シングルチャネルEEGベースの被験者に依存しない眠気認識のための効果的なハイブリッドディープラーニングモデル

今日、睡眠障害の場合に道路事故が深刻なリスクをもたらしています。この問題に対処するための眠気を検出するための新しいハイブリッドディープラーニングモデルを提案しました。提案されたモデルは、離散ウェーブレットの長期記憶（DWLSTM）と畳み込みニューラルネットワーク（CNN）モデルの強度を組み合わせて、単一チャネル脳波（EEG）シグナルを分類します。サポートベクターマシン（SVM）、線形識別分析（LDA）、バック伝播ニューラルネットワーク（BPNN）、CNN、LSTM（CNN+LSTM）とマージされたCNNなどのベースラインモデルは、時間シーケンス情報を完全に活用しませんでした。提案されたモデルには、離散ウェーブレット変換（DWT）と統合されたLSTMレイヤーと、画像としてスペクトログラムが供給されたCNNモデルの間の過半数の投票が組み込まれています。DWTによって生成されたサブバンドから抽出された機能は、生のEEG信号を使用するよりも有益で識別できるものを提供できます。同様に、CNNに供給されたスペクトログラム画像は、さまざまなレベルの眠気のある特定のパターンと機能を学習します。さらに、提案されたモデルは、最先端の深い学習技術と従来のベースライン方法よりも優れており、平均精度は74.62％、77.76％（丸めを使用して、それぞれF1スコア最大化アプローチを使用してラベルを生成するためにラベルを生成するためにラベルを生成するために）を達成しました。- 1つの主題方法。比較的短いトレーニングとテスト時間を維持しながら、高い精度を達成し、眠気をより迅速に検出するためにより望ましいものになりました。パフォーマンスメトリック（精度、精度、リコール、F1スコア）は、100のランダム化テストの後に評価され、分類のための95％の信頼区間が評価されます。さらに、Daubechis、Symlet、Bi-Orthogonal、Coiflets、Haarを含む5種類のウェーブレットファミリからの平均精度を検証し、LSTM層と合併しました。

Nowadays, road accidents pose a severe risk in cases of sleep disorders. We proposed a novel hybrid deep-learning model for detecting drowsiness to address this issue. The proposed model combines the strengths of discrete wavelet long short-term memory (DWLSTM) and convolutional neural networks (CNN) models to classify single-channel electroencephalogram (EEG) signals. Baseline models such as support vector machine (SVM), linear discriminant analysis (LDA), back propagation neural networks (BPNN), CNN, and CNN merged with LSTM (CNN+LSTM) did not fully utilize the time sequence information. Our proposed model incorporates a majority voting between LSTM layers integrated with discrete wavelet transform (DWT) and the CNN model fed with spectrograms as images. The features extracted from sub-bands generated by DWT can provide more informative & discriminating than using the raw EEG signal. Similarly, spectrogram images fed to CNN learn the specific patterns and features with different levels of drowsiness. Furthermore, the proposed model outperformed state-of-the-art deep learning techniques and conventional baseline methods, achieving an average accuracy of 74.62%, 77.76% (using rounding, F1-score maximization approach respectively for generating labels) on 11 subjects for leave-one-out subject method. It achieved high accuracy while maintaining relatively shorter training and testing times, making it more desirable for quicker drowsiness detection. The performance metrics (accuracy, precision, recall, F1-score) are evaluated after 100 randomized tests along with a 95% confidence interval for classification. Additionally, we validated the mean accuracies from five types of wavelet families, including daubechis, symlet, bi-orthogonal, coiflets, and haar, merged with LSTM layers.