1。介绍
疲劳驾驶是交通事故的一个重要原因。根据美国国家运输安全委员会的数据,每年造成的经济损失驾驶事故在美国超过125亿美元(
1 ]。疲劳没有明显的症状,但通常表现为嗜睡、疲劳、或弱点
2 ]。因此,开发技术来监控和预测驾驶员的精神状态或安全驾驶的能力将产生重大的社会效益和经济效益
3 ]。
疲劳驾驶检测,目前学术界开展了大量的研究工作。总之,主要在于以下几个方面:(1)心理活动测试使用由被动bci(响应时间和准确性
4 ,
5 ),主要执行的评估主体的认知状态(
6 ,
7 ),(2)检测眼动参数,如眼睛斜视运动,百分比关闭眼睛(PERCLOS) [
8 ),等等,(3)活性检测通过问卷调查,(4)传感器的方法来找到一些疲劳指标的转向力(操舵控制压力),皮肤电导,血容量脉冲(BVP)等等(
9 ,
10 ),(5)执行疲劳状态检测通过生物电的信号,如脑电图、小城镇(眼电图)、肌电图(肌电图)和心电图(心电图)
11 - - - - - -
16 ]。
physiological-electric-based检测,研究表明,这些信号有很强的相关性与驾驶员的精神状态,所以这些信号可以更准确检测驾驶疲劳。在上述各种研究的疲劳检测,脑电图分析方法被认为是最方便和有效的时间分辨率和足够的空间分辨率。众所周知,脑电图是大脑活动的电电压波动沿头皮(
17 ]。作为一个有效的工具来间接测量的神经活动,脑电图是广泛应用于神经科学、认知科学、认知心理学、心理生理学研究,等。另一方面,驾驶行为涉及的各种行为,如动作、推理、视听处理、决策、感知、和认可,也受到情绪的影响,关注(
18 ),和许多其他心理因素。这些生理和心理活动相关的驾驶反映在脑电图信号。
近年来,大量使用脑电图提出了疲劳检测方法;例如,冰斗et al。
2 ]调查许多fatigue-indicating参数基于EEG信号在小波域的高阶熵措施。特别是,他们提出的方法基于一种熵措施EEG信号的相对量化的对象在驾驶疲劳。Charbonnier et al。
19 )提出了一个网络创新脑电图指数和证明,该指数可以使用基于α活动有效地评估经营者的精神疲劳状态。罗伊et al。
20. ]应用Fisher线性判别分析法(FLDA)因为它使得基于脑电图检测和分类的精神疲劳。在[
21 ),作者用KPCA-SVM分类器区分正常和疲劳的精神状态,准确率98.7%。Maglione et al。
22 )使用高分辨率的脑电图和神经生理学变量来分析大脑的工作量的增加和嗜睡的起义在汽车驾驶和获得一个工作负载指数。2014年,张等。
23 )提出了一个实时的方法与各种熵和复杂性的探测和识别办法驾驶疲劳从脑电图、肌电图,此次信号,并估计约为96.5% - -99.5%的准确性。Appriou et al。
24 )提出了一个比较4现代机器学习算法因为它使得基于脑电图为了比较负载水平分类性能,发现CNN可以获得更好的性能比LDA(意味着= 72.7%±9.1)分类器与CSP空间过滤器分类两个负载水平(低与高)对特定于用户和user-independent研究。在[
25 ),作者开发了一个自适应去噪堆放汽车编码器(SDAE)应对cross-session心理工作负荷(MW)分类任务,自适应SDAE也证明是可以接受的在线实现。一起,这些文章支持精神疲劳的知识可以有效地检测到EEG分类性能变化在75%和98%之间。
其他特征提取和分析方法也用于精神状态检测,如脑电图和fNIRS联合分析(
26 ),离散小波变换(
27 ),小波包变换(WPT) [
28 )、集成特征选择和融合在高层的脑电图特征从不同的模型(
29日 ]。近年来,基于深度学习模型也被用于精神状态分类,例如,深卷积神经网络(
29日 网络(LSTM)[],长期短期记忆
30. ),和交换深度信念网络自适应权重(SDBN) [
31日 ]。
虽然这些方法取得了良好的性能,如何设计适当的模型来获得健壮、实时、高精度分类性能的驾驶精神状态通过脑电图对一系列的原因仍然是一个挑战。首先,脑电图显示不稳定和随机性的特点,脑电图信号收集的单一主题(intrasubject)或两个不同的主题(主体)之间往往有很大的差异随着时间的推移,(
