挡效应和变异性问题，研究人员未能取得理想的结果[16]。还有一些方法是通过固定摄像头来分析驾驶员的面部特征（如头部运动、打哈欠、眨眼频率和眼睛状态）来进行困倦检测[17]。在大多数研究中，从摄像头获取面部特征后，利用机器学习和深度学习方法来处理这些特征以确定困倦程度[18]。常用的方法包括卷积神经网络（CNN）、支持向量机（SVM）和隐马尔可夫模型（HMM）[19]。这些方法通过训练特征来执行困倦预测[19]。分析大量数据样本具有挑战性，并且在训练阶段会导致延迟[20]。此外，在分析噪声样本时需要消除网络中的变异性问题。因此，本研究旨在设计一种创新的深度学习辅助的驾驶员困倦检测系统，通过分析现实世界案例中的生理信号和面部表情，为疲劳驾驶员提供精确和及时的警报，从而避免道路事故并提高道路安全。深度学习技术在处理来自现实世界干扰的大量高质量信息时能够提供更准确的检测结果，包括压力和焦虑因素。结合EEG信号的深度学习技术在困倦检测中的应用，有助于通过适当的干预措施避免道路事故，并通过分析大脑功能判断驾驶员疲劳程度。

选择深度学习进行驾驶员困倦检测的理由：
目前，有许多研究致力于检测驾驶员困倦以减少事故并提高道路安全。传统上，扩散模型[21]被用来检测驾驶员困倦，但这些方法容易受到计算开销的影响，并且需要在训练阶段消耗大量内存。另一种用于执行驾驶员困倦检测的方法是支持向量机（SVM）[22]，SVM在更高维度上具有较高的鲁棒性，并能有效解决过拟合问题，但在处理大数据样本时表现较差，且对噪声非常敏感。在某些情况下，它们在训练阶段容易出现重叠问题，从而影响整体检测效率。因此，需要一种更先进的检测方法，本研究设计了一种混合深度学习方案。该方案结合了VAE和RALSTM等技术，能够自动提取所需特征，并更专注于目标区域，同时具备分析序列数据样本的能力，还能适应不同的环境条件，从而提高了检测的准确度。

贡献：
- 提出了一种创新的深度学习架构，利用EEG信号进行实时驾驶员困倦检测。该网络的主要目的是通过分析脑细胞的生理功能和脑电波的变化来在早期阶段识别疲劳症状。此外，该框架还强调了超参数优化对提高驾驶员困倦检测率的重要性。
- 提出了一种名为AVAE-RALSTM的自适应架构用于进行驾驶员困倦检测。AVAE-RALSTM结合了LSTM和VAE的优点，通过添加RA层提高了LSTM的检测效率，并通过对VAE得到的特征进行处理来获得最终检测结果，进一步提高了检测精度。
- 提出了一种名为MRV-SCO的创新优化方法，通过改进SCO的特定功能来提高检测率。该调优策略旨在通过微调系统超参数来提升AVAE-RALSTM系统的检测精度和准确性。

论文结构如下：
第2部分介绍了现有方法的文献综述；第3部分概述了所提出的困倦检测方案；第4和第5部分详细介绍了该方案的实现过程和优化方法；第6部分提供了实证分析；第7部分总结了本文并探讨了未来的发展方向。

相关工作
2025年，Abd等人[21]开发了一个具有有效预处理技术的创新检测框架。该框架基于U-Net框架中的去噪扩散模型设计，旨在减少高斯噪声和对抗性干扰的影响。此外，该模型还结合了对抗性训练、快速梯度信号（FGS）和投影梯度下降（PGD）方法[21]。

实时驾驶员困倦检测框架
及时检测驾驶员的困倦是降低因疲劳导致的事故风险的关键因素。该检测过程通过分析驾驶员的具体行为（如打哈欠、闭眼和头部运动）来发出警报。

区域注意力长短期记忆（RA-LSTM）
在这一阶段，RA-LSTM被用于执行检测任务。RA-LSTM以LSTM为基础网络，并加入了区域注意力机制。RA-LSTM的结构如图3所示[30]。LSTM在处理大规模序列和依赖关系方面表现出色，能够提供精确的结果。

MRV-SCO优化方法
在本研究中，参数优化在提高AVAE-RALSTM模型性能方面发挥了重要作用。通过设计MRV-SCO方法对系统超参数进行优化，有助于提高系统的准确性和精度。

创新性：
本方法的新颖之处在于提高了SOC技术在实时优化问题中的可靠性，从而实现了有效的性能。

实验设置
所设计的实时驾驶员困倦检测系统的性能评估使用了Python工具，设置染色体长度为4，最大迭代次数为50，种群大小为10。评估还采用了Golf优化算法（GOA）[35]、Pelican优化算法（POA）[36]、Quokka群优化（QSO）[37]和SCO[34]等现有调优方法。

结论
本研究开发了一种基于深度学习和优化方法的创新实时驾驶员困倦检测网络。首先从网络资源中收集EEG信号并转换为图像格式，然后使用AVAE-RALSTM框架进行处理得出最终检测结果。

局限性与未来展望
由于缺乏适当的特征提取技术，该系统的检测率受到限制，限制了模型通过分析频谱图像中的关键特征来提供准确的结果。在未来研究中，将通过集成有效的驾驶模式监测和困倦程度判断技术来扩展该模型。

作者贡献声明
Zhenwei You：概念构思、方法论、研究、初稿撰写
Jafar A. Alzubi：方法论、软件开发、验证
Srinivas Vadali：数据管理、形式分析、可视化
Ahmad Fallatah：资源支持、监督、数据管理
Shabana Urooj：资金获取、概念构思、方法论、撰写与编辑、项目管理
Rajesh Arunachalam：软件开发、数据管理、可视化、初稿撰写与编辑

伦理审批
不适用。

资助信息
本研究由沙特阿拉伯利雅得Princess Nourah bint Abdulrahman大学的研究支持项目（PNURSP2026R79）资助。

出版同意声明
不适用。

利益冲突声明
作者声明没有已知的财务利益或个人关系可能影响本文的研究内容。

致谢
本研究由沙特阿拉伯利雅得Princess Nourah bint Abdulrahman大学的研究支持项目（PNURSP2026R79）资助。