基于深度主题模型的飞行员脑疲劳检测OA北大核心CSTPCD
Pilot's Brain Fatigue Detection Based on Deep Topic Model
飞行员脑疲劳状态检测需要解决脑认知图谱生成和脑疲劳检测模型构建问题.针对第一个问题,本文通过等距方位投影法将全脑电极位置的脑疲劳指标映射为二维脑功率图谱,形成一种新型脑认知图谱.针对第二个问题,本文建立一种深度主题学习模型,即深度潜狄利克雷模型(Deep Latent Dirichlet Model,DLDM),解决了飞行员疲劳状态主题学习问题.DLDM深度模型通过多项式分布逐层扩展脑功率图谱中蕴含的概率分布信息,推理脑功率图谱的层次概率分布特征,实现更有效的飞行员疲劳状态主题学习.同时为了避免启发式假设,本文提出一种有效的不同层与主题间自适应学习率的随机梯度下降推断方法,更加高效地推理DLDM网络结构参数.实验结果显示,DLDM网络可以逐层扩展脑功率图谱中蕴含的概率分布信息,推理出更丰富的抽象特征信息,实现脑疲劳认知主题学习.对比其他脑疲劳检测方法,本文方法分类精度可提升2％.
吴奇;陈琪琦;彭献永;仇峰
上海交通大学自动化系,上海200240系统控制与信息处理教育部重点实验,上海200240上海工业智能管控工程技术研究中心,上海200240上海交通大学自动化系,上海200240
信息技术与安全科学
脑功率图谱疲劳认知状态主题学习深度模型概率推断狄利克雷模型
《电子学报》 2022 (8)
飞行员视觉刺激-脑疲劳认知响应耦合机理研究
1801-1810,10
国家自然科学基金(No.U1933125)
评论