一个用于疲劳驾驶检测的多尺度卷积神经网络.pdfVIP

第24卷第3期软件导刊Vol.24No.3

2025年3月SoftwareGuideMar.2025

一个用于疲劳驾驶检测的多尺度卷积神经网络

陆全平，曾帅，李芃锐，郜东瑞，陈俊

（成都信息工程大学计算机学院，四川成都610225）

摘要：基于脑电信号（EEG）的评估被认为是驾驶疲劳研究最具有预测性和可靠性的方法之一。然而，该领域的研

究在跨被试研究中仍然具有较低的分类能力，且分类指标没有形成统一标准，因而难以有效区分不同被试的疲劳特

征。许多方法仅是简单地提取时空特征并直接处理数据，同时进行繁琐的参数调整，而忽略了不同受试者EEG表现

的差异。此外，还忽略了不同脑电通道对驾驶疲劳检测的贡献。为了解决上述问题，提出一种基于注意力机制的多

尺度卷积神经网络（MSCNN）。该网络包括多尺度特征提取层、特征识别层和压缩分类层。在多尺度特征提取层中，

该网络能够自动提取来自EEG信号的有效特征。在特征识别层中，对上一层提取的有效特征进行筛选，并最终通过

压缩分类层完成数据分类。通过使用公开的SEED-VIG和自制的模拟疲劳驾驶（SFDE）数据集进行验证，实验结果显

示，MSCNN在SEED-VIG与SFDE数据上的混合实验分类准确率分别为91.36%和92.06%，跨受试者的分类准确率分

别为75.54%和76.52%，均高于当前最先进的方法。此外，通过分析模型的注意力激活权值和大脑拓扑图，研究不同

脑区对分类检测的贡献以及不同频带在两种状态之间的变化趋势，以期为开发更高效的疲劳检测技术提供新的研究

思路。

关键词：脑电信息；疲劳驾驶检测；注意力机制；多尺度

DOI：10.11907/rjdk.241023开放科学（资源服务）标识码（OSID）：

中图分类号：TP18文献标识码：A文章编号：1672-7800（2025）003-0127-10

AMultiscaleConvolutionalNeuralNetworkforFatigueDrivingDetection

LUQuanping，ZENGShuai，LIPengrui，GAODongrui，CHENJun

（SchoolofComputerScience，ChengduUniversityofInformationTechnology，Chengdu610225，China）

Abstract：Assessmentsbasedonelectroencephalographic（EEG）signalsareconsideredtobeoneofthemostpredictiveandreliablemethods

fordrivingfatigueresearch.However，researchinthisareastillhasalowclassificationpowerincross-subjectstudiesandtherearenouniform

standardsforclassificationmetrics，andtherearenorecognisedandvalidatedmethodsforfatiguedetection.Manymethodssimplyextractspa­

tiotemporalfeaturesandprocessthe