基于集成学习与特征迁移的视频显示终端作业人员脑疲劳检测

王开元; 何美荣; 彭子帅; 张俊然

doi:10.12404/j.issn.1671-1815.2502024

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (7) :2960-2967 DOI: 10.12404/j.issn.1671-1815.2502024

自动化技术、计算机技术

基于集成学习与特征迁移的视频显示终端作业人员脑疲劳检测

王开元 ¹ ,
何美荣 ¹^,² ,
彭子帅 ¹ ,
张俊然 ¹^,^*

作者信息 +

Brain Fatigue Detection in Visual Display Terminal Operators Based on Ensemble Learning and Feature Transfer

Author information +

文章历史 +

摘要

脑疲劳致视频显示终端(visual display terminal,VDT)作业人员认知效率锐减,威胁人机系统安全,因此对VDT作业人员进行疲劳检测具有重要意义。针对现有脑疲劳生理信号检测方法效果低及不同被试特征分布差异大的问题,首先进行特征选择与融合,基于集成学习提升分类效果,使用特征迁移方法减少被试差异。开展多生理信号的脑疲劳检测实验,通过设计结合心算和2-Back测试的连续计算任务诱导疲劳实验,采集11名志愿者的心电、脑电、皮肤电反应、呼吸和肌电数据,单独使用集成学习策略构建疲劳状态检测模型达到了86.32%的分类准确率,在此基础上结合特征迁移使特征最大均值差异降幅63.1%,令准确率提高至90.60%。实验结果表明使用集成学习与特征迁移结合方法可以取得更高的识别准确率,可以为VDT作业人员多生理信号脑疲劳检测提供技术支持。

Abstract

Brain fatigue in visual display terminal (VDT) operators causes a sharp decline in cognitive efficiency and threatens human-machine system safety, making fatigue detection critically significant. Existing physiological signal-based methods are limited by low effectiveness and high inter-subject feature distribution variability. To address these issues, feature selection and fusion were first performed. Classification performance was improved using ensemble learning, and inter-subject variability was reduced through feature transfer methods. A brain fatigue detection experiment based on multimodal physiological signals was conducted. Fatigue was induced by designing a continuous computational task combining mental arithmetic and 2-Back tests. Physiological data—including electrocardiogram (ECG), electroencephalogram (EEG), galvanic sskin response (GSR), respiration (RESP), and electromyography (EMG)—were collected from 11 volunteers. When only ensemble learning was applied, the fatigue detection model achieved 86.32% accuracy. After integrating feature transfer, the maximum mean discrepancy (MMD) between cross-subject features was reduced by 63.1%, and accuracy improved to 90.60%. The results confirm that the proposed method achieves higher recognition accuracy, providing a robust framework for brain fatigue detection in VDT operators using multimodal physiological signals.

Graphical abstract

关键词

视频显示终端 / 脑疲劳 / 多生理信号 / 集成学习 / 特征迁移

Key words

VDT / brain fatigue / multimodal physiological signals / ensemble learning / feature transfer

引用本文

引用格式 ▾

王开元, 何美荣, 彭子帅, 张俊然. 基于集成学习与特征迁移的视频显示终端作业人员脑疲劳检测[J]. 科学技术与工程, 2026, 26(7): 2960-2967 DOI:10.12404/j.issn.1671-1815.2502024

WANG Kai-yuan, HE Mei-rong, PENG Zi-shuai, ZHANG Jun-ran. Brain Fatigue Detection in Visual Display Terminal Operators Based on Ensemble Learning and Feature Transfer[J]. Science Technology and Engineering, 2026, 26(7): 2960-2967 DOI:10.12404/j.issn.1671-1815.2502024

