摘 "要： 疲勞檢測(cè)對(duì)日常生活是至關(guān)重要的，尤其對(duì)于駕駛領(lǐng)域?；谀X電（EEG）信號(hào)的疲勞駕駛檢測(cè)已吸引了眾多學(xué)者的關(guān)注，但由于高質(zhì)量帶標(biāo)簽的EEG樣本稀少問(wèn)題嚴(yán)重阻礙了疲勞檢測(cè)領(lǐng)域的發(fā)展。因此，文中首次將自監(jiān)督學(xué)習(xí)（SSL）與擴(kuò)散模型（DDPM）相結(jié)合應(yīng)用于EEG的疲勞檢測(cè)研究中，提出一種基于SSL?DDPM的腦電疲勞狀態(tài)檢測(cè)方法。該方法分為預(yù)訓(xùn)練和下游任務(wù)兩部分，預(yù)訓(xùn)練階段中首先對(duì)原始信號(hào)進(jìn)行DDPM擴(kuò)增，然后以ResNeXt代替ResNet為骨干網(wǎng)絡(luò)對(duì)擴(kuò)增前后的EEG信號(hào)進(jìn)行特征提取，最后對(duì)提取的特征進(jìn)行信號(hào)重構(gòu)。下游任務(wù)的網(wǎng)絡(luò)以共享預(yù)訓(xùn)練網(wǎng)絡(luò)參數(shù)為主，對(duì)擴(kuò)增前后的信號(hào)進(jìn)行疲勞檢測(cè)。通過(guò)SEED數(shù)據(jù)集和Multi?channel數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)驗(yàn)證，最終分類準(zhǔn)確率分別達(dá)到88.23%和86.14%，驗(yàn)證了文中疲勞狀態(tài)檢測(cè)方法的有效性。

關(guān)鍵詞： 腦電信號(hào)； 疲勞檢測(cè)； 自監(jiān)督學(xué)習(xí)； 擴(kuò)散模型； 骨干網(wǎng)絡(luò)； 信號(hào)重構(gòu)

中圖分類號(hào)： TN911.7?34； TP391 " " " " " " " " "文獻(xiàn)標(biāo)識(shí)碼： A " " " " " " " " " " 文章編號(hào)： 1004?373X（2024）21?0040?06

EEG fatigue state detection method based on SSL?DDPM

ZHANG Linhua1， GUO Caiping1， XU Xiaozhe2， FU Lizhen3， XING Zhenzhen1

（1. Department of Computer Engineering， Taiyuan Institute of Technology， Taiyuan 030008， China;

2. Shanxi Cultural Tourism Group Shantou Information Co.， Ltd.， Taiyuan 030008， China;

3. School of Software， North University of China， Taiyuan 030008， China）

Abstract： Fatigue detection is vital to daily life， especially to the field of driving. Fatigue driving detection based on EEG signals has attracted much attention. However， the lack of high?quality labeled EEG samples has hindered the development of fatigue detection seriously. Therefore， a self?supervised learning （SSL） combined with diffusion model （abbreviated as DDPM） is applied to the fatigue detection of EEG for the first time， and an EEG fatigue detection method based on SSL?DDPM is proposed. The method is divided into two parts， named pre?training and downstream tasks. At the stage of pre?training， the original signal is amplified by DDPM， and then ResNeXt is used as the backbone network instead of ResNet to extract the features of EEG signals before and after amplification. Finally， the extracted features are subjected to signal reconstruction. The network for downstream tasks performs the signal fatigue detection before and after amplification by mainly sharing the pre?training network parameters. The SEED data set and Multi?channel data set are used for experimental verification， and the experimental results show that the final classification accuracy rates on the two data sets reach 88.23% and 86.14%， respectively， which verifies the validity of the fatigue state detection method in this paper.

