Vehicle accidents are the primary cause of fatalities worldwide. Most often, experiencing fatigue on the road leads to operator errors and behavioral lapses. Thus, there is a need to predict the cognitive state of drivers, particularly their fatigue level. Electroencephalography (EEG) has been demonstrated to be effective for monitoring changes in the human brain state and behavior. Thirty-seven subjects participated in this driving experiment and performed a perform lane-keeping task in a visual-reality environment. Three domains, namely, frequency, temporal, and 2-D spatial information, of the EEG channel location were comprehensively considered. A 4-D convolutional neural-network (4-D CNN) algorithm was then proposed to associate all information from the EEG signals and the changes in the human state and behavioral performance. A 4-D CNN achieves superior forecasting performance over 2-D CNN, 3-D CNN, and shallow networks. The results showed a 3.82% improvement in the root mean-square error, a 3.45% improvement in the error rate, and a 11.98% improvement in the correlation coefficient with 4-D CNN compared with 3-D CNN. The 4-D CNN algorithm extracts the significant theta and alpha activations in the frontal and posterior cingulate cortices under distinct fatigue levels. This work contributes to enhancing our understanding of deep learning methods in the analysis of EEG signals. We even envision that deep learning might serve as a bridge between translation neuroscience and further real-world applications.

中文翻译：

---

基于大脑动态状态分析的驾驶性能预测系统，使用 4-D 卷积神经网络

车辆事故是全世界死亡的主要原因。大多数情况下，在路上经历疲劳会导致操作员错误和行为失误。因此，需要预测驾驶员的认知状态，尤其是他们的疲劳程度。脑电图 (EEG) 已被证明可有效监测人脑状态和行为的变化。三十七名受试者参加了这次驾驶实验，并在视觉现实环境中执行了车道保持任务。综合考虑了 EEG 通道位置的三个域，即频率、时间和二维空间信息。然后提出了一种 4-D 卷积神经网络 (4-D CNN) 算法，将来自 EEG 信号的所有信息与人类状态和行为表现的变化相关联。4-D CNN 的预测性能优于 2-D CNN、3-D CNN 和浅层网络。结果表明，与3-D CNN相比，4-D CNN的均方根误差提高了3.82%，错误率提高了3.45%，相关系数提高了11.98%。4-D CNN 算法在不同的疲劳水平下提取额叶和后扣带回皮层中的显着 theta 和 alpha 激活。这项工作有助于增强我们对 EEG 信号分析中深度学习方法的理解。我们甚至设想深度学习可以作为翻译神经科学和进一步现实世界应用之间的桥梁。与 3-D CNN 相比，4-D CNN 的错误率提高了 45%，相关系数提高了 11.98%。4-D CNN 算法在不同的疲劳水平下提取额叶和后扣带回皮层中的显着 theta 和 alpha 激活。这项工作有助于增强我们对 EEG 信号分析中深度学习方法的理解。我们甚至设想深度学习可以作为翻译神经科学和进一步现实世界应用之间的桥梁。与 3-D CNN 相比，4-D CNN 的错误率提高了 45%，相关系数提高了 11.98%。4-D CNN 算法在不同的疲劳水平下提取额叶和后扣带回皮层中的显着 theta 和 alpha 激活。这项工作有助于增强我们对 EEG 信号分析中深度学习方法的理解。我们甚至设想深度学习可以作为翻译神经科学和进一步现实世界应用之间的桥梁。这项工作有助于增强我们对 EEG 信号分析中深度学习方法的理解。我们甚至设想深度学习可以作为翻译神经科学和进一步现实世界应用之间的桥梁。这项工作有助于增强我们对 EEG 信号分析中深度学习方法的理解。我们甚至设想深度学习可以作为翻译神经科学和进一步现实世界应用之间的桥梁。