Drowsiness Detection Using Brain Signal Recognition Deep Neural Network (BSRDNN)
Notice bibliographique
Résumé
A novel deep learning architecture, brain signal recognition deep neural network (BSRDNN), based on a one-dimensional convolutional neural network model (1D-CNN) and artificial neural network (ANN), is proposed for drowsiness detection from singlechannel electroencephalographic (EEG) data.The effectiveness of the method is shown using the MIT/BIH polysomnographic EEG dataset (MIT/BIH-PED) with more than 80h long-term EEG data collected by a single electrode.EEG signals for 16 subjects were classified by BSRDNN as wakefulness, drowsiness, and sleep.BSRDNN was used via two approaches: Option 1 consists of feature extraction and classification by deep learning; in Option 2, feature and classification are performed by machine learning algorithms, naï ve Bayes (NB), k-nearest neighbours (KNN), random forest (RF), and stochastic gradient descent (SGD).Combined-subject validation was applied extraction to enhance the performance of the proposed technique.Simulations demonstrated better performance in terms of accuracy, recall, F1-score and precision compared to the current state-of-the-art techniques applied to the same dataset: We obtained 92.31% overall accuracy in Option 1, and 94.8-100% in Option 2. The proposed novel BSRDNN model demonstrates clear superiority over those featured in published research that used the same MIT/BIH-PED dataset.It can perform its designated task with less trainable parameters and arithmetic operations compared to other models, resulting in faster training and testing phases.This enhanced speed facilitates quicker drowsiness detection, thereby reducing the overall time required for the process.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».