困倦EEG信号建模及机器学习算法优化对驾驶员困倦检测的研究

智能系统与应用15（2022）200100研究数据预处理、超参数调整和机器学习算法类型在改善困倦EEG中的作用信号建模法尔博德·法尔汉吉地理信息技术K.N.大地测量与地球信息工程学院卓越中心Toosi技术大学，德黑兰19967-15433，伊朗A R T I C L EI N FO保留字：数据预处理驾驶员嗜睡EEG超参数调优机器学习A B S T R A C T驾驶员困倦会导致致命的道路交通事故。疲劳驾驶对脑电信号的影响是显而易见的。因此，利用机器学习（ML）对EEG信号进行分类被认为是可靠且准确的困倦检测技术。ML算法的类型、数据预处理和超参数的调整对分类结果有很大影响。本文在模拟实验中测量了20名受试者的困倦脑电信号。决策树、额外树、K最近邻、多层感知器、随机森林和支持向量分类的Si x ML算法使用不同的方法进行训练和交叉验证，以了解数据预处理和调整ML超参数如何改善困倦EEG信号建模。结果表明，ML算法的类型对建模精度和建模误差的影响比建模方法更显著。数据预处理通常改善建模结果。但是用随机搜索方法调整超参数并没有帮助。算法的比较表明，基于树的集成算法（额外的树和随机森林）是最准确的模型。它们对于困倦EEG信号建模的实时应用更实用1. 介绍疲劳驾驶每年造成许多人死亡和受伤。因此，许多论文试图评估驾驶员困倦检测技术。通常，存在三种类型的基于传感器的困倦驾驶监测技术：基于车辆的、基于驾驶员行为的和基于生理的（Sahayadhas等人，2013年）。基于车辆的技术使用诸如车辆速度、方向盘角度、车道偏离等车辆参数来检测困倦驾驶（Ramzan等人，2019年）。这些参数可以通过在车辆上安装传感器来测量，天气条件和道路几何形状等外部因素会影响它们的测量。因此，基于载体的技术是有限的（Ingre等人，2006年）。基于驾驶员行为的技术通过观察困倦驾驶员的头部和面部的各种症状来检测驾驶员困倦。这些技术测量和分类症状，如眨眼，闭眼率，头部位置，面部表情，打哈欠等，为了检测困倦（Ramzan等人，2019年）。这些症状通过在车辆驾驶室中安装摄像头来监测。不利的照明条件和戴口罩或眼镜是一些可能显著降低结果质量的因素（Sahayadhas等人， 2013年）。驾驶员身体状况如脑电波、心率、脉率、呼吸频率、呼吸频率、体温等，在基于生理学的技术中测量（Ramzan等人，2019年）。与基于车辆和基于驾驶员行为的技术不同，生理信号在困倦的早期阶段开始改变。它们可以用来检测驾驶员此刻的困倦。因此，基于生理学的技术更可靠和准确（Sahayadhas等人，2013年）。生理信号需要电极直接放置在驾驶员的身体上，这有时使得它们的实现困难（Ramzan 等人，2019年）。驾驶员困倦影响驾驶员的精神能力（Dahal等人， 2011年）。这些影响可以在驾驶员的脑电波中观察到可以使用EEG信号来监测脑波，并且EEG信号的功率随着驾驶员变得困倦而改变（Eoh等人，2005; Gharagozlou等人，2015年）的报告。在所有生理信号中，EEG 信 号 在 相 同 位 置 更 精 确 地 检 测 驾 驶 员 困 倦 （ Li Chung ，2015&）。因此，基于EEG的方法是最可靠的困倦检测技术（Mardi等人， 2011年）。利用脑电信号进行睡意检测，首先要将其变换到一个新的域。傅立叶变换和小波变换是信号变换的两种常用方法。FT将电子邮件地址：gmail.com。https://doi.org/10.1016/j.iswa.2022.200100接收日期：2022年2月15日;接收日期：2022年5月30日;接受日期：2022年6月2022年7月11日在线提供2667-3053/© 2022作者。由Elsevier Ltd.发布。这是CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表智能系统及其应用杂志主页：www.journals.elsevier.com/intelligent-systems-with-applicationsF. 法尔汉吉智能系统与应用15（2022）2001002使用一系列正弦波将信号转换为频域。小波变换使用多个小波将信号变换到时频域。FT对平稳信号效果很好，WT对非平稳信号效果很好（高燕，2011&）。