Keywords： EEG signal; fatigue detection; self?supervised learning; diffusion model; backbone network; signal reconstruction

0 "引 "言

腦疲勞導(dǎo)致注意力控制削弱、個(gè)體警覺(jué)性降低等，還會(huì)阻礙認(rèn)知資源的合理分配[1]。在駕駛卡車、高速列車以及飛機(jī)等工作中，警惕性下降或注意力缺失會(huì)造成不可挽回的生命財(cái)產(chǎn)損失。駕駛安全被認(rèn)為受到環(huán)境單調(diào)、睡眠剝奪、長(zhǎng)期嗜睡等多種因素的影響，其中最主要的因素之一是疲勞駕駛[2]。因此，疲勞檢測(cè)對(duì)降低駕駛事故的發(fā)生頻率和嚴(yán)重程度具有重要意義。

疲勞檢測(cè)模型的關(guān)鍵在于疲勞標(biāo)簽的劃分，近年來(lái)，疲勞劃分方法主要有三種：基于駕駛員的行為特征[1?5]，基于心理學(xué)的調(diào)查[6?7]，基于EEG[8]、眼電圖[9]、心電圖[10]或組合多種生理信號(hào)對(duì)疲勞進(jìn)行檢測(cè)。其中，基于EEG的方法被認(rèn)為是最有效的方法之一，因?yàn)镋EG可以直接反映大腦神經(jīng)細(xì)胞的活動(dòng)，從而揭示駕駛?cè)嗽隈{駛過(guò)程中心理狀態(tài)的變化。

在基于EEG的疲勞估計(jì)中，分類和回歸是兩種基本方法。目前疲勞評(píng)測(cè)方法大多數(shù)通過(guò)監(jiān)督學(xué)習(xí)對(duì)疲勞狀態(tài)進(jìn)行分類，旨在將大腦狀態(tài)分為兩個(gè)或兩個(gè)以上的警戒和疲勞狀態(tài)[5]。這種方法通常采用基于[δ]、[θ]、[α]、[β]，以及樣本熵、模糊熵、近似熵、譜熵和小波熵等特征[11?13]，分別結(jié)合支持向量機(jī)（SVM）、線性判別分析、K最相鄰、隨機(jī)森林、多層感知器等機(jī)器學(xué)習(xí)或者深度學(xué)習(xí)方法[14?15]對(duì)疲勞狀態(tài)進(jìn)行識(shí)別。然而，在EEG信號(hào)采集過(guò)程中，容易受到環(huán)境、被試主觀因素的影響，疲勞狀態(tài)標(biāo)簽無(wú)法完全準(zhǔn)確，導(dǎo)致監(jiān)督學(xué)習(xí)方法在腦電疲勞狀態(tài)檢測(cè)中應(yīng)用受限。同時(shí)由于疲勞誘導(dǎo)任務(wù)時(shí)間長(zhǎng)，采集的疲勞狀態(tài)下的EEG信號(hào)樣本量較少，在網(wǎng)絡(luò)訓(xùn)練過(guò)程中出現(xiàn)過(guò)擬合現(xiàn)象，使疲勞檢測(cè)模型性能下降。隨著深度學(xué)習(xí)的發(fā)展，自監(jiān)督學(xué)習(xí)通過(guò)運(yùn)用預(yù)訓(xùn)練模型至下游任務(wù)在一定程度上減少了帶標(biāo)簽樣本數(shù)量的使用。為此，許多學(xué)者將自監(jiān)督學(xué)習(xí)方法應(yīng)用于EEG信號(hào)分析研究中[16?17]。

為了提高疲勞檢測(cè)模型的性能，對(duì)EEG信號(hào)進(jìn)行數(shù)據(jù)增強(qiáng)至關(guān)重要。文獻(xiàn)[18]提出了一種基于生成對(duì)抗網(wǎng)絡(luò)的自監(jiān)督數(shù)據(jù)增強(qiáng)框架用于EEG的情緒識(shí)別。文獻(xiàn)[19]提出了一種結(jié)合時(shí)空特征的雙編碼器變分自編碼器生成對(duì)抗網(wǎng)絡(luò)用于情緒識(shí)別。這些方法忽視了EEG信號(hào)的內(nèi)在結(jié)構(gòu)，且在訓(xùn)練過(guò)程中模型可能出現(xiàn)不穩(wěn)定和模型崩潰等問(wèn)題，限制了數(shù)據(jù)增強(qiáng)技術(shù)在EEG信號(hào)疲勞檢測(cè)領(lǐng)域中的應(yīng)用。

