DrowsyFormer-Gen：经典基线模型与采用扩散增强的三流Transformer在驾驶员困倦检测中表现相当

对驾驶员困倦检测器的评判必须基于少数类敏感度、校准和报警行为，而不能仅凭准确率。DrowsyFormer-Gen 将生理、车辆和行为 transformer 流与跨模态融合、自适应分类头以及类条件扩散增强相结合。我们在共享因果窗口和受试者不相交折上重新实现并评估了它，与五个经典基线进行对比，使用 DMPS（225,000 个样本；15 名驾驶员）和 SC-DD（87,430 个片段；20 名参与者）；DMPS 驾驶员是 SC-DD 参与者的子集。基线接受了嵌套超参数优化；阈值在训练数据上固定。调优后的逻辑回归达到 99.747 ± 0.031% 的准确率、0.953 的困倦类召回率和 0.0008 的期望校准误差，领先于所有神经配置。每个提出的组件都未通过受控测试：移除扩散增强改善了每一项指标，而仅使用类别加权就达到了 0.989 的召回率；将自适应头的参考值置零使校准误差减半，而其刷新间隔无影响；融合消融在 25 次运行中，尽管排序稳定，在固定阈值下的召回率从 0.000 到 1.000 不等。单样本达到 0.915 的召回率，而 32 样本窗口为 0.956。我们报告一个阴性结果，前提是所提供的记录与来源出版物所描述的一致。

中文由 AI 翻译，仅供参考，以原文为准。