由于EEG信号是非平稳的（Hazarika等人， 1997年），WT比FT更合适。表1ML在困 倦EEG 信号 建模中 的应用总 结。 决策树（DT）、 E-X-treme学习 机（ELM）、层次ELM（H-ELM）、K-最近邻（KNN）、随机森林（RF）、支持向量机（SVM）。论文目标摘要在对信号进行变换后，利用提取的脑电信号特征，用最大似然算法对驾驶员的睡意进行分类。许多论文使用ML进行困倦EEG信号建模。表1简要介绍了ML在困倦EEG信号建模中的应用。当存在具有复杂关系的多维数据时，ML算法是实用的（Khorrami等人，2022年）。监督ML算法的训练受训练数据质量的影响很大（Gong等人，2019年）。因此，数据预处理是ML建模的重要步骤。除了数据预处理，超参数调整是ML算法的常见需求之一。调整超参数可以调整模型架构，以改善其训练过程（Claesen De Moor，2015&）。EEG信号频率较低，并且非常容易受到噪声的影响（Correa&Leber，2011）。这可能会破坏ML建模的驾驶员困倦检测。因此，有必要通过数据预处理和超参数调整来提高建模精度并减少误差。提高驾驶安全性需要快速检测驾驶员的困倦程度，而数据预处理和超参数调整是一个耗时的过程。因此，对于实际的实时应用，有必要找到一种尽可能简单、快速和准确的驾驶员困倦检测的建模方法。然而，大多数综述性研究仅使用一种建模方法评估ML算法的性能。在本文中，首先，驾驶模拟器测试困倦驾驶员的脑电信号。然后，研究了数据预处理和超参数调整对几种最大似然算法脑电信号建模的影响。研究结果有助于进一步研究更准确的实时嗜睡脑电信号建模。第2款.材料与方法，分别介绍了研究方法、EEG数据集、模拟器测试、ML算法、数据预处理步骤、超参数调整技术和模型验证方法。第3款.结果给出了四种不同建模方法的观测结果，并对模型的精度和误差进行了第4.（Akinci等人，（2022年）（Hasan等人，（2022年）（Gwak等人，2020年）（Ma等人，2020年）用于驾驶员困倦检测的ML算法比较基于奇异和混合生理信号的睡意检测使用集成学习和混合传感（基于车辆、行为和生理指标）的使用ML算法和实用群优化的驾驶员困倦根据α波和25种不同的ML算法对困倦进行分类从建模精度和建模时间两个方面对结果进行了评价。因此，基于树的算法，特别是袋装树显示出高精度和快速预测。三个生理信号的EEG，眼电图，心电图，并使用主观嗜睡指标训练KNN，SVM，RF和人工神经网络。结果表明，混合生物信号为基础的模型提供了更好的性能，人工神经网络是最准确的模型。在建模中采用了多数表决分类器、RF和DT三种算法。RF具有最准确的预测，并且结果代表了准确早期检测困倦和基于使用集成ML算法的混合感测实现困倦检测系统的可能性。采用KNN、SVM、ELM、H-ELM和改进的粒子群优化H-ELM等5种最大似然算法，结合脑电功率谱密度特征对睡意进行分类。结果表明，所提出的改进型H-ELM具有算法讨论，讨论结果，并与以前的研究结果进行比较。第5款.最后，对实际应用和未来工作提出了建议.2. 材料和方法（Santaji&Desai，2020）睡眠阶段分类模型进行训练和评估具有统计信号特征和不同的测试数据集百分比。与DT和SVM相比，RF是最准确的模型。2.1. 方法如图 1、这项工作包含三个主要步骤：步骤1：测量原始EEG信号。在该步骤中，每个受试者参与一次模拟器测试，并且在驾驶时测量他/她的EEG信号。试验前条件见第2.2。步骤 2：分析原始EEG 信号了 首先， 测量信号 是被分成3秒的时期。 因为脑电图（Gwak等人，2018年）（Mesalayon等人，（2015年）（Chen等人，利用ML不同ML算法用于睡眠阶段自动检测逻辑回归，SVM，KNN，和RF被用来分类的警觉和轻微困倦状态的驾驶员。结果表明，RF执行高度准确。几种监督ML分类器，包括SVM，DT，神经网络，KNN和朴素贝叶斯，基于清醒，快速眼动和非快速眼动阶段进行训练。结果表明，DT模型具有较高的精度。耳机是512 Hz，每个epoch包含1536条记录。其次，根据参与者自我报告的困倦程度，驾驶开始和结束时的时期分别被标记为清醒和困倦。平均而言，参与者在开车的前五分钟完全清醒，在最后五分钟非常困倦分钟 的 test. 