32 ]。第二,低信噪比(信噪比)的脑电图常常影响检测的准确性。第三,脑电信号采集与持续改进设备、脑电图信号逐渐显示多维和复杂的特性,在处理时间和空间消费。
LightGBM [
33 )是一个梯度增加框架,使用决策树学习算法。是分布式的,高效的速度训练效率,并能处理大量的应用程序,但也存在缺陷在处理高维特性EEG信号,如降低精度,时间消耗。因此,在本文中,我们改进和设计一个LightGBM-based模型,LightFD,采用直方图决策树算法和leafwise叶与深度限制增长战略解决xgboost内存消耗过大的问题,哪个更适合实际的脑电图临床应用。现在,LightGBM已经应用于脑电图信号分类和在实际问题取得了一定成果,比如情感识别(
34 ,
35 ),癫痫预测(
36 ),等等。
迁移学习方法被广泛用于脑电图信号分类近年来(
37 - - - - - -
40 ),转让前提取特征的一种训练样本到另一个样本对一些特定的决策任务。由于其巨大的优势时间消耗低,转移学习可以带来更多的脑电图分析实际应用的可能性。
出于LightGBM的优势,按照我们以前的工作
41 ),只有CNN-based模型研究,实现以脑波图为基础的二进制精神状态分类,模型是耗费时间,此外,转移模型的学习能力不是分析。因此,在本文中,我们的目标是设计一个LightGBM-based分类器,LightFD,实现轻量级triclassification识别脑电图的分析心理状态,此外,我们还将测试和验证的效率和鲁棒性LightFD转移方面的学习和比较与廖嵌入式分布对齐(梅达)[
42 )和度量转移学习(MTLF) [
43 ]。
2。材料
2.1。主题
我们招募了10个健康受试者脑电图数据收集。所有人都在23和25岁,拥有中国手工C1驾驶执照。他们提前通知整个实验过程和说明,也需要保持冷静,没有喝刺激性饮料,如咖啡、酒精、实验前等等。所有的参与者提供了他们的书面同意,这项研究是我们大学的伦理委员会批准。
2.2。实验装置
收集脑电图数据在开车,我们构建了一个仿真平台,如图
1 由一个赛车坐垫,方向盘,液晶显示器(LCD)、扬声器、摄像头和投影仪。16通道gUSBamp放大器(g。Tec Medical Engineering GmbH) was used to record EEG signal. Besides, two more computers were employed for (1) simulating the track with the special “Speed-Shift 2 Unleashed (NFS-S2U)” software, recording all the parameters during driving with “WorldRecord” software, and (2) collecting the video and sound stimuli, dealing with EEG signals, respectively [
12 ,
41 ]。
图1
驾驶模拟实验平台。
![]()
2.3。试验协议
整个实验之间持续了两天,进行18:00和21:00在一个安静的和孤立的环境。第一天被认为是跟踪和刺激的练习阶段来熟悉软件和实验操作,和第二天的正式实验阶段收集脑电图数据。心率与脑电图和眨眼同时收集相应的传感器,如心电图电极连接在这个问题上的手腕和摄像机放置在前面的主题,它被用来帮助判断心理状态的水平。根据先前的研究
44 ,
45 ),眨眼的数量和心率在清醒的情况高于嗜睡的情况。此外,我们统计的平均数眨眼和心率的所有对象在整个实验。我们发现,在开始阶段,当受试者只要求以预定义的速度开车没有任何视频或声音刺激,眨眼的平均数量是20次/分钟以上,24次/分钟,平均心率接近90次/分钟。刺激引入实验,眨眼的平均数量改为12-20次/分钟,和心率是78 - 85次/分钟。在最后阶段,受试者没有任何刺激,眨眼的平均数量增加到22次/分钟,平均心率73次/分钟。因此,我们把精神状态分为8阶段:WUP,性能,TAV3, TAV1, TAV5, TAV2, TAV4,卓尔精灵
