UMA ESTRUTURA ROBUSTA PARA DETECÇÃO DE FADIGA DE CONDUTOR A PARTIR DE SINAIS EEG USANDO O MELHORAMENTO DE Z-SCORE MODIFICADO E MÚLTIPLAS ARQUITETURAS DE APRENDIZADO DE MÁQUINA Parte 1

ABSTRATO: sinais fisiológicos, como eletroencefalograma (EEG), são usados ​​para observar as atividades cerebrais do motorista. Um sistema EEG portátil oferece várias vantagens, incluindo facilidade de operação, custo-benefício, portabilidade e poucas restrições físicas. No entanto, pode ser um desafio analisar sinais de EEG, pois geralmente contêm vários artefatos, incluindo atividades musculares, piscar de olhos e ruídos indesejados. Este estudo utilizou uma abordagem de análise de componente independente (ICA) para eliminar esses sinais indesejados dos dados não processados ​​de EEG de 12 jovens participantes fisicamente aptos do sexo masculino com idades entre 19 e 24 anos que participaram de uma simulação de direção. Além disso, a detecção do estado de fadiga do motorista foi realizada usando sinais EEG multicanal obtidos de O1, O2, Fp1, Fp2, P3, P4, F3 e F4. Um z-score modificado aprimorado foi utilizado com recursos extraídos de uma transformada de onda contínua (CWT) no domínio da frequência de tempo para elevar a confiabilidade da classificação de fadiga do motorista. A metodologia proposta oferece várias vantagens. Primeiro, a análise EEG multicanal melhora a precisão da detecção do estágio do sono, o que é vital para a detecção precisa da fadiga do motorista. Em segundo lugar, um escore z modificado aprimorado na extração de recursos é mais robusto do que as técnicas convencionais de escore z, tornando-o mais eficaz para remover valores atípicos e melhorar a precisão da classificação. Em terceiro lugar, a abordagem proposta para detectar a fadiga do motorista emprega vários classificadores de aprendizado de máquina, como Redes Neurais Convolucionais (CNNs), Redes Neurais Recorrentes (RNNs), Redes Neurais Artificiais (ANNs) que utilizam Memória de Longo Prazo Curto (LSTM) e também aprendizado de máquina técnicas como Support Vector Machines (SVM). A avaliação de cinco classificadores foi realizada por meio de validação cruzada 5-fold. Os resultados indicam que a estrutura sugerida atinge uma precisão excepcional na identificação da fadiga do motorista, com uma taxa média de precisão de 96,07 por cento . Entre os classificadores, o classificador ANN alcançou a precisão mais significativa de 99,65 por cento, e o classificador SVM ficou em segundo lugar com uma precisão de 97,89 por cento. Com base nos resultados da análise da característica de operação do receptor (ROC) e da área sob a curva (AUC), observou-se que todos os classificadores tiveram desempenho excepcional, com valor médio de AUC de 0,95. A contribuição deste estudo está em apresentar uma estrutura abrangente e eficaz que pode detectar com precisão a fadiga do motorista a partir de sinais de EEG.

Cistanche pode atuar como um anti-fadiga e intensificador de resistência, e estudos experimentais mostraram que a decocção de Cistanche tubulosa pode efetivamente proteger os hepatócitos hepáticos e as células endoteliais danificadas em camundongos nadadores de sustentação de peso, regular positivamente a expressão de NOS3 e promover o glicogênio hepático síntese, exercendo assim eficácia anti-fadiga. O extrato de Cistanche tubulosa rico em glicosídeos feniletanóides pode reduzir significativamente os níveis séricos de creatina quinase, lactato desidrogenase e lactato e aumentar os níveis de hemoglobina (HB) e glicose em camundongos ICR, e isso pode desempenhar um papel antifadiga ao diminuir o dano muscular e retardar o enriquecimento de ácido lático para armazenamento de energia em camundongos. Compound Cistanche Tubulosa Tablets prolongou significativamente o tempo de natação com sustentação de peso, aumentou a reserva de glicogênio hepático e diminuiu o nível de uréia sérica após o exercício em camundongos, mostrando seu efeito antifadiga. A decocção de Cistanchis pode melhorar a resistência e acelerar a eliminação da fadiga em camundongos exercitados, e também pode reduzir a elevação da creatina quinase sérica após o exercício de carga e manter a ultraestrutura do músculo esquelético de camundongos normal após o exercício, o que indica que tem os efeitos de aumentar a força física e anti-fadiga. Cistanchis também prolongou significativamente o tempo de sobrevivência de camundongos envenenados por nitrito e aumentou a tolerância contra hipóxia e fadiga.