这 是 因为 觉醒减少（2015年）EEG的生理信号和嗜睡眼电图和提取基于小波的非线性特征训练的ELM算法进行嗜睡检测。该方法具有检测精度高、速度快的特点增加驾驶持续时间（Wang Pei，2014&），当受试者睡着或因困倦而偏离道路时，驾驶测试结束。第三，使用三阶陷波Butterworth滤波器去除电源线干扰。第四，使用4级离散小波变换（DWT）将信号变换到时频域。此转换的输出是四个详细信息，计算速度F. 法尔汉吉智能系统与应用15（2022）2001003Fig. 1. 研究框架。对于每个信号历元有一个近似系数。图2回顾了信号分析步骤。第五，从变换后的信号历元中提取均值、方差、偏度、峰度、熵、功率和均方根等七个特征。步骤3：使用不同方法提取的信号特征对DT、额外树（ET）、KNN、多层感知器（MLP）、RF和支持向量分类（SVC）的SiXML算法进行训练和交叉验证。以受试者工作特征曲线下面积（AUC）和平均绝对误差（MAE）为验证指标。第一种方法是在没有超参数调优和数据预处理的情况下创建模型。第二种方法是在没有数据预处理的情况下创建模型。第三种方法是创建没有超参数调整的模型。第四种方法是通过超参数调整和数据预处理创建模型。最后，对模型2.1.1. EEG数据集用于训练模型的研究数据集包含36列和4000行。这4000个数据记录（行）代表模拟器测试中所有受试者的所有标记EEG时期。每个数据记录包括35个独立变量（从从DWT变换获得的五个系数提取的七个信号特征）和一个因变量（困倦标签（1）和清醒标签（0））。2.2. 模拟器研究模拟器测试在单人Nasir驾驶模拟器CI006Full中进行（图3）。虚拟道路模型是根据伊朗这是一条108公里的高速公路，车道宽度为3.65米，最大纵坡为4%，超高为8%。受试者戴着MindWave TM手机在模拟器道路上驾驶2个EEG耳机。20名成年男女，平均年龄31.9参加了模拟器测试。 年龄在25到39岁岁每个司机都有一年多的驾驶执照，他们之前有在高速公路上驾驶的真实经验。参与者在测试前只允许睡两个小时，并且不允许服用任何咖啡因或药片。在开始驾驶之前，受试者在模拟器中进行了10分钟的训练。他们被要求不要超过每小时110公里的速度限制，但要尽可能快地开车。当驾驶时，实验室环境很安静，司机不说话，不喝酒，也不吃东西。如果受试者睡着或偏离道路，测试将结束。2.3. 机器学习算法在建模中使用DT、ET、KNN、MLP、RF和SVC的SiXML算法。决策树：DT是一种有益的ML算法。该算法快速且具有易于理解的架构（Farhangi等人，2020年）。DT采用自顶向下的方法（与自然树不同），由根、节点、分支和叶子组成。根代表所有样本，每个节点表示一个建模特征，每个分支表示一个特征值，每个叶子显示一个类标签（Sharma Kumar，2016&）。EX tra trees：ET是一种集成ML算法，其数据模型基于DT，具有与DT不同的结构。在ET基础DT的构造中，为了获得用于将节点的样本分成两个 集合的最佳 划分，绘制 随机分割， 并且选择最 佳分割（Khorrami等人，2022年）。这种方法使DT更加随机化，ET可以很好地从样本数据中学习，但可能会发生过拟合。• KNN是一种非参数ML算法，即，它不会对基本样本数据做任何假设。这种监督算法由于其简单性和有效性而流行，并且可以用于回归和分类问题（Taunk等人，2019年）。在该算法中，基于计算出的样本之间的距离来执行预测。在分类问题中，KNN计算我们想要分类的样本与最近的K个样本（邻居）的距离。最后，数字··F. 法尔汉吉智能系统与应用15（2022）2001004图2. （A）原始EEG时期，（B）在用3阶陷波Butterworth滤波器去除电力线干扰之后的EEG时期，（C）用4级DWT对EEG时期的变换。图三. 模拟器测试。邻居的投票定义了所需样本的类别（Guo等人，2003年）。多层感知器：MLP是一种前馈人工神经网络，可以解决复杂问题。该算法是一个完全互连的网络，它由一个输入层，一个或多个隐藏层和一个输出层（Gardner Dorling，&1998）。MLP结构中的每个节点计算其输入的加权和（权重与节点输出的重要性相关），并且它使用激活函数将输出传输到下一层（Castro等人， 2017年）。·F. 