reRLDD 和 reDROZY

我们的实验使用了reRLDD和reDROZY数据集。统计结果的标签数据集在`./Label_statistics`目录中提供。训练和测试集的划分如下：前8个参与者作为训练集，其余参与者作为测试集。特征提取使用眼动特征比率（EAR）输入到小波包中进行特征提取，提取的特征存储在`./wavelet_feature`目录中。

Our experiment employed the reRLDD and reDROZY datasets. The labeled dataset for statistical results is provided in the `./Label_statistics` directory. The training and test set split is as follows: the first 8 participants are assigned to the training set, and the remaining participants form the test set. For feature extraction, the Eye Aspect Ratio (EAR), an eye movement feature metric, was input into the wavelet packet transform, and the extracted features are stored in the `./wavelet_feature` directory.

原始信息汇总

MDFG: Multi-Dimensional Fine-Grained Modeling for Fatigue Detection

数据集

本实验使用了 reRLDD 和 reDROZY 数据集。

数据集统计

数据集标签的统计结果存放在 ./Label_statistics 目录中。

数据集设置

1. 训练和测试集划分：

   • 前8名参与者作为训练集。
   • 剩余的参与者作为测试集。

2. 特征提取：

   • 使用眼动特征比率（EAR）输入到小波包中进行特征提取。
   • 提取的特征存储在 ./wavelet_feature 目录中。

3. 可信样本选择：

   • 使用 small_loss 方法识别可信样本。

   • 更新路径：path="your_wavelet_feature_path" 和 save_path="your_confident_data_save_path"。

   • 运行以下命令提取可信样本： python python ./FGT/small_loss_confident_ind.py --dataset reRLDD

   • 可信样本和剩余样本以及归一化后的数据集存储在 ./confident_analysis 目录中。

4. 细粒度特征提取：

   • 将可信样本、训练集和测试集输入到 gmm_extract_Fine_feature.py 中进行细粒度分类。

   • 更新路径：path="your_confident_data_save_path" 和 save_path="your_fine_grained_data_save_path"。

   • 运行以下命令生成细粒度样本： python python ./gmm_extract_Fine_feature.py --dataset reRLDD

   • 生成的量化疲劳序列特征存储在 ./fine_grained_feature 目录中。

训练与测试

1. 不使用元学习： python python ./MDFG_wometa.py --dataset reRLDD

2. 使用元学习： python python ./MDFG_meta.py --dataset reRLDD

重要提示：在运行这些命令之前，请确保修改细粒度数据和相应标签路径。

搜集汇总

数据集介绍

构建方式

在构建reRLDD和reDROZY数据集时，研究团队采用了多维度的精细化建模方法，特别关注疲劳检测中的时间、类型和级别三个维度。首先，通过SmallLoss方法筛选出可信样本，随后利用聚类技术识别出警觉和疲劳状态下的多样化子类型，并建立各状态的基础类别集。接着，通过基础类别合成方法构建包含中间状态的基础类别集，从而实现从无到有的中间疲劳状态表达。最后，基于样本与完整基础类别集的匹配情况，量化疲劳级别。

特点

该数据集的显著特点在于其多维度的精细化建模，不仅涵盖了时间、类型和级别的全面信息，还通过SmallLoss方法和聚类技术确保了数据的高质量和多样性。此外，数据集中的中间状态表达和疲劳级别的量化，使得疲劳检测更加精准和细致，有效弥补了传统方法在处理复杂疲劳状态时的不足。

使用方法

使用该数据集时，首先需安装指定的Python环境和依赖包，然后按照提供的脚本进行数据集的训练和测试。具体步骤包括：设置训练和测试集的划分、通过小波包提取眼动特征、使用SmallLoss方法筛选可信样本、进行细粒度特征提取，并最终进行模型的训练和测试。用户可根据需要调整路径和参数，以适应不同的实验需求。

背景与挑战

背景概述

疲劳检测在安全监控和工程施工等领域中具有至关重要的作用，因其直接关联到事故的发生。疲劳状态具有动态复杂性和非平稳特性，且在警觉与疲劳之间存在多种短期的中间状态。现有的疲劳检测方法主要依赖于粗粒度的标签，通常跨越数分钟至数小时，将警觉和疲劳视为两个截然不同的分布，忽视了中间状态的表现，从而简化了疲劳类型和级别的丰富分布信息，限制了检测的有效性。为应对这一问题，研究团队提出了多维细粒度疲劳检测模型（MDFG），通过时间、类型和级别三个维度对疲劳进行精细化建模，旨在捕捉并学习这些中间状态的特征，从而提升疲劳检测的准确性。该研究在两个真实数据集上进行了验证，相较于未考虑细粒度信息的方法，MDFG在平均准确率上分别提升了10.0%和12.1%，展示了其在当前疲劳检测方法中的优越性和稳定性。

当前挑战

疲劳检测面临的主要挑战在于其动态复杂性和非平稳特性，导致中间状态的捕捉和识别极为困难。现有的粗粒度标签方法无法充分表达疲劳的多样性和层次性，忽视了中间状态的丰富信息，从而限制了检测的准确性。此外，构建细粒度特征提取和分类模型时，如何有效选择可信样本并进行特征量化也是一个技术难点。MDFG模型通过引入SmallLoss方法提取可信样本，并利用聚类技术识别不同子类型，但这一过程仍需克服样本选择偏差和特征提取的噪声问题。最后，面对疲劳状态的复杂多变性，如何通过元学习进行有效训练，以提升模型的鲁棒性和稳定性，也是当前研究中亟待解决的挑战。

常用场景

经典使用场景

在疲劳检测领域，reRLDD和reDROZY数据集的经典使用场景主要体现在对疲劳状态的精细化建模与分类上。通过引入多维度的细粒度建模方法，该数据集能够捕捉从警觉到疲劳之间的中间状态，从而实现对疲劳状态的动态复杂性和非平稳特性的精确识别。具体而言，数据集通过眼动特征（如眼睑纵横比EAR）和小波包特征提取技术，结合元学习方法，能够有效区分不同疲劳类型和级别，为疲劳检测提供了更为细致的分类依据。

衍生相关工作

基于reRLDD和reDROZY数据集，许多相关研究工作得以展开。例如，有学者提出了基于元学习的疲劳检测模型，进一步提升了模型的泛化能力和适应性。此外，还有研究者探索了基于小波包特征提取的疲劳状态识别方法，通过多维度的特征分析，实现了对疲劳状态的更为精确的分类。这些衍生工作不仅丰富了疲劳检测领域的研究内容，还为实际应用提供了更为多样化的技术选择。

数据集最近研究

最新研究方向

近年来，疲劳检测领域逐渐从粗粒度标签转向细粒度建模，以应对疲劳状态的动态复杂性和非平稳特性。reRLDD和reDROZY数据集的引入，为这一研究方向提供了重要的实验基础。当前的前沿研究聚焦于通过多维度的细粒度建模（如时间、类型和级别）来捕捉疲劳的中间状态，从而提升检测的准确性和鲁棒性。特别是，基于元学习的疲劳状态识别方法，通过量化疲劳序列特征，显著提高了检测效果。这些研究不仅推动了疲劳检测技术在安全监控和工程施工等领域的应用，还为未来更精细化的疲劳评估提供了理论支持和技术路径。