Clique em O que é sobre se sentir cansado

【Para mais informações:george.deng@wecistanche.com / WhatApp:8613632399501】

ABSTRAK: Isyarat fisiologi, seperti eletroencefalograma (EEG), digunakan bagi memerhati aktiviti otak pemandu. O sistema EEG mudah alih menyediakan beberapa kelebihan, termasuk kemudahan operasi, keberkesanan kos, mudah alih dan sedikit sekatan fizikal. Namun, isyarat EEG mungkin sukar dianalisis kerana ia vendo mengandungi pelbagai artifak, termasuk aktiviti otot, mata berkedip dan bunyi yang tidak diingini. Kajian ini menggunakan pendekatan analisis komponen bebas (ICA) bagi membuang isyarat tidak diperlukan daripada data EEG yang belum diproses daripada 12 peserta lelaki muda, cergas fizikal berumur 19 hingga 24 tahun yang mengambil bahagian dalam simulasi pemanduan. Também, pengesanan keadaan lesu pemandu telah dijalankan menggunakan isyarat EEG berbilang saluran yang diperoleh dari O1, O2, Fp1, Fp2, P3, P4, F3, dan F4. Penambah baik skor z digunakan dengan ciri diekstrak daripada transformasi wavelet berterusan (CWT) domain frekuensi masa bagi meningkatkan kebolehpercayaan klasifikasi keletihan pemandu. Metodologi yang dicadangkan menawarkan beberapa kelebihan. Pertama, analisis EEG berbilang saluran meningkatkan ketepatan pengesanan peringkat tidur, penting bagi pengesanan keletihan pemandu secara tepat. Kedua, penambah baik skor z dalam pengekstrak ciri adalah lebih teguh daripadateknik skor z konvensional, menjadikannya lebih berkesan bagi membuang unsur luaran dan meningkatkan ketepatan pengelasan. Ketiga, pendekatan yang dicadangkan bagi mengesan keletihan pemandu menggunakan pelbagai pengelas mesin, seperti Rangkaian Neural Konvolusi (CNN), Rangkaian Neural Berulang (RNN), Rangkaian Neural Buatan (ANN) yang menggunakan Memori Jangka Pendek Panjang (LSTM), e juga teknik pembelajaran mesin seperti Mesin Vektor Sokongan (SVM). Penilaian lima pengelas dilakukan melalui pengesahan silang 5 kali ganda. Dapatan kajian menunjukkan cadangan rangka kerja ini mencapai ketepatan yang luar biasa dalam mengenal pasti keletihan pemandu, dengan kadar ketepatan purata 96.07 percent . Antara kesemua pengelas, pengelas ANN mencapai ketepatan empalidecendo ketara sebanyak 99,65 por cento, e pengelas SVM menduduki tempat kedua dengan ketepatan 97,89 por cento. Analisando a análise da operação penitenciária (ROC) e a duração total (AUC), didapati semua pengelas mempunyai prestasi cemerlang, com purata nilai AUC 0,95. Sumbangan kajian ini adalah terletak pada rangka kerja yang komprehensif dan berkesan mengesan keletihan pemandu secara tepat melalui isyarat EEG.

PALAVRAS-CHAVE: fadiga do motorista; eletroencefalograma (EEG); pontuação z; aprendizado profundo

1. INTRODUÇÃO

De acordo com as estatísticas da Organização Mundial da Saúde, cerca de 127,000 indivíduos perdem suas vidas em acidentes de trânsito anualmente, com quase um terço dessas vítimas sendo adolescentes e adultos jovens [1]. A fadiga ao dirigir contribui para as mortes em acidentes rodoviários, contribuindo para mais de dez mil mortes em uma estimativa conservadora. Recentemente, alguns veículos autônomos propuseram um sistema de alerta para prevenir acidentes rodoviários devido à fadiga do motorista. O sistema solicitaria aos motoristas que fizessem uma pausa na direção prolongada, soando um alarme no veículo, notificando o motorista para parar de dirigir e fazer uma pausa para o café.