為了提高EEG信號(hào)疲勞狀態(tài)分類的正確率，解決高質(zhì)量帶標(biāo)簽EEG樣本量稀缺的問(wèn)題，本文首次將SSL與DDPM相結(jié)合應(yīng)用到基于EEG信號(hào)的疲勞識(shí)別任務(wù)中，提出一種基于SSL?DDPM的腦電疲勞狀態(tài)檢測(cè)方法。該方法分為預(yù)訓(xùn)練和下游任務(wù)兩部分，在預(yù)訓(xùn)練階段先對(duì)原始信號(hào)進(jìn)行DDPM擴(kuò)增，然后使用預(yù)訓(xùn)練網(wǎng)絡(luò)進(jìn)行特征提取，最后對(duì)提取的特征進(jìn)行信號(hào)重構(gòu)，并計(jì)算MSE損失以不斷更新網(wǎng)絡(luò)參數(shù)。在下游任務(wù)中，將擴(kuò)增前后的信號(hào)進(jìn)行融合，通過(guò)共享與訓(xùn)練網(wǎng)絡(luò)中的參數(shù)進(jìn)行疲勞檢測(cè)。該方法可以使更多未標(biāo)記的數(shù)據(jù)用于疲勞檢測(cè)模型的預(yù)訓(xùn)練過(guò)程，提高疲勞檢測(cè)模型的預(yù)測(cè)性能。

1 "數(shù)據(jù)集介紹

1.1 "SEED數(shù)據(jù)集

為了收集EEG和EOG數(shù)據(jù)，文獻(xiàn)[20]開(kāi)發(fā)了一個(gè)基于虛擬現(xiàn)實(shí)的模擬駕駛系統(tǒng)。在真實(shí)車輛前方大型LCD屏幕上，可以看到以筆直為主的四車道公路場(chǎng)景，這樣更容易誘發(fā)被試疲勞。軟件中的車輛運(yùn)動(dòng)由方向盤和油門踏板控制，場(chǎng)景根據(jù)被試的操作同步更新，該實(shí)驗(yàn)共有21名被試參加。實(shí)驗(yàn)過(guò)程中采用1 000 Hz采樣率的Neuroscan系統(tǒng)同時(shí)記錄前額EOG信號(hào)以及后腦（CP1、CPZ、CP2、P1、PZ、P2、PO3、POZ、PO4、O1、OZ、O2）和顳葉（FT7、FT8、T7、T8、TP7、TP8）的18個(gè)通道的EEG，眼球運(yùn)動(dòng)同時(shí)使用SMI ETG眼動(dòng)跟蹤眼鏡記錄。對(duì)于SEED數(shù)據(jù)集的標(biāo)簽劃分，以數(shù)據(jù)集中閉眼百分比（PERCLOS）作為指標(biāo)，具體計(jì)算公式如下：

