基于通道加权的多模态特征融合用于EEG疲劳驾驶检测

程文鑫,闫光辉,常文文,吴佰靖,黄亚宁

Channel-weighted multimodal feature fusion for EEG-based fatigue driving detection

Wenxin CHENG,Guanghui YAN,Wenwen CHANG,Baijing WU,Yaning HUANG

表 5 相同数据集及相同分类任务下不同模型的对比实验结果

Tab.5 Comparative experimental results of different models with the same dataset and the same classification task

方法 A P S M F1 D1 D2 D1 D2 D1 D2 D1 D2 D1 D2 RF[26] 0.740 0 0.668 0 0.740 0 0.698 9 0.540 0 0.639 8 0.260 0 0.332 0 0.540 0 0.611 1 LSTM[27] 0.881 3 0.853 5 0.914 7 0.889 0 0.884 6 0.877 4 0.118 7 0.146 5 0.898 2 0.857 7 EEG-Conv[28] 0.779 6 0.802 2 0.853 9 0.882 6 0.585 3 0.662 5 0.220 4 0.197 8 0.632 7 0.652 4 EEG-TCNet[29] 0.813 3 0.851 5 0.697 7 0.800 5 0.674 3 0.700 4 0.186 7 0.148 5 0.674 3 0.708 8 EEGNet[30] 0.798 9 0.643 5 0.745 2 0.625 5 0.752 2 0.653 1 0.201 1 0.356 5 0.744 2 0.621 1 ESTCNN[31] 0.790 6 0.772 4 0.767 1 0.797 9 0.789 8 0.766 5 0.209 4 0.227 6 0.779 6 0.795 8 CSF-GTNet[15] 0.821 1 0.841 5 0.772 3 0.833 4 0.843 3 0.841 9 0.178 9 0.158 5 0.780 9 0.814 9 T-A-MFFNet[5] 0.858 6 0.865 4 0.733 9 0.892 3 0.826 5 0.843 7 0.141 4 0.134 6 0.777 4 0.800 5 本研究方法 0.933 7 0.907 8 0.955 9 0.924 6 0.934 5 0.919 7 0.066 3 0.092 2 0.945 1 0.922 1