Sinais fisiológicos como eletroencefalogramas (EEG) são usados ​​para observar as atividades cerebrais de um motorista. Um sistema de EEG portátil oferece várias vantagens sobre outros sistemas de eletroencefalografia, incluindo facilidade de operação, custo-efetividade, portabilidade e poucas restrições físicas [2]. A presença de artefatos nos sinais de EEG, como atividade muscular, piscar de olhos e ruído indesejado, pode representar um desafio significativo para a análise. Portanto, o presente trabalho propõe o uso de uma técnica de análise de componentes independentes (ICA) para eliminar esse ruído do sinal EEG bruto. Numerosos estudos sugeriram que um componente essencial da detecção precisa do estágio do sono é a análise de EEGs multicanal [3]. Consequentemente, o presente estudo considera sinais EEG multicanal obtidos de O1, O2, Fp1, Fp2, P3, P4, F3 e F4 para detectar estados de fadiga do motorista.

Os recursos de um domínio de frequência de tempo, transformada contínua de onda (CWT) com pontuação z modificada aprimorada melhoraram a precisão da classificação de fadiga do motorista. É importante escolher os melhores recursos para obter melhores resultados. A wavelet mãe de Morlet é uma prática comum em técnicas CWT convencionais devido a sua eficiência computacional, superando outros métodos. Isso ocorre porque a wavelet de Morlet envolve menos computações, a maioria das quais é realizada por meio da transformada rápida de Fourier, exigindo menos código [4].

No campo da análise de dados e controle de qualidade, a identificação de outliers é uma etapa crucial para garantir a precisão e a validade das análises estatísticas. O z-score é um método amplamente utilizado para detectar outliers em conjuntos de dados, mas é suscetível a valores extremos e não é considerado robusto na presença de tais outliers. O z-score modificado foi introduzido para resolver esse problema, que é menos sensível a outliers e se tornou um método popular para detecção de outliers em várias aplicações. Nos últimos anos, o z-score modificado também foi aplicado à extração de recursos em aprendizado de máquina e processamento de sinais, onde a remoção de valores atípicos é crucial para uma análise precisa e robusta. Este artigo apresenta um aprimoramento do método z-score modificado para extração de características no processamento de sinais, especificamente na detecção de fadiga do motorista usando sinais EEG.

Nosso método proposto tem vários pontos fortes. Primeiro, o uso da análise EEG multicanal melhora a precisão da detecção do estágio do sono, o que é vital para a detecção precisa da fadiga do motorista. Em segundo lugar, nosso uso de escore z modificado aprimorado na extração de recursos é mais robusto do que as técnicas convencionais de escore z, tornando-o mais eficaz para remover valores atípicos e melhorar a precisão da classificação. Em terceiro lugar, nossa abordagem utiliza vários classificadores de aprendizado de máquina, fornecendo um método abrangente e preciso para detecção de fadiga do motorista.

Este artigo apresenta uma metodologia para a identificação precisa de níveis distintos de sonolência do motorista, utilizando diversos classificadores de aprendizado de máquina, incluindo Redes Neurais Convolucionais (CNNs), Redes Neurais Recorrentes (RNNs), Redes Neurais Artificiais (ANNs) que incorporam Memória de Longo Prazo (LSTM) e abordagens de aprendizado de máquina como Support Vector Machines (SVM). Uma técnica de escore z modificada para aprimorar o recurso estatístico da classificação também foi introduzida, o que melhorou significativamente a precisão do método proposto. Para avaliar a eficácia dessa abordagem, uma estratégia de validação cruzada 5- foi empregada para distinguir entre fadiga do motorista e estados normais.

