当前位置：首页 > news >正文

基于连接感知的实时困倦分类图神经网络

news 来源：原创 2025/5/15 11:12:09

疲劳驾驶是导致交通事故的主要原因之一。脑电图(EEG)是一种直接从大脑活动中检测睡意的方法，已广泛用于实时检测驾驶员的睡意。最近的研究表明，使用基于脑电图数据构建的大脑连接图来预测困倦状态的巨大潜力。然而，传统的脑连接网络与下游预测任务无关。本文提出了一种使用自注意机制的连接感知图神经网络(CAGNN)，该网络可以通过端到端训练生成与任务相关的连接网络。

研究方法

研究方法基于实时监测驾驶员的脑电活动，以检测其是否处于疲劳状态。使用EEG作为检测手段，因为它能直接测量大脑活动，而且不会引起隐私问题，也不会受到面部遮挡和光照变化的影响。方法达到了72.6%的准确率，并且优于其他卷积神经网络(cnn)和基于困倦驾驶数据集的图生成方法。此外，引入了一个挤压和激励(SE)块来捕获重要特征，并证明SE注意评分可以揭示最重要的特征波段。比较了困倦状态和清醒状态下生成的连接图，发现困倦状态下的连接模式，包括枕部连接和区域间连接显著减少。

使用的模型分析

论文提出了一种名为Connectivity-Aware Graph Neural Network (CAGNN)的模型，该模型利用自注意力机制生成与任务相关的连接图，并通过端到端训练进行优化。

数据集和预处理

数据集来源：数据集收集于台湾国立交通大学的脑研究中心，收集自27名健康受试者(年龄范围:22至28岁)在驾驶模拟器中进行的62次记录，每次记录时间超过90分钟。

EEG记录：32通道EEG，包括一个接地电极和一个参考电极，采样率为500Hz。在任务过程中，随机诱导车道偏离事件使汽车向左或向右漂移。受试者被要求尽快做出反应，将车开回车道中央。在两个连续的试验之间，有一个随机的休息时间，从5到10秒不等，以防止参与者预期潜在的偏差。通过测量反应时间(RT)来评价驾驶员的表现。

预处理步骤：
- 使用1Hz和50Hz的有限脉冲响应(FIR)滤波器进行带通滤波。
- 使用EEGLAB的自动伪迹去除(AAR)插件去除伪迹，适合实时应用。
- 移除反应时间小于100ms的试验，以排除偶然的非响应。
- 下采样至128Hz，并提取刺激前5秒的样本。

符合条件的试验按以下程序选择:

1)两类样本均少于40个的试验被丢弃。

2)通过选择本地RT最短(警觉类)或最长(困倦类)的最具代表性的样本来平衡每个会话的样本[17]。

3)对于具有相同主题的多个会话，我们选择样本最多的会话。

从平衡数据集中的11个受试者中获得了1880个样本，从自然不平衡数据集中获得了2848个样本。获得了一个规模为1880个样本× 30个通道× 640个时间点的平衡数据集和一个规模为2848个样本× 30个通道× 640个时间点的不平衡数据集：

CAGNN模型结构

1.节点构建：每个EEG通道的数据被视为图中的一个节点。首先，将5秒的EEG样本分割成10个0.5秒的时间段，并通过快速傅里叶变换（FFT）将这些时间段转换到频域，保留与疲劳相关的特定频率带（delta, theta, alpha, beta）。

2.特征提取：使用FFT转换后的频率特征，仅保留正频率以消除冗余。

3.Squeeze-and-Excitation (SE) 块：

Squeeze操作：通过全局池化操作聚合特征向量，减少通道和时间维度，生成一个特征表示。
Excitation操作：使用全连接层和激活函数（ReLU和sigmoid）来学习特征的加权表示，这些权重用于调节输入特征的重要性。SE块在不同频率特征(上表)和包括delta、theta、alpha和beta波段(下表)的频带上的注意得分：

4.自注意力机制：利用SE块的输出来生成任务相关的连接图。自注意力机制通过学习输入特征向量之间的相关性来构建邻接矩阵，这个过程是端到端的，意味着它是在训练过程中自动优化的。