[PERCLOS=blink+CLOSinterval] " " （1）

[interval=blink+fixation+saccade+CLOS] " "（2）

式中：CLOS、blink、fixation、saccade分別代表閉眼的持續(xù)時(shí)間，眼動(dòng)追蹤眼鏡所提供的眨眼、注視、掃視變量。

1.2 "Multi?channel數(shù)據(jù)集

該數(shù)據(jù)集由文獻(xiàn)[21]在沉浸式駕駛模擬器的場(chǎng)景下采集的，采集實(shí)驗(yàn)從90 min持續(xù)注意力任務(wù)中獲得被試的行為和大腦動(dòng)力學(xué)，包括62份32通道的EEG數(shù)據(jù)。該實(shí)驗(yàn)邀請(qǐng)了27名被試在一條四車道的高速公路上行駛，車道偏離事件隨機(jī)誘導(dǎo)，使汽車從原來(lái)的車道漂移到左車道或右車道，每個(gè)被試都被要求通過(guò)操控車輪讓汽車行駛回原來(lái)的車道。為了避免在駕駛過(guò)程中受其他因素的影響，被試僅通過(guò)轉(zhuǎn)動(dòng)方向盤對(duì)車道擾動(dòng)事件做出反應(yīng)，不需要控制油門或剎車踏板。使用32通道quick?cap（Compumedical NeuroScan）記錄EEG，分別為Fp1、Fp2、F7、F3、Fz、F4、F8、FT7、FC3、FCZ、FC4、FT8、T3、C3、Cz、C4、T4、TP7、CP3、CPz、CP4、TP8、A1、T5、P3、PZ、P4、T6、A2、O1、Oz和O2電極，在乳突骨上放置兩個(gè)電極（Al和A2）作為參考，第33個(gè)信號(hào)為車輛位置。對(duì)于Multi?channel數(shù)據(jù)集EEG信號(hào)的標(biāo)簽劃分，采用與文獻(xiàn)[22?23]相同的方法進(jìn)行標(biāo)記，即將反應(yīng)時(shí)長(zhǎng)轉(zhuǎn)化為嗜睡指數(shù)作為指標(biāo)[24]，計(jì)算方法如公式（3）所示：

[DI=max0，1-e-（τ-τ0）1+e-（τ-τ0）] （3）

式中：[τ0]設(shè)為1；[τ]為自變量，在這里指反應(yīng)時(shí)長(zhǎng)。

2 "方 "法

2.1 "數(shù)據(jù)增強(qiáng)方法

DDPM[25]由于其在生成真實(shí)且豐富的數(shù)據(jù)樣本方面表現(xiàn)卓越，廣泛應(yīng)用于圖像和聲音生成等領(lǐng)域。它包括噪聲添加和噪聲去除兩個(gè)主要過(guò)程：正向擴(kuò)散也為噪聲添加過(guò)程，主要控制噪聲擴(kuò)散的程度；逆向生成也為噪聲去除，主要根據(jù)降噪模型預(yù)估噪聲以生成原始數(shù)據(jù)。

在EEG信號(hào)中，正向擴(kuò)散主要是在原始信號(hào)[x0]的基礎(chǔ)上采用馬爾科夫鏈不斷添加噪聲[ε∈N（0，1）]直至信號(hào)為純高斯分布噪聲[xT]，逆向生成過(guò)程為正向擴(kuò)散的逆過(guò)程。對(duì)于降噪模型，本文采用UNet網(wǎng)絡(luò)，在UNet模型的編碼部分模型會(huì)逐步壓縮信號(hào)的大小；在解碼部分則會(huì)逐步還原信號(hào)的大小。同時(shí)，在編碼和解碼間還會(huì)使用“殘差連接”，確保解碼部分在推理和還原信號(hào)時(shí)不會(huì)丟失掉之前步驟的信息。擴(kuò)散具體過(guò)程如圖1所示。

由于EEG信號(hào)是一段較長(zhǎng)的時(shí)間序列，需要對(duì)其進(jìn)行合理劃分。為了最大程度地利用已有的腦電數(shù)據(jù)，本研究采用隨機(jī)偏移零重疊采樣方法[22?23]與DDPM相結(jié)合對(duì)腦電數(shù)據(jù)進(jìn)行擴(kuò)增。該方法首先通過(guò)隨機(jī)偏移零重疊采樣方法將原始EEG信號(hào)劃分為數(shù)據(jù)段序列，然后將劃分后的EEG信號(hào)片段進(jìn)行DDPM擴(kuò)增，最后將增強(qiáng)前和增強(qiáng)后的數(shù)據(jù)一起輸入到自監(jiān)督框架中進(jìn)行疲勞識(shí)別，具體數(shù)據(jù)增強(qiáng)流程如圖2所示。

