使用脑电图的基于混合深层通用模型驾驶员疲劳检测系统

（EEG-based Driver Fatigue Detection using Hybrid Deep Generic Model）

驾驶员的疲劳驾驶是发生交通事故的重要因素之一，驾驶员疲劳通常被定义为驾驶时感觉疲倦并且警觉性降低，这会损害驾驶员在驾驶汽车时对汽车的控制能力，增加交通事故发生的可能性。驾驶员疲劳的症状主要包括疲劳感增加、反应时间延长和驾驶期间注意力不集中。生理测量被认为是对驾驶员疲劳的有效测量手段之一。驾驶疲劳检测的方法主要分为以下三种：脑电图（EEG）、眼电图（EOG）和心电图（ECG）。对这三种检测方法的对比分析结果表明，脑电图是检测驾驶疲劳的最重要而且是最可靠的方法，因为它直接测量人类大脑中的神经元活动。因此，本文利用先进的智能计算方法来改进基于EEG系统的疲劳分析策略。提出了一种基于混合深度通用模型（DGM）的驾驶员疲劳监测系统，用于对驾驶员疲劳的精确检测。

在本文中，通过使用32个EEG通道，开发了基于混合深度通用模型（DGM）的驾驶员疲劳检测系统。为了评估所提出的方法的有效性，进行了几个实验并进行了分析。实验结果表明，所提出驾驶员疲劳监测系统的检测准确率达到73.29%，灵敏度为91.10%。这意味着混合深度通用模型（DGM）对于提高驾驶员疲劳检测系统的性能是有效的。简而言之，驾驶员疲劳检测系统通过分析驾驶员脑电信号的变化，可以有效地检测驾驶员疲劳状态。