Driver mental fatigue leads to thousands of traffic accidents. The increasing quality and availability of low-cost electroencephalogram (EEG) systems offer possibilities for practical fatigue monitoring. However, non-data-driven methods, designed for practical, complex situations, usually rely on handcrafted data statistics of EEG signals. To reduce human involvement, we introduce a data-driven methodology for online mental fatigue detection: self-weight ordinal regression (SWORE). Reaction time (RT), referring to the length of time people take to react to an emergency, is widely considered an objective behavioral measure for mental fatigue state. Since regression methods are sensitive to extreme RTs, we propose an indirect RT estimation based on preferences to explore the relationship between EEG and RT, which generalizes to any scenario when an objective fatigue indicator is available. In particular, SWORE evaluates the noisy EEG signals from multiple channels in terms of two states: shaking state and steady state. Modeling the shaking state can discriminate the reliable channels from the uninformative ones, while modeling the steady state can suppress the task-nonrelevant fluctuation within each channel. In addition, an online generalized Bayesian moment matching (online GBMM) algorithm is proposed to online-calibrate SWORE efficiently per participant. Experimental results with 40 participants show that SWORE can maximally achieve consistent with RT, demonstrating the feasibility and adaptability of our proposed framework in practical mental fatigue estimation.

中文翻译：

---

通过间接脑动力学评估进行在线精神疲劳监测。

驾驶员精神疲劳导致交通事故数以千计。低成本脑电图 (EEG) 系统的质量和可用性不断提高，为实际疲劳监测提供了可能性。然而，为实际复杂情况设计的非数据驱动方法通常依赖于手工制作的 EEG 信号数据统计。为了减少人为参与，我们引入了一种数据驱动的在线心理疲劳检测方法：自重有序回归（SWORE）。反应时间（RT）是指人们对紧急情况做出反应的时间长度，被广泛认为是衡量精神疲劳状态的客观行为指标。由于回归方法对极端 RT 敏感，我们提出了一种基于偏好的间接 RT 估计，以探索 EEG 和 RT 之间的关系，当客观疲劳指标可用时，它可以推广到任何场景。特别是，SWORE 根据两种状态评估来自多个通道的嘈杂 EEG 信号：抖动状态和稳定状态。对抖动状态建模可以区分可靠通道和无信息通道，而对稳态建模可以抑制每个通道内与任务无关的波动。此外，提出了一种在线广义贝叶斯矩匹配（在线 GBMM）算法来有效地在线校准每个参与者的 SWORE。40 名参与者的实验结果表明，SWORE 可以最大限度地实现与 RT 一致，证明了我们提出的框架在实际心理疲劳估计中的可行性和适应性。SWORE 根据两种状态评估来自多个通道的嘈杂 EEG 信号：抖动状态和稳定状态。对抖动状态建模可以区分可靠通道和无信息通道，而对稳态建模可以抑制每个通道内与任务无关的波动。此外，提出了一种在线广义贝叶斯矩匹配（在线 GBMM）算法来有效地在线校准每个参与者的 SWORE。40 名参与者的实验结果表明，SWORE 可以最大限度地实现与 RT 一致，证明了我们提出的框架在实际心理疲劳估计中的可行性和适应性。SWORE 根据两种状态评估来自多个通道的嘈杂 EEG 信号：抖动状态和稳定状态。对抖动状态建模可以区分可靠通道和无信息通道，而对稳态建模可以抑制每个通道内与任务无关的波动。此外，提出了一种在线广义贝叶斯矩匹配（在线 GBMM）算法来有效地在线校准每个参与者的 SWORE。40 名参与者的实验结果表明，SWORE 可以最大限度地实现与 RT 一致，证明了我们提出的框架在实际心理疲劳估计中的可行性和适应性。同时建模稳态可以抑制每个通道内与任务无关的波动。此外，提出了一种在线广义贝叶斯矩匹配（在线 GBMM）算法来有效地在线校准每个参与者的 SWORE。40 名参与者的实验结果表明，SWORE 可以最大限度地实现与 RT 一致，证明了我们提出的框架在实际心理疲劳估计中的可行性和适应性。同时建模稳态可以抑制每个通道内与任务无关的波动。此外，提出了一种在线广义贝叶斯矩匹配（在线 GBMM）算法来有效地在线校准每个参与者的 SWORE。40 名参与者的实验结果表明，SWORE 可以最大限度地实现与 RT 一致，证明了我们提出的框架在实际心理疲劳估计中的可行性和适应性。