2.2 "自監(jiān)督學(xué)習(xí)

自監(jiān)督學(xué)習(xí)主要分為預(yù)訓(xùn)練和下游任務(wù)兩部分。本研究所設(shè)置的預(yù)訓(xùn)練任務(wù)是對(duì)增強(qiáng)后的特征進(jìn)行信號(hào)重構(gòu)，為后續(xù)下游任務(wù)奠定堅(jiān)實(shí)的模型基礎(chǔ)。在預(yù)訓(xùn)練網(wǎng)絡(luò)參數(shù)迭代中，需要比較重構(gòu)后的信號(hào)與原始信號(hào)的區(qū)別，即計(jì)算MSE損失作為網(wǎng)絡(luò)的損失函數(shù)進(jìn)行傳播，使模型能有效學(xué)習(xí)信號(hào)中的每個(gè)細(xì)粒度特征。

由于不同個(gè)體的EEG信號(hào)差異較大，需要一種既能有效提取腦電疲勞狀態(tài)的淺層特征，又能深入挖掘其深層結(jié)構(gòu)的網(wǎng)絡(luò)。ResNet是一種卷積神經(jīng)網(wǎng)絡(luò)，它主要是通過(guò)在淺層網(wǎng)絡(luò)和深層網(wǎng)絡(luò)之間添加跳躍連接的殘差單元，以緩解在訓(xùn)練過(guò)程中出現(xiàn)的網(wǎng)絡(luò)梯度消失或梯度爆炸問(wèn)題。ResNeXt是ResNet的一種變體，它引入了一種新的聚合操作，允許通過(guò)增加分組卷積數(shù)量來(lái)增加網(wǎng)絡(luò)的寬度，而不是增加層數(shù)，以此提升模型的表現(xiàn)。

由于EEG信號(hào)是一段連續(xù)的時(shí)間序列，EEG數(shù)據(jù)段之間的遠(yuǎn)程時(shí)間信息對(duì)疲勞狀態(tài)的識(shí)別同等重要。因此，本文的預(yù)訓(xùn)練網(wǎng)絡(luò)架構(gòu)采用ResNeXt與時(shí)間序列提取單元GRU相結(jié)合，預(yù)訓(xùn)練的具體過(guò)程如圖3所示。

下游任務(wù)主要包括一個(gè)特征提取器和分類器，其中特征提取器以共享預(yù)訓(xùn)練網(wǎng)絡(luò)參數(shù)為主，從而融合預(yù)訓(xùn)練任務(wù)所學(xué)到的EEG信號(hào)的細(xì)粒度特征。分類器采用SVM，主要對(duì)所提取的EEG信號(hào)特征進(jìn)行分類，并計(jì)算交叉熵?fù)p失（Cross_Entroy）進(jìn)行下游任務(wù)網(wǎng)絡(luò)的參數(shù)更新，從而提高疲勞檢測(cè)模型的性能。下游任務(wù)的具體過(guò)程如圖4所示。

3 "實(shí)驗(yàn)與結(jié)果

3.1 "參數(shù)設(shè)置

SEED數(shù)據(jù)集有21個(gè)被試，多通道數(shù)據(jù)集有27名被試，本文采用跨被試實(shí)驗(yàn)驗(yàn)證。設(shè)置如下：將數(shù)據(jù)集分為5份，采用五折交叉留一驗(yàn)證方法。優(yōu)化器采用隨機(jī)梯度下降（SGD），批量大小為128。預(yù)訓(xùn)練的動(dòng)量為0.9，學(xué)習(xí)率采用余弦預(yù)熱學(xué)習(xí)率調(diào)整方法，最小為0.05，下游任務(wù)階段的學(xué)習(xí)率最小為0.09。預(yù)訓(xùn)練和下游任務(wù)階段網(wǎng)絡(luò)均未采用dropout策略。

