图共 7个 表共 4个

    • 图  1  基于2层残差块的深度卷积神经网络模型

      Figure 1. 

    • 图  2  基于卷积神经网络的迁移学习策略

      Figure 2. 

    • 图  3  32通道脑电电极分布图

      Figure 3. 

    • 图  4  基于同步采集的眼电(HEOG水平眼电，VEOG垂直眼电)和面部图像进行主观划分得到的2种不同数据片段

      Figure 4. 

    • 图  5  3种情绪下的电极-频率分布图

      Figure 5. 

    • 图  6  深度情绪识别网络的训练过程

      Figure 6. 

    • 图  7  微调网络和随机初始化网络的训练过程

      Figure 7. 

    • 网络层类型 特征层数 特征层尺寸
      输入层 100×30
      残差块1 卷积层Conv1_1(3×3)、批归一化(32) 32 100×30
      卷积层Conv1_2(3×3)、批归一化(32) 32 100×30
      卷积层Conv2(1×1)、批归一化(32) 32 100×30
      池化层1 最大池化(2, 2) 32 50×15
      残差块2 卷积层Conv1_1(3×3)、批归一化(64) 64 50×15
      卷积层Conv1_2(3×3)、批归一化(64) 64 50×15
      卷积层Conv2(1×1)、批归一化(64) 64 50×15
      池化层2 最大池化(2, 2) 64 25×7
      全连接层1 全连接 1024
      全连接层2 全连接 3
      输出层 Softmax 3

      表 1  基于2层残差块的卷积神经网络模型的详细结构参数

    • 时间 事件
      11:30～12:10 搭建实验平台，向被试说明实验要求和实验过程中的注意事项等；
      12:10～12:20 被试者针对模拟驾驶环境进行适应性练习；
      12:20～15:10 开始测试，被试者进行持续驾驶，实验组织人员记录实验相关数据；
      15:10～ 整理实验设备，实验完成。

      表 2  疲劳驾驶实验时间安排表

    • 方法 特征 分类器 信号 平均准确率(%)
      Zheng方法[16] DE DBN EEG(1s) 86.08
      Thejaswini方法[22] Statistical features, Hjorth parameters, DE, DASM, RASM ANN NA 91.20
      Tang方法[23] PSD, DE, Mean, SD Bimodal-LSTM EEG(4s)+Eye movement 93.97
      本文方法 EFDMs CNN EEG(1s) 90.59

      表 3  不同方法在SEED数据集上的识别结果

    • 方法 平均准确率(%)
      EFDMs+随机初始化训练 82.60
      EFDMs+微调全连接层 77.15
      EFDMs+微调全部网络 83.90
      PSD+SVM 75.53
      SampEn+SVM 63.69
      EEG+DBN 79.01
      EFDMs+AlexNet 83.59
      EFDMs+VGGNet 82.67

      表 4  不同的模式识别方法对疲劳状态的识别结果