12 ,
41 ];这八个阶段的详细介绍如表所示
1 。
表1
八个实验阶段。
阶段
持续时间(分钟)
描述
WUP
8 - 10
也称为“热身”,收集基线的脑电图、心电图,此次开车时预定的速度。
性能
7号到9号
也称为“性能”,类似于WUP,只有更高的行驶速度比WUP。
TAV3
7号到9号
这5个阶段同时施加注意力的任务(声音)和视频刺激与不同频率的水平。从低到高阶段刺激频率TAV1, TAV2, TAV3, TAV4 TAV5。
TAV1
7号到9号
TAV5
6 - 9
TAV2
7号到9号
TAV4
7 - 8
卓尔精灵
12 - 18
阶段,主体分为嗜睡和感觉疲劳和疲劳。
实验的流程图如图
2 。实验期间有两种驾驶任务:一个是一个简单的驾驶任务,只需要开主题实践阶段和没有施加任何声音和视频刺激。这种驾驶任务包括三个阶段:WUP,性能,卓尔精灵。WUP实验的开始了一个基线驾驶速度,和性能类似于WUP但要求受试者开车的速度比WUP快2%。卓尔精灵是最后阶段的实验与一个固定的驾驶速度60公里/小时。其他阶段引入额外的视频(“警告”)和声音刺激(“警惕性”)来模拟红灯和交通堵塞等情况,可能会发生在真正的驾驶,其中包括五个TAV阶段:TAV1-5。TAV阶段都是对不同刺激频率的声音(“警惕性”)和视频(“警告”)刺激,出现在液晶屏1 m的主题,和相应的按钮被按下的主题:左按钮“警惕”,和正确的按钮”警报。“五个TAV阶段:TAV3 TAV5 TAV1, TAV2,和TAV4依次执行。
图2
实验过程的示意图。
![]()
因为TAV3第一阶段与视频和声音刺激,实验对象被绑定到开车小心,尽可能快速、准确地完成相应的操作,所以他们在最清醒的状态。卓尔精灵是最后阶段没有任何刺激。它只是需要的对象和一个固定的速度60公里/小时。似乎单调和乏味,尤其是2 h后开车;因此,主题非常容易疲劳,在这个阶段。此外,明显的眨眼和心率TAV3和黑暗精灵之间的差异进一步证实了这个实验的设计的正确性。此外,我们定义了一个“中性”阶段TAVX,疲劳和清醒。然而,所需的时间为每个主题进入疲劳状态可能不同,和TAVX就是其中之一4阶段:TAV1, TAV2, TAV4, TAV5,匆忙的数量的跟踪是最接近平均冲实验期间的跟踪。因此,收集到的数据在TAVX被用于分析。
2.4。脑电图记录
脑电图记录了gUSBamp放大器采样频率为256赫兹和下面的阻抗
5
k
Ω
。15 16通道电极,用于样本脑电图,除了心电图采样心率。所有的电极都是引用的左耳垂。去除工件后,脑电图信号15通道被划分为Fz, Pz,盎司,Fp1, Fp2, F7, F3, F4, F8, C3, C4、P7, P3, P4, P8, 0.5秒的时间窗口,然后一定数量的时代的每一个阶段。根据冰斗et al。
2 ),脑电图记录过滤1到40 Hz带通滤波器,和独立分量分析(ICA) [
46 ),然后采用眼动构件被拒绝。与源信号分离或ICA大约在不知道源信号分离,噪音,和混合机制。之后,根据我们提出的方法
41 ),脑电图记录转化为SP
∗
CH
∗
TR格式,SP采样频率,CH是相应的频道,TR是事件。分割的脑电图数据,我们采用0.5 s区间时间窗口15通道脑电图数据分割成不同数量的时代。由于采样频率为256赫兹,然后表达每一时代作为一个15
∗
128矩阵。同时,我们使用了卓尔的标志“0”,“1”为TAV3分别和TAVX“2”。因此,我们一共获得了37168时代,包括18672年的时代,9504 TAV3时代,和8992 TAVX时代,如图
3 。通过这种方式,可以训练LightFD这些时代,精神状态预测LightFD的分类性能可以同时测试。
图3
时代的卓尔,TAV3 TAVX为主题。
