有没有相关的论文或文献参考？
这个数据集是基于什么背景创建的？
数据集的作者是谁？
能帮我联系到这个数据集的作者吗？
这个数据集如何下载？
SADT 和 SEED-VIG|驾驶员疲劳监测数据集|生物信号处理数据集
收藏github2024-06-27 更新2024-07-18 收录
下载链接：
https://github.com/cuijiancorbin/Benchmarking-EEG-based-cross-dataset-driver-drowsiness-recognition-with-deep-transfer-learning
下载链接
链接失效反馈资源简介：
SADT 数据集是一个用于驾驶员疲劳监测的 EEG 数据集，而 SEED-VIG 数据集是一个用于跨数据集驾驶员疲劳识别的提取数据集。
创建时间：
2024-06-26
原始信息汇总
基于深度迁移学习的跨数据集驾驶员疲劳识别基准
数据集概述
该数据集用于基于脑电图（EEG）的跨数据集驾驶员疲劳识别。数据集包括两个处理后的数据集：
模型性能
提出的Entropy-Driven Joint Adaptation Network (EDJAN)模型在跨数据集识别中取得了以下性能：
- 从SADT迁移到SEED-VIG时，平均准确率为83.68%。
- 从SEED-VIG迁移到SADT时，准确率为76.90%。
相关文献
Cui, Jian, et al. "Benchmarking EEG-based cross-dataset driver drowsiness recognition with deep transfer learning." 2023 45th Annual International Conference of the IEEE Engineering in Medicine & Biology Society (EMBC). IEEE, 2023. DOI: 10.1109/EMBC40787.2023.10340982
所需库
- torch
- scipy
- numpy
- sklearn
联系信息
如有问题，请联系Dr. Cui Jian at cuijian@zhejianglab.com。
AI搜集汇总
数据集介绍
构建方式
在构建SADT和SEED-VIG数据集时，研究团队采用了跨数据集的策略，旨在通过深度迁移学习模型解决不同实验环境下的分布漂移问题。具体而言，数据集的构建涉及从源域和目标域同时学习有用信息，利用熵驱动的损失函数促进目标域表示的聚类，并采用个体级别的域适应技术来缓解测试对象的分布差异问题。
特点
SADT和SEED-VIG数据集的主要特点在于其跨数据集的特性，这使得它们在驾驶员疲劳监测领域具有显著的应用价值。通过深度迁移学习模型，这些数据集能够在不同实验环境下保持较高的识别准确率，从而有效节省校准时间。此外，数据集的构建还特别关注了个体级别的域适应，以确保在不同测试对象间的分布一致性。
使用方法
使用SADT和SEED-VIG数据集时，首先需下载处理后的数据集文件，并确保安装了所需的库，如torch、scipy、numpy和sklearn。随后，可以利用提供的深度迁移学习模型代码，特别是Entropy-Driven Joint Adaptation Network (EDJAN)，进行跨数据集的驾驶员疲劳识别。通过调整模型参数和训练策略，用户可以进一步优化识别效果，并在实际应用中验证其性能。
背景与挑战
背景概述
在利用脑电图（EEG）进行驾驶员疲劳监测的研究中，数据校准通常需要耗费大量时间。为了解决这一问题，跨数据集识别成为一种理想的选择，因为它可以显著减少使用现有数据集时的校准时间。然而，不同实验环境导致的分布漂移问题影响了跨数据集识别的准确性。为此，Cui Jian等人提出了一种名为熵驱动联合适应网络（EDJAN）的深度迁移学习模型，该模型能够同时从源域和目标域中学习有用信息，并通过熵驱动损失函数促进目标域表示的聚类，以及提出个体级别的域适应技术来缓解测试对象的分布差异问题。该研究在2023年IEEE工程医学与生物学学会（EMBC）年会上发表，展示了其在SADT和SEED-VIG数据集上的显著成果。
当前挑战
尽管EDJAN模型在跨数据集驾驶员疲劳识别中取得了显著的准确性，但仍面临若干挑战。首先，不同实验环境导致的分布漂移问题仍然是一个主要障碍，影响了模型的泛化能力。其次，数据集的构建过程中，如何确保数据的质量和一致性也是一个重要挑战。此外，尽管EDJAN模型在特定数据集间的迁移表现良好，但其跨多个数据集的稳定性和鲁棒性仍需进一步验证。最后，模型的解释性问题也亟待解决，以便更好地理解和应用该技术于实际驾驶环境中。