2. TRABALHOS RELACIONADOS

A detecção de outliers é crítica em vários campos, incluindo monitoramento ambiental, geologia, epidemiologia e mineração de dados. O z-score modificado é uma técnica frequentemente empregada para detecção de outliers, que considera a média ponderada de pontos de dados adjacentes para estimar o valor antecipado de cada ponto. Aggarwal et ai. propuseram um método de pontuação z modificado para detectar outliers espaciais em conjuntos de dados com autocorrelação espacial [5]. A técnica melhora a precisão e robustez do teste z-score usando uma média aparada em vez da média aritmética usual. O estudo avaliou o método em conjuntos de dados simulados e do mundo real e mostrou resultados promissores na detecção de outliers espaciais. Embora o método do escore z modificado proposto por Aggarwal et al. detecta efetivamente outliers espaciais com autocorrelação espacial, pode não funcionar bem em conjuntos de dados sem autocorrelação espacial. Além disso, usar uma média aparada em vez da média aritmética pode resultar na perda de informações valiosas do conjunto de dados.

Sandbhor et ai. investigou a importância de detectar outliers na mineração de dados e seu efeito na qualidade e saída de modelos de previsão [6]. O objetivo principal do estudo foi determinar a abordagem mais eficaz para detectar outliers em redes neurais (NN) para prever valores imobiliários. Os autores avaliaram vários métodos de detecção de valores discrepantes univariados, como Desvio Padrão de Tukey (DP), mediana, escore z, desvio absoluto mediano (MAD) e escore z modificado, em um conjunto de 3.094 instâncias de dados de vendas de propriedades. Com base nos achados, pode-se concluir que, para esse problema em particular, a técnica da mediana se mostrou a abordagem mais eficiente para detectar outliers. Embora Sandbhor et al. descobriram que a técnica mediana era a abordagem mais eficiente para detectar outliers em redes neurais para previsão de valor imobiliário, é importante observar que essa conclusão pode não se aplicar necessariamente a outros tipos de conjuntos de dados ou técnicas de detecção de outliers. Além disso, o estudo avaliou apenas métodos de detecção de outliers univariados e não considerou técnicas multivariadas, que podem ser mais eficazes em determinadas aplicações.

Leite e cols. conduziram um estudo para avaliar a eficácia do z-score modificado como um indicador para identificar mudanças em recursos baseados em entropia para detectar falhas em rolamentos [7]. A pesquisa envolveu o uso de 12 recursos baseados em entropia nos domínios de tempo, frequência e frequência de tempo, além de três medidas de entropia diferentes, a saber, entropia de Shannon, entropia de Renyi e divergência de Jensen-Renyi. A técnica proposta foi aplicada para processar dois conjuntos de dados reais obtidos a partir de experimentos conduzidos até o ponto de falha. Além disso, três rolamentos com defeitos diferentes foram examinados para verificar o desempenho dos recursos baseados em entropia. Os resultados demonstraram que a pontuação modificada é um método robusto para detecção de mudanças em características baseadas em entropia, destacando seu potencial para detecção precoce de anomalias nos sinais de vibração dos mancais. Esta descoberta sugere que a técnica proposta pode ser efetivamente utilizada para diagnóstico de falhas em rolamentos. No entanto, é importante observar que o estudo avaliou apenas a eficácia do método z-score modificado em dois conjuntos de dados de rolamentos reais obtidos de experimentos conduzidos até o ponto de falha e três rolamentos com defeitos diferentes.

Embora a detecção de outliers seja uma ferramenta poderosa para identificar pontos de dados exclusivos, várias limitações devem ser consideradas. Por exemplo, em alguns casos, pode não haver uma definição clara do que constitui um outlier, dificultando a determinação de quais pontos de dados sinalizar. Além disso, métodos de detecção de outliers podem produzir falsos positivos ou negativos, levando a conclusões e recomendações incorretas. Além disso, escolher o método de detecção de outlier apropriado para um conjunto de dados ou problema específico pode ser complexo e não há uma solução única para todos. Além disso, embora a detecção de outliers possa identificar pontos de dados anômalos, ela nem sempre aborda a causa subjacente do outlier ou fornece uma solução para o problema. Portanto, para obter o máximo da detecção de outliers, é essencial considerar cuidadosamente os objetivos e o contexto da análise. Também é importante usar a detecção de outliers em conjunto com outras ferramentas e técnicas analíticas para obter uma compreensão mais abrangente dos dados e desenvolver soluções eficazes que abordam a causa raiz de quaisquer anomalias identificadas.

