摘要：目的:设计基于无线多模态信号采集的驾驶员疲劳监测系统,用于驾驶员疲劳评价和体征监测,以确保驾驶员的交通安全。方法:针对采集单人、单一模态数据,对不同场景的适应性不足等问题,设计基于无线多模态信号采集的驾驶员疲劳监测系统,系统通过摄像头记录驾驶员的面部状态,结合眼睑闭合度进行预评价,利用无线通信控制多个自行研制的电生理信号采集设备,实时采集驾驶员的脑电、心电及眼电信号。通过巴特沃斯低通滤波器和小波变换减少电生理信号中的伪迹和干扰,利用非线性变换提取脑电信号三频段差分熵特征、差分法提取心电中的心率特征,对驾驶员体征和疲劳状态进行实时监测、分析和可视化。结果:通过共模抑制比、输入噪声和信号完整性测试验证,驾驶员疲劳监测系统能够满足脑电、心电的医学采集标准;多人、多通道数据采集实时性误差<62.5 ppm;基于三频带非线性特征计算的疲劳程度与主观评价相关性达到89.1%,相较于双频带线性特征的相关性提升了14.2%。结论:基于无线多模态信号采集的驾驶员疲劳监测系统可实时采集驾驶员的多模体征,有效检测其疲劳和监测心率,对确保驾驶员交通安全具有重要意义和应用价值。

摘要：目的跨对象脑电睡眠分期是国际顶级会议NeurIPS 2021最新提出的一项挑战性任务,目的是解决当前脑电睡眠分期中主要存在的目标数据不足问题。本文基于深度学习方法对该任务进行了初步探索,通过对数据集的深入分析,结合深度学习AttnSleep(attention-based deep learning approach for sleep stage classification)模型,设计实现了一种基于类感知损失函数(class-aware loss function)的单通道脑电睡眠分期方法。方法实验数据来自NeurIPS 2021 BEETL Competition任务一官方所提供的跨对象数据集,首先对脑电数据进行标准化预处理,然后使用本文设计的方法进行睡眠分期,并对其结果进行检验。结果在数据集提供的2个不同年龄组别中,本文方法分别达到了67.33和66.68的任务指标,同时也验证了类感知损失函数的作用。结论使用基于类感知损失函数的单通道AttnSleep模型有助于在目标数据不足的情况下提升跨对象脑电睡眠分期的效果。文中所用的实验方法代码将发布于https://***/MatrixWP/EEG-sleep-stage-classification。

摘要：目的利用脑电信号进行睡眠分期是分析人睡眠状态的重要方法,通过引入人工智能深度学习来研究基于多通道脑电信号的睡眠分期方法。方法提出基于注意力的多通道脑电信号睡眠分期方法(Attention Based Multi-Channel EEG Sleep Net,AMCSleepNet),该方法利用多个分支卷积网络分别提取脑电信号不同通道的时频域特征,设计新型压缩聚合层和残差层自适应融合多通道脑电信号的特征,并通过Transformer编码器挖掘特征的时间相关性。结果在2021全国智能睡眠科学大赛提供的多通道脑电数据上,AMCSleepNet的平均准确率达到了81.86%,相较于基于注意力的单通道模型和多通道深度卷积模型分别提升了5.69%和11.06%。结论AMCSleepNet方法能够利用多通道脑电信号提升睡眠分期的准确率,可更充分利用睡眠数据,潜在应用价值较高。