登录浏览全文

4963

注册一个新账户忘记密码

近年来,视频显示终端(visual display terminal,VDT)^[1]操作人员的脑疲劳状态已成为多种工作场所的常见问题,其诱因包括长时间工作、睡眠不足以及夜班等,它会影响生产力和整体认知功能。这种影响主要体现在注意力、工作记忆、反应时间以及决策能力的变化上^[2],甚至可能造成重大的安全隐患。目前,在交通、医疗保健、建筑等VDT作业的领域都会受到脑疲劳的影响。中国厦门空管安全报告系统的数据表明,约18%的工作差错与管制员疲劳有关^[3]。葡萄牙一家航空公司的调查中发现,91.4%的飞行员因为疲劳出现操作错误^[4]。因此,进行VDT作业人员脑疲劳程度的准确检测,对合理安排任务、保障生产生活安全及提高工作绩效具有重要意义。

脑疲劳检测主要分为主观检测方法和客观检测方法^[5]。主观检测方法采用疲劳自评,如疲劳严重度量表(fatigue severity scale, FSS)^[6]、Samn-Perelli 7-Level^[7],基于嗜睡倾向的评估法,如卡罗琳斯卡嗜睡量表(Karolinska sleepiness scale,KSS)^[8],和基于工作负荷的间接反映如美国国家航空航天局任务负荷指数(National Aeronautics and Space Ad Ministration task load index,NASA-TLX)^[9]。主观检测具有简单易行、适用性高的优点,但面临受作业人员主观影响大、精度低、不易相互比较的问题。最近,多项研究表明由认知工作引起的神经反应可以通过多种客观生理参数来测量,分析多种生理信号可客观地反映人体当前的精神状态^[10]。例如,杨如民等^[11]实验证明脉搏波信号可以有效检测精神疲劳,为采用客观的生理信号检测脑疲劳状态提供了生理基础。在以往的研究中,结合多种生理信号与机器学习模型被广泛应用于各类疲劳检测任务,Hu等^[12]基于脑电(electroencephalogram,EEG)信号,利用梯度提升决策树(gradient boosting decision trees,GBDT)判断驾驶员是否疲劳,其模型准确率达到了94%。Vargas-Lopez等 ^[13]对比了支持向量机(support vector machines,SVM)和多层感知机(multi-layer perceptron,MLP)等不同的机器学习算法,并发现对时间统计特征使用SVM检测压力时表现最为出色。Li等^[14]使用3种学习模型对肌电和心电数据分类,也取得了87.83%的分类准确率。Min等^[15]分别使用线性SVM和相关向量机(relevance vector machine,RVM)对脑电和眼球运动检测驾驶员的精神疲劳取得71.98%的跨被试准确率。段亚等^[16]使用支持向量机对飞行中人员的心电和血氧数据进行疲劳分类,达到了82.6%的综合分类准确率。

近年来,使用多分类器进行分类的方式成为热点研究方向。江润强等^[17]基于肌电信号,使用卷积自编码器提取特征,并将特征依次送入SVM、随机森林(random forest,RF)、K近邻(K-nearest neighbors,KNN)和GBDT等基分类器,通过投票集成的方式,最终获得了92. 82%的准确率。Li等^[18]对5种生理信号,使用四种机器学习模型进行加权决策,最后证明多学习器优于单学习器分类。Min等^[19]使用3种机器学习模型混合策略组成分类器,达到94. 2%的准确率。赵国亮等^[20]基于已有的集成学习模型,使用脉搏波信号提取心率变异性特征进行疲劳分类达到了90.52%准确率。然而,基于单一分类器或分类器简单的加权集成方法往往难以全面捕捉复杂生理信号的特征,且在不同场景下的泛化能力有限。为此,现引用基于Stacking集成学习框架的多分类器融合方法。与传统的加权集成方法相比,Stacking通过引入元分类器对基分类器的输出进行二次学习,能够更好地整合多个基分类器的优势,进一步提升模型的分类性能。此外,不同被试之间的生理特征存在显著差异,这些差异可能源于个体的生理结构、心理状态、环境适应能力以及测量设备的个体敏感性等因素^[21]。由于这些差异,跨被试的生理特征往往难以满足同分布假设,导致传统分类模型在不同被试之间的泛化能力受到严重限制。目前已有多项研究关注跨被试的生理特征对齐,Hong等^[22]使用InstanceEasyTL(instance easy transfer learning)迁移学习模型进行驾驶员疲劳分类,得到了比传统机器学习更高的性能。Zeng等^[23]基于迁移学习的机器学习模型在跨被试精神疲劳检测中实现了更高的准确性。邱轶辉^[24]提出了一种改进的欧氏空间对齐方法,通过对脑电数据进行迁移学习,提高了5%的分类准确率。基于上述研究,现拟采用一种基于特征对齐的迁移学习方法,以期通过学习一种非线性映射函数,将不同被试的特征空间对齐到一个共享的低维子空间中。这种方法能够有效减少因个体差异带来的特征分布差异,显著提升模型在多被试场景中的性能。

