《AI》:Research on Driver Mental Fatigue Detection Based on Improved Stripe Attention Mechanism and Deep Residual Shrinking Network
编辑推荐:
驾驶疲劳引起的注意力下降和反应迟缓是交通事故的关键影响因素。然而,从含噪脑电图(electroencephalogram,EEG)信号中稳定而精确地识别疲劳状态,仍然是智能驾驶安全领域的一项挑战性课题。为解决传统方法在疲劳特征提取精度和噪声鲁棒性方面的双重不足
驾驶疲劳引起的注意力下降和反应迟缓是交通事故的关键影响因素。然而,从含噪脑电图(electroencephalogram,EEG)信号中稳定而精确地识别疲劳状态,仍然是智能驾驶安全领域的一项挑战性课题。为解决传统方法在疲劳特征提取精度和噪声鲁棒性方面的双重不足,本文创新性地构建了一种融合改进条带注意力机制(Improved Strip Attention Mechanism,ISAM)与深度残差收缩网络(Deep Residual Shrinkage Network,DRSN)的协同识别框架。该框架的核心创新有两方面:ISAM通过行列可分离自适应池化和通道注意力增强,实现对EEG信号中疲劳相关节律频带的精确定位与聚焦增强;同时,DRSN模块引入改进的软阈值函数,通过通道注意力自适应生成滤波阈值,有效抑制生理信号中的噪声和伪迹干扰。这两个模块的深度融合形成了“目标特征强化–自适应噪声抑制”的闭环优化链,使模型能够从复杂的非平稳EEG信号中稳定提取高判别性疲劳表征。在两个公共数据集SEED-VIG和SADT上的验证表明,所提方法分别达到98.86%和97.38%的识别准确率,优于卷积空间频率网络和多尺度卷积神经网络等主流方法,提升幅度分别达17.38%和17.76%。这些结果证实了所提出的双模块协同架构在精细疲劳表征和抗干扰能力方面的显著优势,为真实道路场景中的驾驶员精神疲劳实时监测提供了一种高可靠性的技术方案。
# 基于ISAM-DRSN的驾驶员精神疲劳检测研究解读
驾驶疲劳会显著损害驾驶员的反应时间和判断能力,增加车辆失控和交通事故风险,进而造成人员伤亡和财产损失。传统检测方法各有局限:基于面部特征的方法易受光照、遮挡、头部姿态和细微表情变化影响;行为指标如车头时距受路况和个人驾驶习惯干扰明显;心电图特征特异性不足,心率变异性等指标易受身体活动和情绪波动影响;眼电图信号在强光和路面振动等动态环境下可能不稳定;主观问卷则依赖驾驶员自我报告。相比之下,脑电图(EEG)被广泛视为疲劳检测的“金标准”,因其直接反映大脑活动、灵敏度高且能捕捉早期疲劳相关变化。然而,传统信号分析手段如功率谱密度(PSD)、脑网络和熵特征方法,在瞬态变化捕捉、计算复杂度和噪声干扰抑制方面存在不足。深度学习方法如卷积神经网络(CNN)、长短期记忆网络(LSTM)、Transformer等虽取得进展,但仍面临对噪声敏感、长程依赖建模能力有限等问题。为此,研究人员提出了一种融合改进条带注意力机制(ISAM)与深度残差收缩网络(DRSN)的协同识别框架,专门针对递归图(RP)编码的EEG信号进行驾驶疲劳二分类检测。该研究发表于《AI》。
在关键技术方法上,研究人员采用两个公共数据集:SEED-VIG数据集包含23名受试者(平均年龄23岁,12名女性)在模拟驾驶中记录的18通道EEG和眼电图信号;SADT数据集包含27名受试者的32通道EEG数据,采用事件相关车道偏离范式,共收集62个EEG数据集。数据经0.5–40Hz带通滤波、50Hz陷波、独立成分分析(ICA)去伪迹和重参考后,以滑动窗口分段并编码为递归图(RP)图像。核心方法包括:ISAM通过行列可分离自适应池化和通道注意力增强,捕捉RP图像中与疲劳相关的方向性纹理和长程依赖;DRSN引入改进的软阈值函数,利用通道注意力自适应生成阈值以抑制生理噪声和伪迹。模型以RP图像为输入,经卷积、池化、多个残差收缩单元和ISAM模块,最终由全连接层和Softmax输出疲劳/警觉二分类结果。
在实验结果方面,4.1 SEED-VIG数据集上,研究人员以5秒EEG段为基本样本,共1200个样本(警觉与疲劳各600个),按7:3划分训练集和测试集。所提方法达到98.86%的准确率、99.34%的精确率、97.67%的召回率和98.50%的F
1分数,表明模型具备高整体判定正确率和极低的误报/漏报率。4.2 SADT数据集上,基于车道偏离事件时间窗分割EEG段,模型取得97.38%的准确率,在精确率、召回率和F
1分数等核心指标上均表现均衡,验证了跨数据集的可靠性。在与其他方法的比较中,论文5.1节显示,ISAM-DRSN在SEED-VIG上的准确率高于基于Inception-dilated ResNet(82.73%)、卷积空间频率网络(81.48%)、Ghost-LSTM(87.3%)等方法;在SADT上也优于多尺度CNN(79.62%)、熵优化网络(80.2%)和多尺度全局提示Transformer(94.94%)。在噪声抵抗分析中,论文5.2节通过叠加不同信噪比(SNR)的高斯白噪声,将ISAM-DRSN与SVM、CNN、LSTM、RNN、ResNet等基线比较,发现所有方法准确率随SNR升高而上升,ResNet在基线中表现最好,而所提框架同样保持良好鲁棒性;同时改进软阈值函数在不同SNR下的去噪性能优于标准软阈值。在消融实验中,论文5.3节表明:不使用RP编码时准确率为93.55%,使用RP后提升5.31个百分点;去掉ISAM后准确率为91.39%,完整模型提升7.47个百分点;用标准软阈值替换改进版本时准确率为96.77%,改进版本提升2.09个百分点。仅用DRSN(标准软阈值、无ISAM)在SEED-VIG上准确率达90.12%,仍超过CNN基线(84.78%)和LSTM基线(87.64%);在SADT上为88.56%,超过多尺度CNN(79.62%)。此外,模型参数量为13.40M,计算量为3.54 GFLOPs,推理延迟为18.03ms,内存占用为234.5MB。
在讨论部分,论文5.4节指出当前评估仍基于实验室或模拟器数据,滑动窗口分割和数据集划分可能带来乐观估计,未来需采用受试者级交叉验证,系统化开展消融研究,并进一步量化计算效率,探索剪枝、蒸馏和边缘端优化等轻量化部署策略。研究结论部分可翻译为:本研究针对EEG驾驶员疲劳检测中特征判别力不足和噪声敏感两大问题,提出了ISAM-DRSN框架。通过递归图编码将EEG时域动态转化为二维结构化表示,ISAM用于建模疲劳相关的方向性纹理和长程依赖,DRSN利用改进软阈值函数抑制无关噪声和不稳定激活。在SEED-VIG和SADT数据集上的实验结果显示,该方法准确率分别达到98.86%和97.38%,并在精确率、召回率和F
1分数上表现强劲。噪声鲁棒性分析进一步表明,模型在不同SNR条件下均能保持有竞争力的精度。总体而言,所提方法为基于EEG的驾驶员疲劳检测提供了有效的方法框架,也为后续鲁棒生理信号分析和智能驾驶安全监测提供了有益参考。