法尔汉吉智能系统与应用15（2022）2001005TP+FNTN+FPY-Y最大值最小值̂I=随机森林：RF是一种有监督的ML算法，它使用多个DT进行集成学习。每个DT用随机选择的样本和特征训练（Razavi-Termeh等人，2021年）。对于最终预测，所有DT都对预测有贡献，并且通过在DT的预测之间求平均或投票来预测每个样本数据（Far ahani等人，2022年）。支持向量机（SVM）是一种流行的ML算法，用于分类（SVC）和回归问题。该算法由n维空间组成。在这个空间中，每个样本数据是一个节点，n等于样本特征的数量。对于建模，SVM试图区分不同的样本 通过以最小的误差绘制最佳超平面（Noble，2006）。将数据样本转换到新的空间是使用核函数完成的。因此，每种类型的核函数都会改变SVM的性能（孟霞，2007&）。2.6.2. 验证度量使用ROC AUC和MAE评估模型性能。在ROC曲线中，通过观察在各个切割点的灵敏度和特异性之间的对比来验证模型。ROC曲线的y轴和x轴分别显示灵敏度和特异性（Farhangi等人，2020年）。阳性样本的阳性预测概率由灵敏度表示，特异性表示阴性样本的阳性预测概率。这两个变量是概率性的，从方程得到。2和3（Xu-hui et al.，2009年）。ROC曲线下面积表示随机样本正确预测的概率。该面积称为AUC，其值在0至1之间（值1表示模型的最佳性能）（Razavi-Termeh et al.，2020年）。灵敏度=中文（简体）2.4. 数据预处理数据预处理步骤包括：去除异常值，特征特异性= TN（三）归一化和降维去除离群值：去除离群值降低了数据的变异性，这增加了统计功效并改善了模型的训练。使用局部离群因子检测离群点，这是一种无监督的异常检测方法。 它计算给定数据点关于其邻居的局部密度偏差。因此，具有比其相邻样品低得多的密度的样品被检测为离群值（Pedregosa等人，2011年）。在方程式中，如图4和5所示，TP（真阳性）是正确预测的阳性样本的数量，TN（真阴性）是正确预测的阴性样本的数量，FP（假阳性）是错误预测的阳性样本的数量，FN（假阴性）是错误预测的阴性样本的数量（Pearce &Ferrier，2000）。MAE可以用来验证预测误差。该度量越接近零，预测误差越低（Farhangi等人，2020年）。MAE是绝对误差的平均值，适用于评估平均预测误差。（Wang Bovik，2009&）。MAE可计算如下：• 特征规范化：特征规范化将特征转换为MAEy y∑n1|是的，是的，|（四）类似的规模。这有助于提高性能和训练模型的稳定性例如，特征Y被归一化为-（，n）=n0到1之间，如下所示（线性缩放）：Y归一化=Y-Y最小值（一）其中yi是实际样本值，yi是预测值（Farhangi等人，2020年）。3. 结果如第2.1节所述， ML模型经过训练和交叉-其中Ymin和Ymax分别是该特征的最小值和最大值简化：这是一种减少数据集中输入特征数量的技术。更多的特征通常会使预测任务对模型更具挑战性。本研究中使用的一种简单的降维技术是去除具有低方差的特征（Pedregosa等人， 2011年）。2.5. 随机搜索超参数整定在随机搜索方法中，搜索空间首先被定义为超参数的有界域。然后，根据用户选择的迭代次数，在该空间中随机选择点。点越多，这种方法越快，但精度越低。这些点中的每一个都表示超参数的组合。选择导致最高建模精度的组合作为超参数的最佳值（Bergstra Bengio，2012&）。2.6. 验证2.6.1. k折交叉验证K折交叉验证将样本数据细分为K个子集，并遵循迭代过程进行验证。在每次迭代中，K-1个子集用于训练模型，一个子集用于验证。最后，引入所有迭代中计算的验证度量的平均值作为交叉验证结果（Farhangi等人， 2021年）。通过以下四种方法验证：1 没有进行数据预处理步骤，超参数也没有调优。2 只有超参数被调整以改善建模结果。 3只做了数据预处理步骤来增强建模结果4数据预处理步骤完成，超参数调整完成。方法3和方法4中的数据预处理步骤相同，并符合第2.5节。在数据预处理步骤中去除了87个异常值和13个特征。去除的特征是近似系数的平均值4，细节系数的偏度和峰度4，细节系数的方差、偏度、峰度、熵和幂2。在方法2和方法4中，使用具有50次迭代的随机搜索方法来快速调整超参数。