skip to Main Content

پیش‌بینی براساس EEG عملکرد شناختی راننده توسط شبکه عصبی قراردادی عمیق

عنوان انگلیسی: EEG-based prediction of driver’s cognitive performance by deep convolutional neural network
سال نشر: ۲۰۱۶
نویسنده: Mehdi Hajinoroozi,Zijing Mao,Tzyy-Ping Jung,Chin-Teng Lin,Yufei Huang
تعداد صفحه فارسی: ۱۴ – تعداد صفحه انگلیسی: ۷
دانشگاه: Department of Electrical and Computer Engineering, University of Texas at San Antonio, USA b Institute for Neural Computation, University of California, San Diego, CA, USA c Brain Research Center, National Chiao Tung University, Hsinchu, Taiwan
نشریه: Process Safety and Environmental Protection
کیفیت ترجمه: اقتصادی

چکیده

ما پیش‌بینی حالات شناختی راننده را در ارتباط با عملکرد رانندگی با استفاده از سیگنال‌های EEG در نظر گرفتیم. ما یک شبکه عصبی قراردادی {کانونشنال= یک کلاس از شبکه های عصبی عمیق که معمولاً برای تجزیه و تحلیل تصاویر بصری استفاده می شود. همچنین به عنوان متغیرهای تغییر مکان یا شبکه های عصبی مصنوعی متغیر فضا، بر اساس معماری با وزن‌های مشترک و ویژگیهای تغییرپذیری ترجمه شناخته می شوند.} جدید مبتنی بر کانال (CCNN)‏را پیشنهاد کردیم که معماری آن ویژگی‌های منحصر به فرد داده‌های EEG را در نظر می‌گیرد. همچنین در مورد CCNN – R ، تغییرات CCNN بحث کردیم که از ماشین بولتزمن محدود برای جایگزین کردن فیلتر قراردادی استفاده می‌کند و الگوریتم دقیق را به دست می‌آورد. برای آزمایش عملکرد CCNN و CCNN – R، یک مجموعه داده EEG بزرگ را از ۳ مطالعه خستگی راننده که شامل نمونه‌هایی از ۳۷ موضوع است، جمع‌آوری کردیم. با استفاده از این مجموعه داده‌ها، ما CCNN جدید و CCNN – R را در مورد داده‌های خام EEG و همچنین تجزیه اجزای مستقل (ICA)‏ بررسی کردیم. ما هم پیش‌بینی‌های درون موضوعی و هم پیش‌بینی‌های میان موضوعی را آزمایش کردیم

Abstract

Highlights•Novel channel-wise deep convolutional neural networks for prediction of driver’s cognitive states from EEG signals.•Two different deep learning structures CCNN and CCNN-R are proposed.•CCNN and CCNN-R achieved robust and improved performance over conventional DNN and CNN.AbstractWe considered the prediction of driver’s cognitive states related to driving performance using EEG signals. We proposed a novel channel-wise convolutional neural network (CCNN) whose architecture considers the unique characteristics of EEG data. We also discussed CCNN-R, a CCNN variation that uses Restricted Boltzmann Machine to replace the convolutional filter, and derived the detailed algorithm. To test the performance of CCNN and CCNN-R, we assembled a large EEG dataset from 3 studies of driver fatigue that includes samples from 37 subjects. Using this dataset, we investigated the new CCNN and CCNN-R on raw EEG data and also Independent Component Analysis (ICA) decomposition. We tested both within
امتیاز شما:
(No Ratings Yet)
Back To Top