综上所述,现提出一种基于集成学习和特征迁移的多生理信号脑疲劳检测方法。首先,设计疲劳诱导实验并对采集的多种生理信号进行预处理,提取时频域特征经特征选择后进行特征融合,使用集成学习框架提升学习器分类效果,然后利用特征迁移方法,减少因不同被试特征分布差异大导致的学习器泛化差的问题,完成脑疲劳状态分类。研究结果可为VDT作业人员多生理信号脑疲劳检测提供技术支持。

1 实验设计和特征选取

1.1 实验人员

本次实验被试人员为11 名大学生组成,其中全为男性,年龄21~25 岁[(22. 9±1.6)岁]。所有的志愿者都有正常的睡眠模式,视力正常或矫正到正常,没有精神病史,习惯使用右手。实验中要求被实在实验前24 h内规律作息,避免饮用酒精、咖啡、茶等精神兴奋型饮料。

1.2 数据采集

实验全程要求被试人员佩戴生理信号采集设备,采集设备使用MP150多通道生理信号采集仪,由美国BIOPAC Systems,Inc.生产的MP150多通道生理信号采集系统包括多个采集和输出通道,具有多个信号模块。可以自主调整采样频率,满足不同信号的采集频率设置要求,本次设置全通道为1 000 Hz。所测五种生理信号佩戴位置分别为:①心电的正、负、地三导联电极分别放置在左下肢、右上肢及右下肢;②脑电信号采用单通道,贴片位于左额差分测量;③呼吸信号使用呼吸绑带,贴近缠绕于胸腔上侧;④肌电信号采用斜方肌处测量;⑤皮肤电导信号将传感器放置于左手无名指与中指指肚。

1.3 实验流程

实验开始前,参与者阅读并签署知情同意书,填写人口统计学问卷(包括年龄、睡眠时间等基本信息),并接受实验指导及任务练习。随后,佩戴生理信号采集设备及相关传感器,确保设备连接稳定。

实验正式开始后,参与者首先填写疲劳程度量表(包括疲劳严重度量表FSS和卡罗琳斯卡嗜睡量表KSS),随后进行15 min的静息态生理信号采集。接着,参与者完成40 min的高强度心算任务和2-Back任务以模拟连续VDT工作任务从而诱导疲劳,之后再次进行15 min静息态生理信号采集,并填写疲劳程度量表以评估疲劳状态变化。整个实验过程由专业人员监督,确保流程标准化和数据准确性。实验流程如图1所示。

1.4 信号预处理

共采集11名被试的5项生理信号数据及其主观量表评分。经数据清洗后,剔除掉3名不合格被试。对采集的原始信号首先手动删除异常数据段及伪迹部分,然后进行滤波处理,使用AcqKnowledge 4.2.1 软件首先进行50 Hz的带阻滤波来去除线频干扰,然后进行带通滤波。每种信号滤波的频带范围如表1所示。

1.5 特征提取

对采集数据按照30 s的滑动长度,90 s的窗口宽度进行样本划分。最后得到389个可用样本(其中非疲劳状态样本200个,疲劳状态样本189个),使用预处理后的数据提取共27个时域和频域特征,特征如表2所示。其中心电频率特征低频和高频段分别为0.04~0.15 Hz和0.15~0.4 Hz频段。脑电特征频率分段标准为:β(4~8 Hz)、α(8~13 Hz)和θ(13~30 Hz)。