3.2 "實(shí)驗(yàn)結(jié)果

3.2.1 "結(jié)果分析

在數(shù)據(jù)增強(qiáng)方法中，本文對(duì)每個(gè)被試的EEG信號(hào)都使用DDPM進(jìn)行增強(qiáng)。當(dāng)擴(kuò)增了0、1 000、2 000、4 000、6 000、8 000、10 000個(gè)樣本時(shí)，訓(xùn)練集為擴(kuò)增后的樣本和原始樣本的集合，測(cè)試集樣本不變，分別輸入到本文方法中進(jìn)行疲勞狀態(tài)預(yù)測(cè)。SEED數(shù)據(jù)集的預(yù)測(cè)結(jié)果如表1所示，Multi?channel數(shù)據(jù)集的預(yù)測(cè)結(jié)果如表2所示。

從表1、表2可以觀察到，在SEED數(shù)據(jù)集驗(yàn)證實(shí)驗(yàn)中，當(dāng)每個(gè)被試的數(shù)據(jù)擴(kuò)增6 000個(gè)樣本時(shí)，準(zhǔn)確率達(dá)到88.23%，比沒(méi)有擴(kuò)增樣本時(shí)的準(zhǔn)確率提高了11.21%。當(dāng)繼續(xù)擴(kuò)增時(shí)，網(wǎng)絡(luò)出現(xiàn)過(guò)擬合現(xiàn)象。在Multi?channel數(shù)據(jù)集實(shí)驗(yàn)驗(yàn)證中，當(dāng)每個(gè)被試的數(shù)據(jù)擴(kuò)增8 000個(gè)樣本時(shí)，準(zhǔn)確率達(dá)到了86.14%。當(dāng)擴(kuò)增到10 000個(gè)樣本時(shí)，準(zhǔn)確率為86.04%。因此，DDPM數(shù)據(jù)增強(qiáng)方法在增加樣本量的同時(shí)提高了疲勞檢測(cè)模型的性能，接下來(lái)本文以SEED數(shù)據(jù)集為例進(jìn)行對(duì)比消融實(shí)驗(yàn)驗(yàn)證本文方法的優(yōu)越性。

3.2.2 "對(duì)比消融實(shí)驗(yàn)

為了更進(jìn)一步驗(yàn)證本文方法的優(yōu)越性，本文以SEED數(shù)據(jù)集為例將所提方法與文獻(xiàn)[22]提出的方法、ResNet50、未擴(kuò)增樣本的方法分別進(jìn)行對(duì)比，其中本文方法中將每個(gè)被試的樣本擴(kuò)增了8 000個(gè)，對(duì)比消融實(shí)驗(yàn)結(jié)果如表3所示。

從表3可以觀察到，將每個(gè)被試的樣本擴(kuò)增了8 000個(gè)后，本文方法的準(zhǔn)確率仍然優(yōu)越于其他方法，ResNet50的準(zhǔn)確率最低。這可能是由于ResNet50主要通過(guò)增加網(wǎng)絡(luò)深度來(lái)提升模型的性能，而ResNeXt重點(diǎn)在于通過(guò)增加寬度來(lái)提高性能，寬度增加代表網(wǎng)絡(luò)的視野變大，能捕獲較長(zhǎng)的EEG信號(hào)的時(shí)間序列信息。

為了更詳細(xì)地驗(yàn)證本文方法的性能，以SEED數(shù)據(jù)集中某個(gè)被試為例，展示文獻(xiàn)[22]提出的方法、ResNet50、未擴(kuò)增樣本的方法和本文方法計(jì)算的疲勞指標(biāo)曲線，如圖5所示。

從圖5可以觀察到，圖5d）曲線的擬合程度最好，圖5b）效果最差。對(duì)位于200～400之間的峰值三種方法均做出快速上升響應(yīng)，但對(duì)于變化幅度較小的波形，前兩種方法的適應(yīng)性較差。因此，進(jìn)一步驗(yàn)證了本文方法的優(yōu)越性。