表2显示了用于调整ML模型的超参数。所有模型的超参数在“https：//www.example.com“上有详细介绍scikit-learn.org。由于随机搜索方法创建了用于优化的超参数的随机组合，因此不可能比较方法2和方法4中每个模型的超参数每种建模方法的验证结果如图4所示。如图4所示，DT具有最精确的性能，同时只进行数据预处理步骤。当超参数没有调整并且没有进行数据预处理步骤时，ET的建模最准确。KNN的预测最准确，····F. 法尔汉吉智能系统与应用15（2022）2001006表2用于调整ML模型的超参数在方法1和3中，使用了python scikit-learn库的默认值建模方法模型超参数1 和3 DT min_samples_split= 2 max_features=无max_leaf_nodes=无ETKNNMLPRFSVCmin_samples_leaf= 1 max_depth=无n_estimators= 100 max_features= auto min_samples_leaf= 1min_samples_split= 2 max_depth=无max_samples=无bootstrap=假weights= uniform leaf_size= 30 n_neighbors= 3p= 2算法=自动求解器=adam alpha= 0.0001 learning_rate=常数hidden_layer_sizes=（100，）activation= relun_estimators= 100 max_features= auto min_samples_leaf= 1min_samples_split= 2 max_depth=无max_samples=无bootstrap= True内核=rbf系数0= 0.0 C= 1.02DTgamma= scalemin_samples_split= 0.490最大特征=sqrt max_leaf_nodes= 77ETKNNMLPRFSVCmin_samples_leaf= 6 max_depth= 63n_estimators= 48 max_features= log2 min_samples_leaf= 5min_samples_split= 6 max_depth= 50 max_samples= 0.163 bootstrap= Falseweights=距离leaf_size= 11 n_neighbors= 3p= 1算法=ball_tree求解器=lbfgs alpha= 0.0356 learning_rate=常数hidden_layer_sizes=（40，）activation= logisticn_estimators=57max_features=sqrtmin_samples_leaf=8min_samples_split=0.020max_depth=24max_samples= 0.041 bootstrap= False核=多核系数0= 0.306 C= 0.5914 DTgamma= scalemin_samples_split= 0.775度=5max_features= auto max_leaf_nodes= 70ETKNNMLPRFSVCmin_samples_leaf= 4 max_depth= 37n_estimators= 59 max_features= sqrt min_samples_leaf= 7min_samples_split= 2 max_depth= 54 max_samples= 0.082 bootstrap= Falseweights=距离leaf_size= 45 n_neighbors= 29p= 1算法=自动求解器=lbfgs alpha= 0.050 learning_rate=自适应hidden_layer_size=（50，）activation= identityn_estimators=57max_features=log2min_samples_leaf=3min_samples_split=0.122max_depth=90max_samples= 0.163 bootstrap= False内核=rbf系数0= 0.837 C= 0.408gamma=刻度调整了超参数当仅进行数据预处理步骤时，RF的性能最准确。