Várias técnicas têm sido sugeridas para identificar os mecanismos subjacentes de fadiga em sinais de EEG. Entre eles, um método envolve a computação de tipos distintos de entropias como conjuntos de recursos baseados em um canal solitário [8]. Quintero-Rincon apresentou um método direto e eficiente para identificar a fadiga do motorista em sistemas de tempo real usando um sinal EEG de canal único [9]. O algoritmo seleciona o canal mais significativo e extrai quatro parâmetros de recursos para detectar a fadiga usando um classificador de árvores de decisão ensemble bagged. Utilizando dados obtidos do banco de dados da Universidade de Tecnologia de Jiangxi, a abordagem proposta atinge uma precisão de 92,7% com um atraso de 1,8-segundo. No entanto, é importante observar que o estudo avaliou o método em um conjunto de dados específico, e pesquisas adicionais podem ser necessárias para determinar sua eficácia em outros conjuntos de dados e sob diferentes condições. Além disso, o atraso de 1,8 segundos pode não ser prático para monitoramento em tempo real em algumas situações, sendo importante considerar o possível impacto na segurança do motorista caso haja atraso na detecção de fadiga.

Em outro estudo, Jing et al. teve como objetivo detectar a fadiga ao dirigir em ambientes de platô de baixa tensão e hipóxia usando métodos de monitoramento subjetivos e objetivos [10]. Os sinais de EEG de testes de direção em tempo real foram submetidos a análises não lineares e lineares para avaliar a tendência do sinal durante os estados de vigília, crítico e fadiga. As características de energia (mais θ)/ e (mais)/θ foram identificadas como potenciais marcadores de fadiga ao dirigir nesses ambientes, fornecendo uma base para o desenvolvimento de um sistema de alerta de fadiga ao dirigir. No entanto, o estudo foi limitado a testes de fadiga em campo em um ambiente específico, e mais pesquisas são necessárias para validar as descobertas em outros ambientes e condições de direção.

Além disso, Zhang et al. propuseram uma abordagem inovadora conhecida como agrupamento em redes cerebrais (CBNs) para melhorar o desempenho da detecção de fadiga do motorista [11]. A abordagem CBNs emprega um algoritmo de agrupamento para identificar nós espaciais com características de conectividade únicas a partir de dados de eletroencefalograma (EEG). As características de entropia wavelet obtidas desses nós são então transformadas em imagens espaço-temporais e examinadas usando uma técnica de detecção de borda de imagem para diferenciar entre vários estágios de fadiga. Este método reduz a interferência do sinal e detecta a fadiga antes do aparecimento de sentimentos subjetivos, tornando-se uma ferramenta potencialmente útil para alerta precoce e prevenção de acidentes. A pesquisa demonstrou as limitações do uso de indicadores EEG nos domínios de tempo e frequência para detecção confiável de fadiga do motorista devido ao desafio da mistura de sinal e tamanho limitado da amostra, faltando comparação com métodos existentes e validação em cenários de direção do mundo real. Então, o pesquisador anterior propôs um sistema inteligente para detecção automatizada de fadiga do motorista utilizando sinais EEG [12]. Este sistema compreende uma rede de geração de recursos que utiliza descritores de textura e um método híbrido de seleção de recursos para aumentar a precisão da detecção. A estrutura proposta alcançou uma precisão de classificação impressionante de 97,29% para detectar fadiga usando sinais EEG, destacando seu potencial para detecção eficiente de fadiga do motorista. No entanto, a estrutura proposta utilizou algoritmos tradicionais de aprendizado de máquina, o que pode limitar sua capacidade de adaptação a ambientes de direção complexos e dinâmicos.

A pesquisa proposta apresenta uma nova abordagem para detectar com eficiência a fadiga do motorista usando sinais de EEG [13]. O método emprega um novo algoritmo de seleção de canal baseado em coeficientes de correlação, um classificador de conjunto usando subespaço aleatório k vizinhos mais próximos (k-NN) e densidade espectral de potência (PSD) para extração de recursos. A abordagem alcançou uma precisão impressionante de 99,99 por cento para identificar a fadiga do motorista usando sinais EEG em uma 0.5-segunda janela de tempo. O método proposto demonstra forte desempenho e pode efetivamente detectar a fadiga do motorista baseada em EEG. No entanto, devido à sua alta complexidade computacional, um classificador baseado em k-NN pode não ser adequado para aplicações de tempo real. Hwang e outros. propuseram um modelo independente de classificação do estado de fadiga do motorista baseado em EEG em outro estudo que aborda as lacunas de desempenho individual [14]. Os autores utilizaram uma abordagem de treinamento adversário para induzir a classificação incorreta de rótulos de assunto no modelo de classificação. Além disso, eles incorporaram uma técnica de minimização de distância entre indivíduos (IFDM) para minimizar as discrepâncias de desempenho entre os indivíduos. Seu método permitiu o treinamento em conjuntos de dados de EEG com rótulos de assunto limitados e foi avaliado no conjunto de dados SEED-VIG, resultando em precisão superior e menor variabilidade de desempenho individual ao classificar a sonolência. No entanto, uma das principais desvantagens é que os sinais de EEG contêm grandes diferenças entre os indivíduos, dificultando a construção de um modelo unificado que possa funcionar bem para todos os indivíduos.