1.6 特征筛选

使用机器学习进行模型训练时特征过多会增加分类器的复杂度,造成过拟合,降低分类器的泛化能力。且被试会因过多的佩戴传感设备导致被试人员状态波动,不利于生理信号的分析。因此需要找到有效生理指标,提高分类的效率和准确率。

使用随机森林特征重要性可以得到27个特征对标签的影响程度^[25],结果如图2所示,可以看到,呼吸信号的RESP_cap和心电信号的NN50重要性影响最小,将其剔除。

为保证特征的独立性,须分析特征之间的相关程度。使用Pearson相关系数^[18]来计算相关矩阵。Pearson相关系数r反映了两个变量x和y之间的线性相关程度。r的值在-1~1,绝对值越大相关性越强。

给定两个变量的相关系数定义为

(1)r_x_,_y=$\frac{E\left(xy\right)-E\left(x\right)E\left(y\right)}{\sqrt{E\left({x}^{2}\right)-E{\left(x\right)}^{2}}\sqrt{E\left({y}^{2}\right)-E{\left(y\right)}^{2}}}$

式(1):E(·)为变量均值。

因此,两个特征间的相关系数绝对值越大,其相互替代性越强。相关程度高于0.8阈值的特征对如表2所示。有7对特征的相关程度很强,RMSSD与SDSD以及EMG_integral与EMG_ mean两对特征相关系数均为1,NN50与PNN50相关性为0.99,EMG_rms与EMG_absi、E_θ/β与E_{(α+θ)/(α+β)}以及E_θ/β与E_(α+θ)/β特征相关性均大于0.9,E_(α+θ)/β与E_{(α+θ)/(α+β)}相关性为0.83,综合重要性排序,删除掉5个冗余特征:RMSSD、EMG_integral、EMG_absi、E_{(α+θ)/(α+β)}、E_θ/β。经过特征选择过程,最终选择了21个高重要性和低冗余度的生理特征,作为用于后续分类的最优特征子集。

2 多生理信号的分类方法

2.1 集成学习

Stacking算法框架涉及使用样本集分别使用交叉验证训练多个基学习器,随后将这些基学习器的输出结果作为新的训练集来训练次级元学习器。这种方法旨在同时满足“准确性”和“差异性”的要求。算法流程如图3所示。

符号定义:数据集为D=

$\left\{\right({x}_{i},{y}_{i}{\left)\right\}}_{i=1}^{n}$

,其中x_i={F_ecg,F_eeg,F_resp,F_emg,F_gsr}∈R^n_f,F_*表示生理信号*对应的特征集合,y_i为标签,定义疲劳状态为1,非疲劳状态为0。基学习器集合为

$\{{L}_{j}{\}}_{j=1}^{T}$

,共T个基学习器,元学习器为M,用于融合基学习器输出,交叉验证折数为K。

对每个基学习器L_j,通过K-折交叉验证生成伪标签(元特征),即

(2)X_meta=[P₁,P₂,…,P_T]∈Rⁿ^×^T

式(2)中:P_j=CrossVal(L_j,D,K),以元特征和原始标签训练元学习器,即

(3)y^meta=M(X_meta)

对于测试样本x_new,最终输出为

(4)${\hat{y}}_{final}$=M([L₁,L₂,…,L_T])x_new

式(4)中:

${\hat{y}}_{final}$

为目标域样本脑疲劳状态预测。

2.2 特征迁移

特征迁移通过领域适应方法解决不同被试之间的分布差异问题^[26],具体采用特征迁移方法为迁移成分分析(transfer component analysis, TCA)^[27],具体而言,通过将所有包含生理特征的样本划分为源域和目标域数据,该方法通过学习一种映射函数,可以使源域数据和目标域数据共同降维到一个低维子空间中^[22],用来解决边缘分布不同,减少因个体差异带来的特征分布差异。

假定源域数据为X_S,目标域数据为X_T,目标是学习一个映射φ,使得源域和目标域生理特征在映射后的特征空间中分布差异最小化。

引入核函数K将数据映射到再生核希尔伯特空间(reproducing kernel Hilbert space,RKHS),即

(5)K=$\left[\begin{array}{ll}{K}_{S,S}& {K}_{S,T}\\ {K}_{T,S}& {K}_{T,T}\end{array}\right]$

