Modified TSception for Analyzing Driver Drowsiness and Mental Workload from EEG

📄 arXiv: 2512.21747v1 📥 PDF

作者: Gourav Siddhad, Anurag Singh, Rajkumar Saini, Partha Pratim Roy

分类: cs.HC, cs.CV

发布日期: 2025-12-25

备注: 8 Pages, 3 Figures, 1 Table

DOI: 10.48550/arXiv.2512.21747

💡 一句话要点

提出改进的TSception模型，用于脑电信号分析驾驶员疲劳和精神负荷，提升稳定性和泛化性。

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 脑电信号 驾驶员疲劳检测 精神负荷评估 TSception 深度学习 时间序列分析 自适应池化

📋 核心要点

  1. 现有驾驶员疲劳检测方法在实时性和可靠性方面存在挑战，尤其是在脑电信号处理中，模型稳定性不足。
  2. 提出一种改进的TSception架构，通过分层时间细化、自适应平均池化和两阶段融合机制，提升模型性能。
  3. 实验表明，改进模型在驾驶员疲劳和精神负荷数据集上均表现出更高的精度和稳定性，验证了其有效性。

📝 摘要（中文）

驾驶员疲劳是交通事故的主要原因，因此需要开发实时、可靠的检测系统以确保道路安全。本研究提出了一种改进的TSception架构，旨在利用脑电图(EEG)对驾驶员疲劳进行稳健评估。该模型引入了一种新颖的分层架构，通过实现五层时间细化策略来捕获多尺度大脑动态，从而超越了原始TSception。一个关键的创新是使用自适应平均池化，它提供了结构灵活性来处理不同的EEG输入维度，以及一个两阶段融合机制，优化了时空特征的集成，从而提高了稳定性。在SEED-VIG数据集上进行评估，并与包括SVM、Transformer、EEGNet、ConvNeXt、LMDA-Net和原始TSception在内的既定方法进行比较，改进的TSception获得了83.46%的相当精度（原始TSception为83.15%）。至关重要的是，所提出的模型表现出显著降低的置信区间（0.24 vs. 0.36），表明性能稳定性得到了显著提高。此外，该架构的泛化能力在STEW精神负荷数据集上得到了验证，在二分类和三分类中分别达到了95.93%和95.35%的state-of-the-art精度。这些在一致性和跨任务泛化性方面的改进突出了所提出的修改对于可靠的基于脑电的疲劳和精神负荷监测的有效性。

🔬 方法详解

问题定义：论文旨在解决基于脑电信号（EEG）的驾驶员疲劳和精神负荷检测问题。现有方法，特别是原始TSception模型，在性能稳定性方面存在不足，置信区间较大，并且在不同任务上的泛化能力有待提高。

核心思路：论文的核心思路是通过改进TSception模型，使其能够更有效地捕捉脑电信号中的时空特征，并提高模型的稳定性和泛化能力。具体而言，通过引入更深层次的时间细化策略、自适应平均池化以及优化的特征融合机制来实现这一目标。

技术框架：改进的TSception架构包含以下主要模块： 1. 五层时间细化模块：用于捕捉多尺度的大脑动态信息。 2. 自适应平均池化：用于处理不同维度的脑电信号输入，提供结构灵活性。 3. 两阶段融合机制：用于优化时空特征的集成，提高模型稳定性。

整体流程是：首先，脑电信号经过五层时间细化模块提取多尺度特征；然后，通过自适应平均池化处理不同维度的特征；最后，利用两阶段融合机制将时空特征进行有效整合，用于疲劳或精神负荷的分类。

关键创新：论文最重要的技术创新点在于以下三个方面： 1. 更深层次的时间细化策略：相比原始TSception，使用五层时间细化，能够更全面地捕捉脑电信号的时序信息。 2. 自适应平均池化：允许模型处理不同长度的脑电信号，提高了模型的灵活性和适应性。 3. 两阶段融合机制：优化了时空特征的融合方式，显著提高了模型的稳定性，降低了置信区间。

关键设计： * 时间细化模块：具体实现细节未知，但强调了多尺度特征提取的重要性。 * 自适应平均池化：根据输入特征的维度动态调整池化窗口大小，以适应不同长度的脑电信号。 * 两阶段融合机制：具体融合方式未知，但目标是优化时空特征的整合，提升模型性能。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

改进的TSception模型在SEED-VIG数据集上取得了与原始TSception相当的精度（83.46% vs. 83.15%），但显著降低了置信区间（0.24 vs. 0.36），表明稳定性大幅提升。在STEW精神负荷数据集上，该模型在二分类和三分类任务中分别达到了95.93%和95.35%的state-of-the-art精度，验证了其泛化能力。

🎯 应用场景

该研究成果可应用于开发实时的驾驶员疲劳监测系统，有效预防交通事故。此外，该模型也可扩展到其他需要脑电信号分析的领域，如精神疾病诊断、认知负荷评估和人机交互等，具有广泛的应用前景和实际价值。

📄 摘要（原文）

Driver drowsiness remains a primary cause of traffic accidents, necessitating the development of real-time, reliable detection systems to ensure road safety. This study presents a Modified TSception architecture designed for the robust assessment of driver fatigue using Electroencephalography (EEG). The model introduces a novel hierarchical architecture that surpasses the original TSception by implementing a five-layer temporal refinement strategy to capture multi-scale brain dynamics. A key innovation is the use of Adaptive Average Pooling, which provides the structural flexibility to handle varying EEG input dimensions, and a two - stage fusion mechanism that optimizes the integration of spatiotemporal features for improved stability. When evaluated on the SEED-VIG dataset and compared against established methods - including SVM, Transformer, EEGNet, ConvNeXt, LMDA-Net, and the original TSception - the Modified TSception achieves a comparable accuracy of 83.46% (vs. 83.15% for the original). Critically, the proposed model exhibits a substantially reduced confidence interval (0.24 vs. 0.36), signifying a marked improvement in performance stability. Furthermore, the architecture's generalizability is validated on the STEW mental workload dataset, where it achieves state-of-the-art results with 95.93% and 95.35% accuracy for 2-class and 3-class classification, respectively. These improvements in consistency and cross-task generalizability underscore the effectiveness of the proposed modifications for reliable EEG-based monitoring of drowsiness and mental workload.