![]()
3所示。方法
3.1。通过改善CSP脑电图特征提取
CSP是找到最优的核心空间投影的力量最大化两种类型的信号,所以它可以估计两个空间滤波器来提取任务相关组件和删除task-independent组件和噪声信号。CSP所使用的方法是基于两个协方差矩阵同时对角化。
脑电图数据提取,每条路线可以表示成一个矩阵
W 的
X
×
年代
,在那里
X 的渠道和数量吗
年代 是为每个通道的采样点数量。以下所示的正规化的空间协方差方程:
(1)
C
=
W
W
T
跟踪
W
W
T
,
跟踪(
⋅
)代表矩阵的对角元素的总和。为了区分两种类型的差异,我们平均协方差之和的两种类型的样本训练数据来实现各自的平均协方差
C
d
和
C
t
然后获得混合空间协方差
C
c
=
C
d
+
C
t
。
C
c
,分解为表单
C
c
=
E
c
λ
c
E
c
,在那里
E
c
矩阵的特征向量和吗
λ
c
形成的对角矩阵特征值。特征值按降序排列,美白转换执行根据以下方程:
(2)
P
=
λ
c
−
1
E
c
T
。
相对应的特征值
P
C
c
P
T
是1,所以
C
d
和
C
t
改变如下:
年代
d
=
P
C
d
P
T
,
年代
t
=
P
C
t
P
T
。然后,
年代
d
和
年代
t
分享共同的特征向量;当
年代
d
=
B
λ
d
B
T
,有
年代
t
=
B
λ
t
B
T
和
λ
d
+
λ
t
=
我
,在那里
我 是单位向量矩阵。因为相应的两个特征值之和总是1,当特征向量
B 最大特征值吗
年代
d
,它有最小的特征值
年代
t
。因此,获得的投影矩阵
(3)
P
N
=
B
T
P
T
。
因为三个州中使用的实验中,我们设计了一个CSP的三个类别的特征提取方法。醒着的状态,更容易区分;我们预计疲劳状态数据和中性状态数据分别获得了投影矩阵
P
一个
和
P
B
。我们最后的投影矩阵
(4)
P
N
=
P
一个
+
P
B
。
所有实验样品(包括培训和测试)分解根据方程(
4 )来获得所需的脑电图特点:
(5)
F
=
P
N
W
。
脑电图特征提取的过程如图
4 。此外,高维度的脑电图数据增加了深度学习的时间和空间的消费模式。但通过我们的实验测试,我们发现LightGBM不依赖高维数据特征作为深度学习模型。功能减少后,训练速度快,内存消耗减少,最终精度并没有改变太多。
图4
脑电图数据特征提取的过程。
![]()
传统的CSP通常使用日志方差特征归一化的二分类问题。因为它使得基于脑电图在我们提出改善CSP triclassification问题,在获得特征矩阵通过投影矩阵
W ,而不是使用传统的方法中,我们使用的通道方差特征矩阵来达到降维的目的。最后,方差函数:var,对于每一个样品,是用来计算每个通道的数据的方差以及脑电图数据的维数降低。在此基础上改善CSP,我们设计并实现了一个LightGBM-based模型,LightFD triclassification司机的心理状态。
3.2。LightFD训练分类器
LightGBM是一种算法对于依赖于梯度起重机的分类,和它闻名光计算负担(
33 ]。特别是,基于树的增加家庭的算法,其中很多(比如xgboost)使用预分类算法选择和分离特性。然而,这种预分类算法可以准确地找到分割点,但它有一个很大的开销在时间和内存消耗。提出LightFD模型采用直方图算法和叶leafwise与深度限制的增长战略,如图
5 ,可提高计算效率,减少内存占用,提高分类精度,有效地防止过度拟合(请参阅[
33 ,
47 更多的细节)。LightFD列的详细过程如下。
图5
LightGBM的学习过程。
![]()
3.2.1之上。直方图算法
直方图算法的基本思想是使离散连续浮点特征值
k 整数和宽度构建一份直方图
k 。当遍历数据,统计是根据离散累积直方图的值作为一个索引。在遍历数据一次,直方图累积所需的数据,然后遍历找到最优分割点根据直方图的离散值。
3.2.2。Leafwise叶与深度限制增长战略