MLP和SVC的最准确的预测发生在仅进行数据预处理步骤时，以及同时执行调整超参数和数据预处理步骤时。4. 讨论在这项研究中，SIXML算法DT，ET，KNN，MLP，RF和SVC被用于在基于模拟器的研究中对驾驶员困倦进行分类。所有的算法进行了交叉验证与四种不同的方法来研究调整的超参数和数据预处理步骤的昏昏欲睡的EEG信号建模的性能的有效性。正如建模结果所示，调整超参数和数据预处理对模型的性能没有类似的影响。根据ML建模的不同应用（Fassnacht等人，2014），研究结果表明，ML算法的类型对昏昏欲睡的EEG信号建模的影响比建模approach.超参数在ML建模中起着至关重要的作用（Yang &Shami，2020），并且先前已经看到，优化用于利用EEG信号特征对困倦进行分类的超参数导致ML模型的优异性能（Ma等人，2020年）。但采用随机搜索方法只能提高KNN的精度。如在先前的ML建模（Farhangi等人，2021年），随机搜索工作很快，但不是一个合适的方法。超参数在ML建模中起着至关重要的作用（Yang&Shami，2020年）。与方法2相反，执行数据预处理步骤提高了除KNN之外的所有模型的性能。然而，它对基于树的模型（DT、RT和RF）的影响很小。如前所述，EEG数据容易受到噪声的影响，数据预处理似乎是必不可少的。但是在基于树的模型中有一些方法可以防止树的生长覆盖噪声数据（Kerdprasop Kerdpra-sop&，2011）。因此，DT、ET和RF对去除噪声数据记录不太敏感。可以说，ET和RF是最有用的嗜睡脑电信号建模算法。它们是基于树的集成算法，其受益于集成学习和DT结构作为其基本估计器以具有最准确的预测（Khorrami等人，2022年）。此外，即使没有超参数调整和数据预处理，它们也具有高精度和低预测误差，使其适合于实时昏昏欲睡的EEG信号建模。5. 结论本研究评估了数据预处理和超参数调整在脑电信号ML算法建模中的作用。研究结果表明，ML算法的类型对建模的影响比数据预处理和超参数调整更显着。基于二叉树的算法（ET和RF）是用于困倦EEG信号建模的最准确的方法。由于EEG信号易于F. 法尔汉吉智能系统与应用15（2022）2001007图第四章交叉验证结果的比较。噪声背景下，数据预处理是睡意脑电信号建模的重要环节，可以提高建模效果。然而，对于实时应用或者当数据预处理不可能时，基于树的算法更实用.随机搜索是快速的，但不是一个实用的方法来调整超参数。该方法可以提高或降低困倦EEG信号建模的准确性。在未来的工作中，建议研究不同的优化方法来调整昏昏欲睡的EEG信号模型的超参数。CRediT作者贡献声明Farbod Farhangi：概念化，数据管理，形式分析，方法论，软件，验证，可视化，写作&竞争利益作者声明，他们没有已知的竞争性经济利益或个人关系，可能会影响本文报告的工作引用Castro，W.，Oblitas，J.， 圣克鲁斯河阿维拉-乔治，H。（2017年）。 使用平行计算技术的多层感知器架构最佳化。 PLoS one，12（12），Article e0189369.Claesen，M.，&德穆尔湾（2015年）。机器学习中的超参数搜索arXiv预印本arXiv：1502.02127。Correa，M. A. G.，&Leber，E. L.（2011年）。应用级联自适应滤波器从polisomnography记录中的EEG信号中去除噪声。自适应滤波应用（p. 61 ）。Dahal，N.，Nandagopal，N.，Nafalski，A.，&Nedic，Z.（2011年）。使用EEG的认知建模：回顾和新方法。在TENCON 2011 - 2011 IEEE Region 10会议上发表的论文集。哦，H。J.，Chung，M. K.，&Kim，S.- H.（2005年）。睡眠剥夺下模拟驾驶中困倦的脑电研究。International Journal ofIndustrial Ergonomics，35（4），307-320.Farahani，M.，Razavi-Termeh，S.五，&Sadeghi-Niaraki，A.（2022年）。基于空间的机器学习算法，用于城市环境中听觉的潜在映射。