Electroencephalogram (EEG) is an essential tool used to analyze the activities effectively and different states of the brain. Drowsiness is a short period state of the brain that is also called an inattentiveness state. Drowsiness can be observed during the transition from being awake state to a sleepy state. Drowsiness can reduce a person’s alertness that increases accidental risks when involved in their personal and professional activities like vehicle driving, operating a crane, mine blasts, and so on. Drowsiness detection (DD) has a significant role in preventing accidents. Neuroscience with artificial intelligence algorithms used to detect drowsiness is also popularly known as brain–computer interface (BCI) systems. Single-channel EEG BCIs are highly preferred for convenient use in real-time applications, even though there are many challenges in the actual experimental process. They are choosing the best single-channel and classifier. In this article, a novel channel selection approach is proposed for a single-channel EEG-BCI system by integrating the statistical characteristics of the available channel’s EEG signal. In addition to this, a deep neural network (DNN) classifier is developed using the stack ensemble process for better classification accuracy. Simulated-virtual-driving driver and physionet sleep analysis EEG datasets (PSAEDs) are used to test the proposed model. Subject-wise, cross-subject-wise, and combined subject-wise validations are also employed to improve the generalization capability of the proposed techniques in this article.

中文翻译：

---

基于单通道脑电图 BCI 系统检测睡意的统计通道选择方法

脑电图 (EEG) 是用于有效分析大脑活动和不同状态的重要工具。困倦是大脑的一种短期状态，也称为注意力不集中状态。在从清醒状态到困倦状态的过渡期间可以观察到困倦。困倦会降低一个人的警觉性，这会增加个人和专业活动（如驾驶汽车、操作起重机、矿山爆炸等）时的意外风险。睡意检测（DD）在预防事故方面具有重要作用。使用人工智能算法检测睡意的神经科学也俗称脑机接口 (BCI) 系统。单通道 EEG BCI 非常适合在实时应用中方便使用，尽管在实际的实验过程中存在许多挑战。他们正在选择最好的单通道和分类器。在本文中，通过集成可用通道的 EEG 信号的统计特性，为单通道 EEG-BCI 系统提出了一种新的通道选择方法。除此之外，使用堆栈集成过程开发了深度神经网络 (DNN) 分类器，以提高分类精度。模拟虚拟驾驶驾驶员和 physionet 睡眠分析 EEG 数据集 (PSAED) 用于测试所提出的模型。还采用了主题、跨主题和组合主题验证来提高本文中提出的技术的泛化能力。在本文中，通过整合可用通道的 EEG 信号的统计特性，为单通道 EEG-BCI 系统提出了一种新的通道选择方法。除此之外，使用堆栈集成过程开发了深度神经网络 (DNN) 分类器，以提高分类精度。模拟虚拟驾驶驾驶员和 physionet 睡眠分析 EEG 数据集 (PSAED) 用于测试所提出的模型。还采用了主题、跨主题和组合主题验证来提高本文中提出的技术的泛化能力。在本文中，通过整合可用通道的 EEG 信号的统计特性，为单通道 EEG-BCI 系统提出了一种新的通道选择方法。除此之外，使用堆栈集成过程开发了深度神经网络 (DNN) 分类器，以提高分类精度。模拟虚拟驾驶驾驶员和 physionet 睡眠分析 EEG 数据集 (PSAED) 用于测试所提出的模型。还采用了主题、跨主题和组合主题验证来提高本文中提出的技术的泛化能力。使用堆栈集成过程开发了深度神经网络 (DNN) 分类器，以提高分类精度。模拟虚拟驾驶驾驶员和 physionet 睡眠分析 EEG 数据集 (PSAED) 用于测试所提出的模型。还采用了主题、跨主题和组合主题验证来提高本文中提出的技术的泛化能力。使用堆栈集成过程开发了深度神经网络 (DNN) 分类器，以提高分类精度。模拟虚拟驾驶驾驶员和 physionet 睡眠分析 EEG 数据集 (PSAED) 用于测试所提出的模型。还采用了主题、跨主题和组合主题验证来提高本文中提出的技术的泛化能力。