Levelwise数据可以划分在同一时间同一层的叶子,容易多流优化控制模型的复杂性。但是levelwise实际上是一个低效算法,因为它将同一层的叶子不加区别地,这让很多不必要的开销,并且很难防止过度拟合,由于低分割获得的许多叶子,不需要搜索和分裂。
Leafwise策略更加有效。只是找到叶分离获得最高当前层分裂。因此,与levelwise方法相比,leafwise策略可以获得更好的性能与相同数量的分裂情况。但leafwise策略可能引起更深层次的决策树和过度拟合。为了避免过度拟合的情况,确保更高的效率,然后我们在LightFD最大深度限制模型。
3.3。LightFD参数
lightFD中的参数包括num_leaves、num_trees learning_rate, num_trees代表的生成树和num_leaves总数代表每生成树的叶子。较小的learning_rate,较大的num_trees可以改善最终的精度在一定程度上,但它增加了时间和空间的开销。
4所示。结果与讨论
传统的机器学习方法,支持向量机(
48 ]和LMNN [
49 )是经典的分类样本的方法。深度学习(DL) [
50 )已经成功地应用在许多领域,如计算机视觉、语音识别和自然语言处理。LSTM提出了克服这一事实递归神经网络(RNN)不能处理远程依赖,尽管格勒乌LSTM的变体。格勒乌维护LSTM的影响与一个更简单的结构和在越来越多的领域发挥自己的优势。CNN是一个神经网络设计的过程数据类似于网格结构,如时间序列数据和图像数据,已成为最重要的一个代表DL由于其优良的分类性能在许多具有挑战性的应用程序
51 - - - - - -
53 ]。
在本节中,我们比较LightFD SVM, LMNN,格勒乌,CNN intrasubject和主体两方面。特别是,因为格勒乌和CNN依靠高维特性,我们不进行降维后CSP但直接使用这些高维特征作为输入格勒乌和CNN模型进行训练和测试。
对于支持向量机,内核类型是使用高斯核函数,惩罚参数设置为1.5,和概率估计被设置为“未启用。“LMNN,我们选择了欧氏距离作为距离度量,和最近的邻居被设置为3。格勒乌,我们使用一个时间步128单层结构,学习速率为0.001,RMSprop模型作为梯度下降法。包含一个CNN的模型结构
5
×
5
卷积(输出数量是32)和一个层
3
×
3
卷积层(输出数量是32),其次是最大池与步长为2层,和学习速率为0.01。
4.1。Intrasubject分类性能
对于每一个主题,我们随机抽取80%的脑电图信号作为训练集,表示Train_
我 作为测试集,剩下的20%,作为Test_表示
我 ,在那里
我 = 1,2,…,10表示
我 th,训练集与测试集的比例严格4:1;两个Train_
我 和Test_
我 降维后的数据集,我们改善CSP。
当比较LightFD SVM和LMNN,我们采用了Train_
我 和Test_
我 分别作为训练集和测试集的分类性能的分析。虽然比较LightFD格勒乌和CNN,由于格勒乌和CNN的高维特征的相关性,我们没有采用这些功能处理改善CSP作为输入但预处理后的原始数据。
测试结果如图
6 。的精神状态检测同一主题(intrasubject)、支持向量机和LMNN模型有相似的分类性能,和他们的平均分类精度分别为90.10%和88.10%,分别;然而,LightFD的平均精度达到95.31%,这比其他的要高得多。格勒乌和CNN只有超越LightFD主题s4的分类性能,而其他9个科目的分类精度不如LightFD。
图6
准确性比较SVM, LMNN, CNN,格勒乌,lightFD intrasubject分类。
![]()
此外,我们还计算的平均分类精度5 intrasubject模型,如表所示
2 。我们发现LightFD这些模型中最佳的分类性能。
表2
支持向量机的平均分类精度LMNN格勒乌,CNN, LightFD intrasubject。
模型
支持向量机
LMNN
LightFD
格勒乌
美国有线电视新闻网