Os estudos revisados ​​propõem vários métodos para detectar a fadiga do motorista usando sinais de EEG, desde a extração de recursos de canal único até modelos de aprendizado de máquina mais complexos. Uma abordagem comum envolve o uso de densidade espectral de potência e várias medidas de entropia como conjuntos de recursos, enquanto outras utilizam algoritmos de agrupamento e detecção de borda de imagem para distinguir diferentes estágios de fadiga. Vários estudos também abordam as lacunas de desempenho individual e a variabilidade do sujeito, empregando estratégias de treinamento adversárias e normalização de lotes específicos de componentes. Esses estudos demonstram o potencial da detecção de fadiga do motorista baseada em EEG para alerta precoce e prevenção de acidentes, alcançando alta precisão e fornecendo novas possibilidades para extrair mais informações de dados complexos de EEG. No entanto, os métodos variam em complexidade computacional, o número de canais necessários e o nível de independência do assunto alcançado, sugerindo que mais pesquisas são necessárias para identificar a abordagem mais eficiente e eficaz para aplicações práticas.

Wilapiprasitporn et al. propôs uma abordagem de aprendizado profundo que combina CNN e RNN para identificar indivíduos usando dados afetivos de EEG [15]. O estudo deles usou o banco de dados para análise de emoções usando o conjunto de dados de sinais fisiológicos (DEAP) e mostrou que o método proposto supera um sistema de linha de base SVM com uma taxa de reconhecimento correto (CRR) de até 99,90-100 percent . Pesquisas recentes sugerem que os modelos CNN-GRU superam os modelos CNN-LSTM na identificação de indivíduos usando dados de EEG da região frontal do cérebro e são eficazes em combater o impacto dos estados afetivos. No entanto, o método proposto depende de sinais de EEG, o que pode exigir equipamentos especializados e experiência em coleta e análise de dados. Qin e outros. propuseram um modelo de aprendizado profundo que combina CNN e LSTM para extrair recursos de veias de imagens brutas para biometria de dedos e veias [16]. O modelo proposto usa codificação supervisionada para eliminar a textura da veia binária, resultando em uma precisão de verificação significativamente melhorada quando avaliada em um banco de dados de veias do dedo disponível publicamente. No entanto, os modelos de aprendizagem profunda são propensos a overfitting, aprendendo muito bem os dados de treinamento e falhando em generalizar para novos dados. Técnicas como regularização e abandono podem ajudar a evitar o overfitting.

Mondal et ai. desenvolveram uma estrutura de aprendizado multitarefa usando uma CNN e um modelo bidirecional de memória de longo prazo (Bi-LSTM) para analisar fluxos de trabalho cirúrgicos a partir de dados de vídeo [17]. Sua estrutura incluía uma função de perda de distribuição conjunta para uso simultâneo de ferramentas durante a identificação de fase. O método proposto demonstrou excelente desempenho de ferramenta e identificação de fase em comparação com abordagens anteriores quando avaliado no conjunto de dados Cholec80. No entanto, a limitação deste estudo foi que ele foi avaliado apenas em um único conjunto de dados e não está claro o quão bem a abordagem proposta se generalizaria para outros conjuntos de dados cirúrgicos. Hu et ai. propôs a Deep Complex Convolution Recurrent Network (DCCRN), uma arquitetura de rede que pode lidar com estruturas CNN e RNN e replicar operações de valor complexo [18]. No desafio Interspeech 2020 Deep Noise Suppression (DNS), o DCCRN superou as redes anteriores com base em métricas objetivas e subjetivas e obteve a classificação máxima para a faixa em tempo real e a segunda classificação para a faixa não em tempo real com base na pontuação média de opinião (MOS). A rede DCCRN proposta com parâmetros de 3,7M provou ser altamente eficaz nesta tarefa. No entanto, o estudo focou no aprimoramento da fala em ambientes limpos e não considerou condições ruidosas ou reverberantes comuns em cenários do mundo real.