4 "結(jié) "語(yǔ)

為解決高質(zhì)量帶標(biāo)簽的EEG樣本稀少問(wèn)題，本文首次將DDPM與自監(jiān)督學(xué)習(xí)框架有機(jī)結(jié)合應(yīng)用至EEG信號(hào)疲勞檢測(cè)領(lǐng)域，提出了一種基于SSL?DDPM的腦電疲勞狀態(tài)檢測(cè)方法。研究在預(yù)訓(xùn)練階段中采用DDPM進(jìn)行EEG數(shù)據(jù)增強(qiáng)操作，主要任務(wù)是利用DDPM進(jìn)行EEG信號(hào)重構(gòu)，使得模型在重構(gòu)信號(hào)的過(guò)程中能更加清晰地學(xué)習(xí)到清醒、疲勞、困倦狀態(tài)下的細(xì)粒度特征，從而捕獲疲勞狀態(tài)的通用特征。另一方面，由于腦電信號(hào)是一個(gè)連續(xù)的時(shí)間信號(hào)，疲勞狀態(tài)的變化也是隨時(shí)間變化的序列，因此在自監(jiān)督學(xué)習(xí)中，本文采用ResNeXt作為骨干網(wǎng)絡(luò)。ResNeXt具有更寬的視野，能融合更長(zhǎng)先前的時(shí)間信號(hào)，通過(guò)對(duì)時(shí)間連續(xù)性的學(xué)習(xí)從而更精準(zhǔn)地預(yù)測(cè)之后腦電信號(hào)的狀態(tài)。下一步的研究方向是考慮不同誘因引發(fā)的疲勞特征及如何最小化這些疲勞特征之間的差異，進(jìn)一步提高算法的魯棒性。

注：本文通訊作者為郭彩萍。

參考文獻(xiàn)

[1] LIU Y S， LAN Z R， CUI J， et al. Inter?subject transfer learning for EEG?based mental fatigue recognition [J]. Advanced engineering informatics， 2020， 46： 101157.

[2] 許龍銘.基于改進(jìn)PERCLOS的疲勞駕駛檢測(cè)系統(tǒng)的設(shè)計(jì)[J].現(xiàn)代電子技術(shù)，2023，46（22）：41?45.

[3] 徐敬一，田瑾，劉翔，等.基于注意力機(jī)制改進(jìn)的疲勞駕駛檢測(cè)方法[J].傳感器與微系統(tǒng)，2024，43（4）：115?118.

[4] WANG F， WU S， PING J， et al. EEG driving fatigue detection with PDC?based brain functional network [J]. IEEE sensors journal， 2021， 21（9）： 10811?10823.

[5] ZENG H， ZHANG J M， ZAKARIA W， et al. An improved transfer?learning method for EEG?based cross?subject fatigue detection [J]. Sensors， 2020， 20（24）： 7251.

[6] YANG Z W， REN H J. Feature extraction and simulation of EEG signals during exercise?induced fatigue [J]. IEEE access， 2019， 7： 46389?46398.

[7] KRIGOLSON O E， HAMMERSTROM M R， ABIMBOLA W， et al. Using muse： Rapid mobile assessment of brain performance [J]. Frontiers in neuroscience， 2021， 15： 231733675.

[8] Al?SHARGIE F， HASSANIN O， TARIG U， et al. EEG?based semantic vigilance level classification using directed connectivity patterns and graph theory analysis [J]. IEEE access， 2020， 8： 115941?115956.

[9] MULAM H， MUDIGONDA M. Empirical mean curve decomposition with multiwavelet transformation for eye movements recognition using electrooculogram signals [J]. Journal of engineering in medicine， 2020， 234（8）： 794?811.

[10] LI R， WANG L， SOURINA O. Subject matching for cross?subject EEG?based recognition of driver states related to situation awareness [J]. Methods， 2022， 202： 136?143.