可持续城市和社会，第103675条。https://doi.org/10.1016/j.scs.2022.103675Farhangi，F.，Sadeghi-Niaraki，A.，Nahvi，A.，&Razavi-Termeh，S.五.（2020年）。基于数据挖掘算法的驾驶员疲劳事故风险空间建模。Geocarto International，1-15。Farhangi，F.，Sadeghi-Niaraki，A.，Razavi-Termeh，S.五，&Choi，S.- M.（2021年）。基于树的机器学习算法在全国范围内对驾驶员缺乏警觉性造成的事故风险映射的评估。可持续性，13（18），10239。Fassnacht，F.，Hartig，F.， H.K.菲，Berger，C.， 她的名字叫J. Corvala'n，P.， &科赫湾（2014年）。样本大小、数据类型和预测方法对森林地上生物量遥感估算的重要性。环境遥感，154，102-114。加奥河X.，&扬河，巴西-地（2011年）。从傅立叶变换到小波变换：一个历史的视角Wavelet（pp. 17-32）。斯普林格Gardner，M. W.，&Dorling，S.（1998年）。人工神经网络（多层感知器）：大气科学应用评述。大气环境，32（14-15），2627-2636。Gharagozlou，F.，萨拉吉湾N.，Mazloumi，A.，Nahvi，A.，Nasrabadi，A.M.，Foroushani，A. R.，… （2015年）。基于脑电α功率变化的驾驶员心理疲劳检测。伊朗公共卫生杂志，44（12），1693。龚，Z.，Zhong，P.，&胡，W.（2019年）。机器学习的多样性。IEEE Access，7，64323-64350。F. 法尔汉吉智能系统与应用15（2022）2001008Guo，G.，王，H.，Bell，D.，Bi，Y.，&Greer，K.（2003年）。基于KNN模型的分类方法。在OTM ConfederatedInternational Conferences“On the Move to MeaningfulInternet Systems”会议上提交的论文集中。Hazarika，N.，Chen，J. Z.，Tennis，A. C.，&Sergejew，A.（1997年）。基于小波变换的脑电信号分类。Signal processing，59（1），61-72.Ingre，M.，Escherkerstedt，T.，彼得斯，B.，Anund，A.，&克隆德湾（2006年）。主观困倦、模拟驾驶表现与眨眼时间：个体差异研究。睡眠研究杂志，15（1），47-53。Kerdprasop，N.，&Kerdprasop，K.（2011年）。一种基于启发式的决策树归纳方法在噪声数据库中的理论与应用。生物科学和生物技术（pp. 1-10）。斯普林格Khorrami，M.，Khorrami，M.，&Farhangi，F.（2022年）。基于社交媒体照片预测五大人格特质的基于树的集成算法的评估：来自伊朗样本的证据人格和个体差异，188，第111479条。Li，G.，&Chung，W.- Y.（2015年）。用于驾驶员困倦早期检测的上下文感知EEG耳机系统。传感器，15（8），20873-20893。马尔迪，Z.，Ashtiani，S. N. M.，&Mikaili，M.（2011年）。利用混沌特征和统计测试进行基于EEG的安全驾驶困倦检测。医学信号和传感器杂志，1（2），130。Meng，J.，&夏湖（2007年）。毫米波跃迁的支持向量回归模型。 InternationalJournal of Infrared and Millimeter Waves，28（5），413-421.Noble，W. S.（2006年）。什么是支持向量机？Nature Biotechnology，24（12），1565-1567.PBO。（2012年）。伊朗公路几何设计规范（No.415）。检索自https：//www.example.comsama.mporg.ir/sites/Publish/en/Pages/ZabetehAllItems.aspX.2021年4月4日访问Ramzan，M.，Khan，H.美国，Awan，S.M.，Ismail，A.，Ilyas，M.