式(5)中:K∈R⁽ⁿ⁺^m^)×(^m⁺ⁿ⁾,其中4个核矩阵分别表示源域与目标域之间的核矩阵。使用最大均值差异(maximum mean discrepancy,MMD)度量源域与目标域之间的分布差异,即

(6)$\operatorname{MMD}\left(X_{\mathrm{S}}, X_{\mathrm{T}}\right)=\left\|\frac{1}{n} \sum_{i=1}^{n} \varphi\left(x_{\mathrm{S} i}\right)-\frac{1}{m} \sum_{j=1}^{m} \varphi\left(x_{\mathrm{Tj}}\right)\right\|^{2}$

式(6):φ(x)为特征映射方式;x_S_i与x_T_j分别为源域与目标域样本特征。

在核空间中,MMD可以表示为

(7)MMD(X_S,X_T)=tr(KL)

式(7)中:L为标签矩阵,定义为

(8)L_ij=$\left\{\begin{array}{ll}\frac{1}{{n}^{2}},& {x}_{i},{x}_{j}\in {X}_{S}\\ \frac{1}{{m}^{2}},& {x}_{i},{x}_{j}\in {X}_{T}\\ -\frac{1}{nm},& \mathrm{其}\mathrm{他}\end{array}\right.$

式(8)中:x_i为源域或目标域第i个样本。

综合目标函数和约束条件,TCA的优化问题为

(9)

$\left\{\begin{array}{l}\underset{w}{min}tr\left({W}^{T}KLKW\right)+\mu tr\left({W}^{T}W\right)\\ s.t. {W}^{T}KHKW=I\end{array}\right.$

式(9)中:W为映射矩阵;μ为正则化参数;H=I-

$\frac{1}{n+m}$

11^T为中心化矩阵;I为单位矩阵;1为元素全为1的向量。

通过拉格朗日乘子法,将优化问题转化为广义特征值问题进行求解,即

(10)(KLK+μI)W=λKHKW

式(10)中:λ为折中系数,求解前k个最小特征值对应的特征向量,得到映射矩阵W,可将源域和目标域生理特征数据映射到同一低维空间,此时进行跨被试的疲劳检测,使用部分被试生理数据训练模型,对其余被试进行检测,可以取得较好的检测效果。

3 实验结果及分析

3.1 疲劳诱导实验结果

9名被试主观量表结果如表3所示,FSS与KSS量表均为分数越高,则疲劳程度越高,表3中评分对比可以证明疲劳诱导实验合理性,利用两两配对T检验比较得FSS和KSS量双尾P分别为0.043和0.012,均小于0.05,认为疲劳诱导实验前后被试的疲劳程度存在显著性差异。由两个主观量表评分情况可以证明所设计实验可以明显区分出疲劳与非疲劳状态,证明采集数据标签的合理性。

3.2 集成学习分类器选择

3.2.1 集成学习分类器

首先确定最终分类器,为后续特征迁移部分做基础。选择了6种经典的机器学习分类模型,分别为RF、SVM、KNN、逻辑回归(logistic regression,LR)、朴素贝叶斯(naive Bayes,NB)和GBDT,使用留1交叉验证。单一学习器的平均分类指标如表4所示。

针对Stacking集成学习算法,基学习器的选择从上述6种机器学习模型中进行组合,元学习器选择对二分类任务分类性能较好的SVM。根据实验结果列出分类性能指标,由于不同组合有57种情况,选取平均准确率排名前7的分类器组合列出如表5所示。

综合分析表5,可以看到KNN+LR+NB的分类效果最好,可以达到86.32%的最高分类准确率,精确率也显著高于其他模型组合,且只需要3个基学习器,因此此组合可以作为本文集成模型的最终分类器。

比较1号与7号可以发现,在KNN+LR组合基础上分别加入NB与RF,NB分类效果远不如RF,但是组合结果确实加入NB效果更好,这说明但分类效果最好的分类器进行组合并不一定适合作为集成学习的基学习器组合。