Os pesquisadores propuseram um modelo de aprendizado de máquina que utilizou CNN, arquitetura U-net, RNN e arquitetura LSTM para criar configurações de topologia estrutural que atendessem aos critérios mínimos de conformidade e deformação sob várias condições de carga e limitações de fração de volume. O modelo foi treinado usando dados de simulação de elementos finitos gerados aleatoriamente e uma estratégia para remover elementos durante o treinamento. O modelo superou os métodos tradicionais em relação a tempo, custo e praticidade quando aplicado a projetos de topologia estrutural de vigas em balanço bidimensionais e tridimensionais. Essa abordagem baseada em dados pode acelerar os procedimentos preliminares de projeto estrutural [19]. No entanto, as limitações do estudo incluem a necessidade de dados de treinamento e a falta de validação em aplicações do mundo real. Mais tarde, outros pesquisadores se concentraram em melhorar os modelos de estimativa de radiação solar na meteorologia agrícola devido à disponibilidade limitada de dados e baixa qualidade dos dados [20]. Vários modelos de redes neurais (SVM, Extreme Learning Machine, CNN e LSTM) foram desenvolvidos e testados no sul da Espanha usando diferentes configurações de variáveis ​​de entrada. O desempenho foi analisado usando vários índices estatísticos. Uma limitação deste estudo é que ele se concentrou apenas em usar temperatura e umidade relativa como variáveis ​​de entrada para estimativa de radiação solar. Outras variáveis ​​climáticas que podem afetar a radiação solar, como pressão atmosférica, cobertura de nuvens e velocidade do vento, não foram incluídas neste estudo. A incorporação dessas variáveis ​​poderia potencialmente melhorar a precisão da estimativa da radiação solar.

Os trabalhos anteriores discutiram diferentes abordagens de aprendizado profundo para várias aplicações, incluindo identificação afetiva de pessoa baseada em EEG, biometria de veia do dedo, análise de fluxo de trabalho cirúrgico, aprimoramento de fala e design de topologia estrutural. Os modelos propostos mostraram melhorias significativas de precisão, eficiência e aplicabilidade em relação aos métodos anteriores. Diferentes arquiteturas de aprendizado profundo, como CNNs, RNNs e LSTM, extraíram recursos de dados brutos, como sinais de EEG, dados de vídeo e dados de simulação. Os modelos foram avaliados em diferentes conjuntos de dados e alcançaram resultados de ponta em relação à taxa de reconhecimento, precisão média média e pontuação média de opinião. Além disso, modelos de aprendizado profundo foram usados ​​para melhorar os modelos de estimativa de radiação solar na meteorologia agrícola.

Em conclusão, a detecção de outliers é uma ferramenta valiosa para identificar anomalias nos dados. No entanto, suas limitações devem ser consideradas com cuidado, como a falta de uma definição clara do que é um outlier, a possibilidade de falsos positivos ou falsos negativos e o desafio de escolher o método apropriado para um conjunto de dados ou problema específico. A detecção de fadiga do motorista baseada em EEG mostrou grande potencial para alerta precoce e prevenção de acidentes usando vários métodos de aprendizado profundo, alcançando alta precisão e extraindo mais informações de dados complexos de EEG. Além disso, o aprendizado profundo melhorou significativamente a precisão, a eficiência e a aplicabilidade para várias aplicações, como identificação afetiva de pessoas baseada em EEG, biometria da veia do dedo, análise de fluxo de trabalho cirúrgico, aprimoramento de fala e design de topologia estrutural. Mais pesquisas são necessárias para identificar a abordagem mais eficiente e eficaz para aplicações práticas em detecção de outliers e aprendizado profundo.

【Para mais informações:george.deng@wecistanche.com / WhatApp:8613632399501】