[11] 王忠民，鄭镕林，趙玉鵬，等.基于腦電信號(hào)的疲勞駕駛檢測(cè)研究綜述[J].西安郵電大學(xué)學(xué)報(bào)，2022，27（6）：52?66.

[12] 王家曜，馬亮亮，王飛，等.一種基于改進(jìn)ResNet的疲勞檢測(cè)方法[J].自動(dòng)化與儀表，2023，38（11）：66?70.

[13] 吳天昊，張震，王家曜.一種基于卷積神經(jīng)網(wǎng)絡(luò)的疲勞駕駛檢測(cè)方法[J/OL].控制工程：1?7[2023?12?21].https：//doi.org/10.14107/j.cnki.kzgc.20230854.

[14] WANG F， MA M， FU R， et al. EEG?based detection of driving fatigue using a novel electrode [J]. Sensors and actuators A： Physical， 2024， 365： 114895.

[15] CHEN Z Y， MENG Y H， WANG R Y， et al. A novel recurrent self?evolving fuzzy neural network for consensus decision?making of unmanned aerial vehicles [J]. International journal of advanced robotic systems， 2024， 21（2）： 7168?7183.

[16] ZHANG M， CUI Y L. Self supervised learning based emotion recognition using physiological signals [J]. Frontiers in human neuroscience， 2024， 18： 1?6.

[17] SUN J， XIAO C， WESTOVER M B， et al. Self?supervised electroencephalogram representation learning for automatic sleep staging [J]. Model development and evaluation study， 2023， 2： 46769.

[18] ZHANG Z， LIU Y， ZHONG S H. GANSER： A self?supervised data augmentation framework for EEG?based emotion recognition [J]. IEEE transactions on affective computing， 2022， 14（3）： 2048?2063.

[19] TIAN C， MA Y， CAMMON J， et al. Dual?encoder VAE?GAN with spatiotemporal features for emotional EEG data augmentation [J]. IEEE transactions on neural systems and rehabilitation engineering， 2023， 31： 2018?2027.

[20] ZHENG W L， LU B L. A multimodal approach to estimating vigilance using EEG and forehead EOG [EB/OL]. [2018?08?13]. http：//arxiv.org/abs/1611.08492.

[21] CAO Z， CHUANG C H， KING J K， et al. Multi?channel EEG recordings during a sustained?attention driving task [J]. Scientific data， 2020， 6（1）： 19.

[22] YUAN D Y， YUE J W， XIONG X F， et al. A regression method for EEG?based cross?dataset fatigue detection [J]. Frontiers in physiology， 2023， 14： 1196919.

[23] YUAN D Y， YUAN J W， XU H Y， et al. A regression model combined convolutional neural network and recurrent neural network for electroencephalogram?based cross?subject fatigue detection [J]. Review of scientific instruments， 2023， 94（9）： 094101.

[24] YANG Y， GAO Z， LI Y， et al. A CNN identified by reinforcement learning?based optimization framework for EEG?based state evaluation [J]. Journal of neural engineering， 2021， 18（4）： 046059.

[25] HO J， JAIN A， ABBEEL P. Denoising diffusion probabilistic models [EB/OL]. [2021?01?19]. https：//proceedings.neurips.cc/paper/2020/hash/4c5bcfec8584af0d967f1ab10179ca4b?Abstract.html.

作者簡(jiǎn)介：張麟華（1982—），男，山西陽(yáng)曲人，碩士研究生，副教授，研究方向?yàn)橹悄軘?shù)據(jù)處理。

郭彩萍（1981—），女，山西文水人，博士研究生，教授，碩士生導(dǎo)師，研究方向?yàn)樾盘?hào)與信息處理。

許驍哲（1990—），男，山西運(yùn)城人，博士研究生，研究方向?yàn)槿斯ぶ悄堋?/p>

富麗貞（1982—），女，山西大同人，博士研究生，講師，研究方向?yàn)槎嗄B(tài)信息融合。

邢珍珍（1987—），女，山西文水人，博士研究生，副教授，研究方向?yàn)樯疃葘W(xué)習(xí)。