3.2.2 学习器相关性分析

在对比分析两个分类器的预测性能时,可采用Pearson相关系数作为衡量其相关程度的标准。具体而言,设两个分类器的输出分别为变量X和Y,通过计算Pearson相关系数,可以客观地评估两者预测结果之间的线性关系紧密程度。

相关性图如图4所示,效果最佳的KNN、LR和NB组合间关联度较低,低相关性表明各学习器捕获了不同特征,有助于从多个角度理解生理特征,从而提升集成模型的泛化能力。比较表5中2号与4号组合,分别是在RF+KNN+NB基础上加入SVM与GBDT,而GBDT与RF、KNN和NB的预测相关性较SVM略高,但分类性能较低。因此在选择Stacking基学习器时,基学习器的预测关联程度可以快速缩小组合范围,体现集成学习“差异性”特点。

3.3 特征迁移效果

采用TCA来减小源域和目标域之间的分布差异,具体使用了径向基函数(radial basis function,RBF)核,通过其非线性映射能力更好地捕捉数据间的复杂关系。通过调整参数如子空间维度、正则化系数和核带宽,优化了TCA的性能。最终设置参数降维至15、正则化系数设置为0.84,核带宽设置为0.88。

特征迁移前后的数据对比情况如图5所示。特征迁移之前,对于选取的源域与目标域数据,对于同一特征,其均值与方差有所差别,可见特征分布并不相同。经过特征迁移后,数据分布呈现出近乎一致的数据分布状态,可以满足机器学习对数据独立同分布的基本要求。其次迁移之后对数据维度进行压缩,可以有效降低分类器的复杂度,对分类器的有效学习与训练能力进行提高,从而提升泛化能力。

迁移前源域与目标域特征的最大均值差异MMD为0.012 2,表明两域分布存在显著差异;经特征迁移后降至0.004 5(降幅63.1%),分布一致性显著提升。该量化指标直观验证了特征迁移可以有效消除域间差异,采用3.2节所述分类模型对迁移后的样本进行分类,最终达到90.60%的高分类准确率,显著提升了跨被试脑疲劳分类效果。

3.4 测试结果分析

如图6所示为测试集中9 名被试的分类效果,包括准确率、召回率和F₁ 分数。其中3名被试的分类准确率达到100%,另有3名被试的分类准确率在90%左右。分类效果最不理想的是9号被试,其分类准确率仅为66.7%。对9号被试进行综合分析,并结合其生理特征进行对比,发现其心电和脑电的频域指标在实验前后的变化并不显著。同时,该被试在主观量表上的评分情况为:FSS量表实验前为2.67分,诱导之后为2.78分;KSS量表实验前为2分,诱导之后为4分。前后差异也较小,这表明其疲劳程度可能并未得到充分诱导,进而使得其生理信号特征缺乏足够的区分度。经了解9号被试年龄21 岁,且心算能力较强,这些因素可能导致其较难被诱导至疲劳状态。

4 结论

针对VDT作业人员脑疲劳检测任务中单一分类器分类效果差、跨被试生理信号特征分布差异大导致的泛化能力差的问题,提出了一种基于集成学习和特征迁移的多生理信号脑疲劳检测方法。得到如下结论。

(1)使用集成学习方法对多模态生理信号进行分类可以有效提升分类性能。通过Stacking集成学习框架融合K近邻、逻辑回归和朴素贝叶斯的基分类器,结合心电、脑电、呼吸等多生理信号时频特征,在未引入迁移学习的情况下实现了86.32%的分类准确率,验证了集成学习多分类器融合对提升模型分类性能的关键作用。

(2)特征迁移可以显著缓解跨被试泛化问题。通过使用迁移成分分析,模型跨被试分类准确率进一步提升至90.60%,有效缓解了被试间生理信号分布差异的挑战,提高模型的泛化能力。

然而,本次实验样本量较小,并且缺乏实际任务场景下采集数据。未来工作可进一步扩大数据规模,并探索与更多模态信号(如眼动、语音)的融合。其次,当前工作采用特征级拼接融合,未来可构建图神经网络实现多模态信号的时空关联建模。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	姜子奇. VDT作业中体力负荷与脑力负荷作用机制的研究[D]. 扬州: 扬州大学, 2024.