平均精度(%)
90.10
88.10
95.31
77.01
84.37
评估LightFD的稳定性能,然后我们计算的方差LightFD的准确性,支持向量机,LMNN,格勒乌,CNN,分别如表所示
3 。
表3
方差分析的支持向量机,LMNN格勒乌,CNN, LightFD intrasubject。
模型
支持向量机
LMNN
LightFD
格勒乌
美国有线电视新闻网
方差
0.0065
0.0053
0.00084
0.0135
0.0126
从表
3 ,很明显,SVM和LMNN有某种程度上的类似的稳定性和比格勒乌和CNN,但LightFD的方差显著低于其他所有人,这表明LightFD在脑电图信号处理具有较好的鲁棒性,并进一步为其实际应用奠定了基础。
此外,验证LightFD的适用性,我们随机将现有数据集的5倍,并获得5组数据包含不同的测试集和训练集,然后测试的性能LightFD 5组的训练集和测试集。获得的结果如图
7 。从图
7 ,很明显,不同的数据集对分类的结果有一定的影响,例如,主题s4的平均精度下降约88%,但在一个整体,LightFD保持更高的分类精度在不同的测试数据集。
图7
分类精度统计10受试者条件下不同的测试集。
![]()
4.2。主体分类性能
脑电图信号主体间差异很大,这些差异会影响最终的分类结果。进一步测试LightFD的性能,在本节中,我们做了一个分类的性能分析的主体。
同样,我们混合所有10个科目的脑电图数据和随机选择它们作为训练集的80%,其余20%作为测试集。我们还进行了分类支持向量机之间的主体间的性能分析和比较分析,LMNN,格勒乌,CNN, LightFD。为了满足格勒乌和CNN的输入需要,我们还不执行的操作两个模型的降维。
如图
8 ,LightFD分类精度为91.67%,与74.54%,明显高于SVM LMNN 57.59%,与73.19%格勒乌,CNN的77.89%。CNN主体分析的综合性能略优于SVM但比LightFD低得多。也从主体分类结果,发现,与intrasubject测试相比,LightFD intrasubject能保持更稳定的性能分析,尽管脑电图的个体差异有更大影响其他四个模型的分类。因此,我们得出这样的结论:LightFD可以学习更多的功能,可以更好的扩展为主体的精神状态检测。
图8
支持向量机的分类精度,LMNN lightFD主体。
![]()
此外,类似的操作与intrasubject分析,我们可以得到5组数据具有不同的训练集和测试集,然后我们还计算和获得的平均精度的三个州使用这些5组数据集,这是TAV3 95.58%,卓尔93.97%,TAVX 83.71%。我们发现TAVX的分类精度较低。其原因可能是,据统计,TAVX状态更有可能被误诊为卓尔的状态。
4.3。转移LightFD的学习能力分析
数学上,转移学习被定义为以下(
54 ]。
给定一个源域
D
年代
=
X
年代
,
f
年代
x
和学习任务
T
年代
,一个目标域
D
T
=
X
T
,
f
T
X
和学习任务
T
T
、转让学习旨在帮助提高学习目标预测的功能
f
T
⋅
在
D
T
使用知识
D
年代
和
T
年代
,在那里
D
年代
≠
D
T
,或
T
年代
≠
T
T
。
转移学习强调系统识别的能力和应用知识和技能在以前的任务转移到目标预测任务来源。
在本节中,我们试图评估转让LightFD学习的能力。特别是,我们想要测量的性能LightFD一般模型对实时和有效的驾驶员疲劳检测,可直接用于精神状态识别没有任何额外的培训过程。这样最后的特性可能是非常重要的促进这样的脑电图分析的临床应用。
正如我们所知,脑电图信号不同学科之间存在显著差异。因此,很难评估精神状态的其他科目的情况只是从一些已知主题的脑电图特点,这意味着它需要加强学习能力在脑电图分析转移。
首先,我们选择从主题s1 s9脑电图数据作为训练集,主题s10作为测试集,然后用CSP找到投影矩阵,和其余的操作与中提到的是一致的