5.图神经网络（GNN）编码：

使用一个变体的扩散卷积循环神经网络（DCRNN），该网络使用扩散卷积门循环单元（DCGRU）来编码EEG数据的时空依赖性。
DCGRU单元：代替了传统的门控循环单元（GRU）中的矩阵乘法操作，通过扩散卷积来更新节点特征。

6.图卷积：在DCRNN中，使用ChebNet谱图卷积来执行扩散卷积，这允许模型在图结构中传播节点特征，捕捉节点的局部和全局依赖性。

7.分类器：

通过最大池化层沿着节点维度聚合特征，然后使用两个全连接层（32×16和16×2）来输出两类的概率。

使用二元交叉熵损失函数来训练网络，Adam优化器进行模型训练，初始学习率为1e−3，并采用余弦退火权重衰减策略，所有模型训练30个epoch。

实验结果详细总结

性能分析

由于受试者数量较少，研究者采用了留一法交叉验证来评估模型性能。在每个训练周期中，一个受试者的数据被用作测试集，其余数据用于训练。所有实验重复五次，每次使用不同的随机种子，以确保结果的稳定性和可靠性。将CAGNN模型的性能与最先进的CNN模型进行了比较，包括EEGNet和ShallowConvNet，以及最近开发的一个名为InterpretableCNN的模型：

模型比较

CAGNN与其他几种先进的卷积神经网络（CNN）模型进行了比较，包括EEGNet、ShallowConvNet和InterpretableCNN。

InterpretableCNN最初只用于离线分析，但为了适应实时应用，研究者对其进行了重新实现，以便在评估模式下处理单个样本而非样本集合：

评估指标

准确率：CAGNN模型在平衡数据集上的平均准确率达到70.5%，比不包含SE块的模型高出约1%。
F1分数：CAGNN在F1分数上也表现优异，这表明模型在精确度和召回率之间取得了良好的平衡。
精确度和召回率：这些指标用于进一步评估模型在二元分类任务中的表现，CAGNN在这些指标上同样优于比较模型。

注意力分数分析

SE块的注意力分数：研究者展示了SE块学习到的注意力分数，并发现theta频带的注意力分数最高：
特征频带重要性：基于SE注意力分数，研究者进一步训练了模型，仅使用theta频带特征，发现准确率提高了2%。

不同频带的性能

theta频带：使用theta频带特征的CAGNN模型达到了72.6%的准确率和70.7%的F1分数。
其他频带：delta和alpha频带的特征也对模型性能有正面影响，而beta频带特征则表现不佳，这可能与beta特征在疲劳和警觉样本中共存有关。

不平衡数据集上的表现

CAGNN在不平衡数据集上的表现也进行了评估，尽管准确率略低于平衡数据集，但在F1分数、精确度和召回率等指标上仍然优于比较方法：

研究者比较了CAGNN生成的疲劳和警觉状态下的连接图，发现了枕部连接减少等特征。通过遮挡特定EEG片段并观察模型输出的变化，研究者能够识别模型预测中重要的EEG片段。

研究者分析了自注意力、GNN和GRU等模型组件对性能的影响，发现每个组件都对提高模型性能有贡献。SE块不仅提高了性能，还通过注意力分数揭示了信息特征，有助于特征选择。

结论

模型优势：CAGNN模型在实时疲劳驾驶分类任务中表现出色，无论是在平衡还是不平衡数据集上。
神经生理学解释：模型生成的连接图提供了有关疲劳状态下大脑连接变化的见解，例如枕部和顶叶连接的降低。

新的连接感知图神经网络(CAGNN)，它同时具有连接感知和任务感知，用于平衡和不平衡数据集的实时困倦分类。引入SE块来突出最重要的特征，并通过端到端训练的自注意机制与我们的GNN模型生成图。此外，这种方法不仅提高了我们的模型的性能，而且还提供了有意义的神经生理学解释在困倦状态下的大脑连接，该方法可应用于驾驶员困倦实时监测系统中。