计算机工程

作者：李博文, 丁牧恒, 方美华, 朱桂平, 魏志勇, 成巍, 李亚云, 卞双双

单位：1. 南京航空航天大学航天学院, 江苏 南京 2111002. 智慧地球重点实验室, 北京 100094

关键词：脑电图,疲劳度,特征,注意力机制,神经网络模型

疲劳驾驶是导致交通事故的主要因素之一。在人工智能领域, 基于脑电图(EEG)的驾驶疲劳状态分类已成为重要研究方向。近年来, 融合注意力机制的深度学习模型在EEG疲劳识别中得到了广泛应用。以SEED-VIG数据集作为研究对象, 采用ReliefF特征选择算法, 构建基于自注意力、多头注意力、通道注意力、空间注意力机制的卷积神经网络(CNN)、长短期记忆(LSTM)网络和支持向量机(SVM)优化模型。在SEED-VIG数据集提供的EEG数据上的实验结果表明, 基于多模注意力机制的多种神经网络优化模型的准确率、召回率、F1值等指标均得到了有效提升, 其中以平均准确率和标准偏差作为对比参数, 可增强空间与通道信息的卷积块注意力模块(CBAM)-CNN模型的性能最佳, 分别为84.7%和0.66。

来源：2025年第10期

《计算机工程》期刊编辑部

查看计算机工程杂志2025年第10期