常用场景
经典使用场景
在基于脑电图（EEG）的驾驶员疲劳监测领域，SADT和SEED-VIG数据集的经典使用场景主要集中在跨数据集的驾驶员疲劳识别。通过深度迁移学习模型，如Entropy-Driven Joint Adaptation Network (EDJAN)，研究人员能够有效利用源域和目标域的数据，实现跨数据集的疲劳状态识别。这种跨数据集的识别方法不仅显著减少了数据校准时间，还提高了识别精度，解决了不同实验环境下数据分布漂移的问题。
实际应用
在实际应用中，SADT和SEED-VIG数据集为驾驶员疲劳监测系统的设计和优化提供了宝贵的数据支持。通过这些数据集，工程师和研究人员能够开发出更为精准和鲁棒的疲劳检测算法，从而提高驾驶安全性和舒适性。此外，这些数据集的应用还推动了相关技术的产业化进程，为智能交通系统和自动驾驶技术的发展奠定了坚实的基础。
衍生相关工作
基于SADT和SEED-VIG数据集，衍生了一系列重要的相关工作。例如，Cui等人提出的Interpretable Convolutional Neural Network (ICNN)模型，进一步优化了EEG数据的处理和分析方法，提升了驾驶员疲劳识别的准确性和可解释性。此外，这些数据集还激发了更多关于深度迁移学习和域适应技术的研究，推动了该领域的技术进步和创新。
以上内容由AI搜集并总结生成
数据主题
5,000+
优质数据集
54 个
任务类型
进入经典数据集
热门数据集
中国1km分辨率逐月降水量数据集（1901-2023）
该数据集为中国逐月降水量数据，空间分辨率为0.0083333°（约1km），时间为1901.1-2023.12。数据格式为NETCDF，即.nc格式。该数据集是根据CRU发布的全球0.5°气候数据集以及WorldClim发布的全球高分辨率气候数据集，通过Delta空间降尺度方案在中国降尺度生成的。并且，使用496个独立气象观测点数据进行验证，验证结果可信。本数据集包含的地理空间范围是全国主要陆地（包含港澳台地区），不含南海岛礁等区域。为了便于存储，数据均为int16型存于nc文件中，降水单位为0.1mm。 nc数据可使用ArcMAP软件打开制图; 并可用Matlab软件进行提取处理，Matlab发布了读入与存储nc文件的函数，读取函数为ncread，切换到nc文件存储文件夹，语句表达为：ncread (‘XXX.nc’,‘var’, [i j t],[leni lenj lent])，其中XXX.nc为文件名，为字符串需要’’；var是从XXX.nc中读取的变量名，为字符串需要’’；i、j、t分别为读取数据的起始行、列、时间，leni、lenj、lent i分别为在行、列、时间维度上读取的长度。这样，研究区内任何地区、任何时间段均可用此函数读取。Matlab的help里面有很多关于nc数据的命令，可查看。数据坐标系统建议使用WGS84。
国家青藏高原科学数据中心 收录
猫狗图像数据集
该数据集包含猫和狗的图像，每类各12500张。训练集和测试集分别包含10000张和2500张图像，用于模型的训练和评估。
github 收录
Breast Cancer Dataset
该项目专注于清理和转换一个乳腺癌数据集，该数据集最初由卢布尔雅那大学医学中心肿瘤研究所获得。目标是通过应用各种数据转换技术（如分类、编码和二值化）来创建一个可以由数据科学团队用于未来分析的精炼数据集。
github 收录
CliMedBench
CliMedBench是一个大规模的中文医疗大语言模型评估基准，由华东师范大学等机构创建。该数据集包含33,735个问题，涵盖14个核心临床场景，主要来源于顶级三级医院的真实电子健康记录和考试练习。数据集的创建过程包括专家指导的数据选择和多轮质量控制，确保数据的真实性和可靠性。CliMedBench旨在评估和提升医疗大语言模型在临床决策支持、诊断和治疗建议等方面的能力，解决医疗领域中模型性能评估的不足问题。
arXiv 收录
Nexdata/chinese_dialect
该数据集包含25,000小时的中文方言语音数据，收集自多个方言区域的本地方言使用者，涵盖闽南语、粤语、四川话、河南话、东北话、上海话、维吾尔语和藏语等。数据格式为16kHz、16bit、未压缩的wav文件，单声道。句子准确率超过95%。数据集支持的任务包括自动语音识别（ASR）和音频说话人识别。
hugging_face 收录