先进制造技术

本发明公开了基于多尺度卷积核尺寸CNN的驾驶员疲劳状态识别方法，包括如下步骤：S1、数据准备：将采集到的脑电信号进行预处理，得到标准格式数据；S2、数据增强：采用频率掩蔽和频域重组算法对原数据进行数据增强；S3：模型训练，采用多尺度卷积核尺寸混合CNN模型对原始数据和增强数据构成的数据集进行训练，得到分类器；S4、状态识别：把预处理后的脑电数据输入到分类器模型中，得到样本的状态标签以及可解释的模型分类依据；本发明提高了模型分类性能，在持续注意力驾驶任务数据集识别疲劳状态任务中，实现了较高的准确率；并设计了添加频率噪声和频率掩蔽两种数据增强方法与CNN模型集成，进一步提高模型的泛化能力。

提高识别准确性：多尺度卷积核尺寸CNN能够捕捉驾驶员面部特征的细微变化，显著提高疲劳状态识别的准确性，降低误判率。

增强实时性：该算法能够快速处理视频流数据，实时监测驾驶员状态，及时发出预警，保障行车安全。

推动智能驾驶发展：该技术为智能驾驶系统提供核心支持，助力自动驾驶技术的进步，提升车辆的安全性和智能化水平。

拓展应用场景：除汽车驾驶外，该技术还可应用于航空、铁路等领域的疲劳监测，推动交通运输行业的智能化升级。

本发明设计一种多尺度卷积核尺寸混合的卷积神经网络对驾驶员疲劳状态进行识别，在持续注意力疲劳驾驶数据集中，取得2％的分类性能提升，提高了疲劳状态识别模型的分类性能，同时通过采用频率掩蔽和添加频域噪声的数据增强方法与多尺度卷积核尺寸CNN模型集成，进一步提升模型的分类性能和泛化能力。