[2]	Jiang Ziqi. Research on the mechanisms of physical workload and mental workload in VDT work[D]. Yangzhou: Yangzhou University, 2024.

[3]	Jia H Q, Lin C J, Wang E M. Effects of mental fatigue on risk preference and feedback processing in risk decision-making[J]. Scientific Reports, 2022, 12(1): 1-9.

[4]	汪磊, 孙瑞山. 空中交通管制员疲劳状态实时监测方法的实现[J]. 安全与环境工程, 2013, 20(4): 87-91.

[5]	Wang Lei, Sun Ruishan. Implementation of real-time monitoring method for the fatigue of air traffic controllers[J]. Safety and Environmental Engineering, 2013, 20(4): 87-91.

[6]	张荣, 梁馨月. 航空人员疲劳检测方法研究[J]. 计算机工程与应用, 2024, 60(20): 84-95.

[7]	Zhang Rong, Liang Xinyue. Review of research on fatigue detection methods for aviation personnel[J]. Computer Engineering and Applications, 2024, 60(20): 84-95.

[8]	Imran M A A, Nasirzadeh F, Karmakar C. Designing a practical fatigue detection system: a review on recent developments and challenges[J]. Journal of Safety Research, 2024, 90: 100-114.

[9]	张瑞, 朱天军, 邹志亮, 等. 驾驶员疲劳驾驶检测方法研究综述[J]. 计算机工程与应用, 2022, 58(21): 53-66.

[10]	Zhang Rui, Zhu Tianjun, Zou Zhiliang, et al. Review of research on driver fatigue driving detection methods[J]. Computer Engineering and Applications, 2022, 58(21): 53-66.

[11]	Chang Y H, Yang H H, Hsu W J. Effects of work shifts on fatigue levels of air traffic controllers[J]. Journal of Air Transport Management, 2019, 76: 1-9.

[12]	Torbjörn A, Mats G. Subjective and objective sleepiness in the active individual[J]. International Journal of Neuroscience, 1990, 52(1/2): 29-37.

[13]	邵舒羽, 吴锦涛, 张朋, 等. 人机交互下智能仓储物流拣选操作者脑力疲劳[J]. 科学技术与工程, 2023, 23(19): 8279-8287.

[14]	Shao Shuyu, Wu Jintao, Zhang Peng, et al. Mental fatigue of intelligent warehouse logistics picking operators in human-computer interaction[J]. Science Technology and Engineering, 2023, 23(19): 8279-8287.

[15]	Gündoğdu S, Doğan E A, et al. Assessment of mental fatigue and stress on electronic sport players with data fusion[J]. Medical & Biological Engineering & Computing, 2021, 59: 1691-1707.

[16]	杨如民, 雷倩, 余成波. 基于蝙蝠算法-随机森林分类算法和脉搏波的精神疲劳检测算法[J]. 科学技术与工程, 2022, 22(4): 1495-1501.

[17]	Yang Rumin, Lei Qian, Yu Chengbo. Pulse wave mental fatigue detection algorithm based on BA-RFC[J]. Science Technology and Engineering, 2022, 22(4): 1495-1501.

[18]	Hu J, Min J. Automated detection of driver fatigue based on EEG signals using gradient boosting decision tree model[J]. Cognitive Neurodynamics, 2018, 12: 431-440.

[19]	Vargas-Lopez O, Perez-Ramirez C A, Valtierra-Rodriguez M, et al. An explainable machine learning approach based on statistical indexes and SVM for stress detection in automobile drivers using electromyographic signals[J]. Sensors, 2021, 21(9): 3155.

[20]	Li D, Chen C. Research on exercise fatigue estimation method of Pilates rehabilitation based on ECG and sEMG feature fusion[J]. BMC Medical Informatics and Decision Making, 2022, 22(1): 67.