，Mahmood，A.（2019年）。关于最先进的睡意检测技术的调查。IEEE Access，7，61904-61919。Razavi-Termeh，S.五，Sadeghi-Niaraki，A.，Farhangi，F.，&Choi，S.- M.（2021年）。使用机器学习算法考虑社会经济标准的COVID-19风险映射。国际环境研究与公共卫生杂志，18（18），9657。Sahayadhas，A.，Sundaraj，K.，&Murugappan，M.（2013年）。使用多个特征在一天中的不同时间进行困倦检测。Australasian Physical& Engineering Sciences inMedicine，36（2），243-250. https://doi.org/10.1007/s13246-013-0200-6Sharma，H.，&Kumar，S.（2016年）。数据挖掘中决策树分类算法综述。 国际科学与研究杂志（IJSR），5（4），2094-2097。Taunk，K.，De，S.，Verma，S.，&Swetapadma，A.（2019年）。学习和分类的最近邻算法的简要回顾。在论文集中在2019年智能计算与控制系统国际会议（ICCS）上发表。Wang，Z.，&Bovik，A. C.（2009年）。上一篇：Mean Squared Error：爱它还是离开它？信号保真度测量的新视角。 IEEE信号处理杂志，26（1），98-117。杨湖，&Shami，A.（2020年）。机器学习算法的超参数优化：理论与实践。神经计算，415，295-316。阿拉永湾一、Almuhammadi，W.美国，&Faezipour，M.（2015年）。使用单通道EEG信号对人类睡眠阶段进行分类的不同机器学习算法论文发表于2015年长岛系统，应用和技术。Akinci河，Akdogan，E.，&Aktan，M. E.（2022年）。使用脑电图（EEG）信号识别驾驶员困倦的机器学习算法的比较。International Journal of Intelligent Systems andApplications in Engineering，10（1），44-51.Bergstra，J.，Bengio&，Y. （2012年）。随机搜索超参数优化。Journal of Machine Learning Research，13（2）。Chen，L. L.，赵，Y.，Zhang，J.，&Zou，J.- z.（2015年）。使用基于小波的非线性特 征和 机 器 学习 从 生 理信 号 中 自动 检 测 警觉 /困 倦 。 专 家系 统 与 应用 ， 42（21），7344-7355。Gwak，J.，Hirao，A.，&Shino，M.（2020年）。基于混合感知的集成机器学习在驾驶员困倦早期检测中的应用研究。AppliedSciences，10（8），2890.Gwak，J.，Shino，M.，&Hirao，A.（2018年）。利用基于生理信号、行为测量和驾驶表现的机器学习早期检测驾驶员困倦。在2018年第21届智能交通系统国际会议（ITSC）上发表的论文。哈桑，M。M.，沃特林角N.，&拉鲁湾 S. （2022年）。 使用机器学习的基于生理信号的困倦检测：奇异和混合信号方法。安全研究杂志，80，215-225。妈妈，Y.，Zhang，S.，Qi，D.，Luo，Z.，Li，R.，波特，T.，& Zhang， Y.（2020年）。 使用改进的分层极端学习机算法和粒子群优化的EEG驾驶困倦检测：一项试点研究。Electronics，9（5），775.Pedregosa，F.，Varoquau X，G.，Gramfort，A.，Michel，V.，Thirion，B.，Grisel，O.，.Dubbought，V. （2011年）。Scikit-learn：Python中的机器学习 机器学习研究杂志，12，2825-2830。Santaji，S.，&Desai，V.（2020）.使用机器学习分析EEG信号以分类睡眠阶段。Sleepand Vigilance，4（2），145-152.Wang，L.，&裴，Y.（2014年）。连续驾驶时间和休息时间对商业驾驶员驾驶绩效和恢复的影响。 安全研究杂志，50，11-15。