3所示。1 。基于以上实验结果,我们比较和分析了转移学习LightFD的性能,支持向量机,分别和LMNN模型。
三种心理状态的识别,即TAV3, TAVX,卓尔,SVM的分类精度和LMNN 54.95%和53.04%,分别而LightFD可能达到70.28%的有前途的分类精度,这证明了潜在的LightFD脑电图分析传输领域的学习。
此外,验证学习鲁棒性LightFD转移,我们进行了10交叉验证。十个主题,我们每次随机选择两个作为测试集,作为训练集,其余。梅达和LightFD MTLF被用于比较。随机选择测试集10交叉验证(s5, s7), (s1, s3), (s3, s5), (s3, s7), (s6、s7), (s4, s9), (s7、s9), (s4, s8), (s5, s6)和(s10 s6),分别,结果如图所示
9 。
图9
分类的准确性梅达、MTLF LightFD主体。
![]()
在未来,结合转移学习将是一个脑电图信号处理的主要发展趋势。我们相信LightFD, LightGBM-based模型与脑电图传输性能良好学习能力,将带来新的机遇和进步为脑电图分类和识别分析。
4.4。LightFD的时间复杂度分析
在本节中,探索的可行性lightFD在实际应用程序中,我们的时间复杂度分析和比较lightFD上述4典型模式:支持向量机,LMNN, CNN,格勒乌。
使用直方图在lightFD明显的好处是,计算分离获得的时间消耗下降
O
N
来
O
b
我
n
年代
。LightGBM通常采用垂直细分功能并行性的样本,而lightFD采用样本并行,即水平分割,建立当地全程直方图直方图,然后合并成找到最好的分割。通信传输成本的进一步优化
O
2
∗
#
功能
∗
#
本
来
O
0.5
∗
#
功能
∗
#
本
。
支持向量机的时间复杂度
O
Nsv
3
+
l
Nsv
2
+
d
l
Nsv
和
O
d
l
2
,在那里
Nsv
支持向量的个数,
l 训练集样本的数量,
d 每个样本的维数(原始维度没有映射到高维空间)。简而言之,它的时间消费取决于矩阵求逆,和时间复杂度
O
N
3
,在那里
N 是样品的数量。在小样本的情况下,支持向量机可以实现与lightFD类似的性能。但是随着样本数量的增加,时间消耗lightFD SVM比这高得多。
作为一种距离度量学习,LMNN需要计算每个样本之间的距离和其他所有样本在训练过程中。随着样本数量的增加,个别样品尺寸的增长,它将极大地增强LMNN的时间消耗。
深度学习模型、CNN和格勒乌是一种高级的抽象数据由多个处理层由多个非线性变换。复杂结构确定时间复杂度远远高于SVM和LMNN,尽管CNN和格勒乌往往表现得更好当样本容量变大,样本特征维度变得更高。
在CNN,单一的卷积层的时间复杂度
O
米
2
∗
K
2
∗
Cin
∗
Cout
,在那里
米 输出特性图的大小,是由四个参数,如输入大小
X 卷积核大小
K 、填充和跨步。表示如下:
米
=
X
−
K
+
2
∗
填充
/
步
+
1
。
K 卷积核的大小,
Cin
输入通道的数量,
Cout
是输出通道的数量。结果表明,CNN运行缓慢,在很大程度上依赖于计算机的配置的情况下更大的样本。
格勒乌,每个更新的计算复杂度
O
K
H
+
K
C
年代
+
H
我
+
C
年代
我
=
O
W
,在那里
K 是输出的数量单位,
C 是内存块元素的数量,
年代 代表内存块元素的大小,
H 是隐藏的数量单位,
我 向前是单位的数量与记忆元素,门单元,和隐藏的单元,然后呢
W
=
K
H
+
K
C
年代
+
C
年代
我
+
2
C
我
+
H
我
=
O
K
K
H
+
K
C
年代
+
C
年代
我
+
H
我
权重的数量。格勒乌比CNN和简单的执行比CNN的时间消耗。此外,它是速度比SVM和LMNN大样本的情况下,但仍然低于比lightFD及时消费。
总之,LightFD更快的运行速度比其他传统模型平均高达30%,显示更杰出的表现,尤其是在大样本的情况下,奠定了基础,在实时脑电图分析系统中的应用。