[21]	Min J, Cai M, Gou C, et al. Fusion of forehead EEG with machine vision for real-time fatigue detection in an automatic processing pipeline[J]. Neural Computing and Applications, 2023, 35: 8859-8872.

[22]	段亚, 冯月, 彭冉, 等. 面向飞行作业人员的实时疲劳监测模型研究[J]. 飞行力学, 2024, 42(2): 68-74.

[23]	Duan Ya, Feng Yue, Peng Ran, et al. Research on real-time fatigue monitoring model for flight operators[J]. Flight Dynamics, 2024, 42(2): 68-74.

[24]	江润强, 陈兰岚, 谌鈫. 基于单模态生理信号无监督特征学习的驾驶压力识别[J]. 华东理工大学学报(自然科学版), 2021, 47(4): 475-482.

[25]	Jiang Runqiang, Chen Lanlan, Chen Qin. Driving stress detection based on unsupervised feature learning of single module physiological signal[J]. Journal of East China University of Science and Technology, 2021, 47(4): 475-482.

[26]	Li Y, Li K, Wang S, et al. Pilot behavior recognition based on multi-modality fusion technology using physiological characteristics[J]. Biosensors, 2022, 12: 404.

[27]	Min J, Xiong C, Zhang Y, et al. Driver fatigue detection based on prefrontal EEG using multi-entropy measures and hybrid model[J]. Biomedical Signal Processing and Control, 2021, 69: 102857.

[28]	赵国亮, 刘强, 陈泽平, 等. 基于可解释的麻雀优化随机森林算法的驾驶疲劳检测方法[J]. 科学技术与工程, 2024, 24(30): 13161-13169.

[29]	Zhao Guoliang, Liu Qiang, Chen Zeping, et al. Driving fatigue detection based on interpretable sparrow search algorithm optimized random forest algorithm[J]. Science Technology and Engineering, 2024, 24(30): 13161-13169.

[30]	邱轶辉, 江琼, 魏玲玲, 等. 基于迁移学习的跨被试脑电疲劳驾驶检测[J]. 南昌大学学报(理科版), 2023, 47(4): 397-402.

[31]	Qiu Yihui, Jiang Qiong, Wei Lingling, et al. Transfer learning-based cross-subject EEG fatigue driving detection[J]. Journal of Nanchang University (Natural Science), 2023, 47(4): 397-402.

[32]	Hong Z, Zhang J, Wael Z, et al. Instance easy TL: an improved transfer-learning method for EEG-based cross-subject fatigue detection[J]. Sensors, 2020, 20: 7251.

[33]	Zeng H, Li X, Borghini G, et al. An EEG-based transfer learning method for cross-subject fatigue mental state prediction[J]. Sensors, 2021, 21: 2369.

[34]	邱轶辉. 基于改进的欧式空间对齐和多特征融合迁移学习的跨被试疲劳驾驶识别模型[D]. 南昌: 南昌大学, 2023.

[35]	Qiu Yihui. Cross-subject fatigue driving recognition model based on improved euclidean space alignment and multi-feature fusion transfer learning[D]. Nanchang: Nanchang University, 2023.

[36]	Wang Z, Wang Y. Emotion recognition based on multimodal physiological electrical signals[J]. Frontiers in Neuroscience, 2025, 19: 1512799.

[37]	Liu Y, Lan Z, Cui J, et al. Inter-subject transfer learning for EEG-based mental fatigue recognition[J]. Advanced Engineering Informatics, 2020, 46: 101157.

[38]	Pan S J, Tsang I W, Kwok J T, et al. Domain adaptation via transfer component analysis[J]. IEEE Transactions on Neural Networks, 2011, 22(2): 199-210.

基金资助

国家自然科学基金民航联合基金重点项目(U2333209)

惠科光电横向项目(25H1324)

四川大学-自贡市校地合作项目(2023CDZG-8)

成都市科技计划(2024-YF05-01588-SN)

PDF (4479KB)

访问

被引

详细

导航

Received	Published	Revised
2025-03-25	2026-03-08	2025-12-10
Online Date
2026-07-09

摘要