1、用于驾驶疲劳检测的乘积模糊卷积网络

      为解决传统疲劳监测算法不能实时检测及检测精度低的问题，本文提出了一种基于 EEG和 ECG的新型深度学习（DL）框架，称为乘积模糊卷积网络（PFCN），研究了如何融合 EEG 和 ECG 信号来处理模拟和真实驾驶环境中噪声条件下的驾驶疲劳检测。 PFCN 能够有效捕捉高维脑电信号的特殊性和时间变化，降低时空复杂度；在心电数据分类中提供高精度和低计算复杂度；有效融合提取的心电和脑电特征，抑制噪声干扰，保证更高的检测精度。相关论文《A Product Fuzzy Convolutional Network for Detecting Driving Fatigue》已发表于IEEE Transactions on Cybernetics。

2、TSK型卷积递归模糊网络

      为进一步提高疲劳监测的抗噪性能和预测精度，本文基于脑电图信号的时空特征，提出了一种新的深度学习框架，称为 TSK 型卷积递归模糊网络（TCRFN）。在 TCRFN 中，引入卷积块以从 EEG 信号 中提取空间依赖性，并用于减少噪声对检测过程的影响。此外，提出了一种新的模糊神经网络局部反馈方法来处理脑电信号，该方法可以更好地捕捉脑电信号的时间依赖性。在所提出的 TCRFN 中使用了对数空间发射层函数，激活性能更平滑，允许更多的特征数并提供更好的预测性能。相关论文《A TSK-type Convolutional Recurrent Fuzzy Network for Predicting Driving Fatigue》已发表于IEEE Transactions on Fuzzy Systems。

3、卷积平滑反馈模糊网络

      基于玩家的情绪识别可以帮助理解游戏玩家的情绪状态，有助于提升游戏质量和价值。为提高玩家在游戏中的游戏体验，本文提出了一种卷积平滑反馈模糊网络（CSFFN），以基于脑电图（EEG）信号实时检测玩家在游戏过程中的情绪状态。模型结合了三个子网络：卷积神经网络（CNN）、模糊神经网络（FNN）和循环神经网络（RNN），可以捕捉不同通道脑电信号之间的空间特征，还可以消除脑电信号中的噪声，有效提高游戏情感识别的准确率和抗噪声性能；有效地提取了玩家不同情绪状态的隶属度，并有效地捕捉了脑电信号的时间特征，提高了情绪识别的准确性。相关论文《An Emotion Recognition Method for Game Evaluation Based on Electroencephalogram》已发表于IEEE Transactions on Affective Computing。