گانگ لی و وان-یانگ چانگ، دپارتمان مهندسی الکترونیک، دانشگاه ملی بوکیونگ، کره. 2014

چکیده

در حال حاضر، ردیاب‌های خواب‌آلودگی راننده با استفاده از فناوری مبتنی بر ویدیو به طور گسترده‌ای در حال مطالعه هستند. میزان بسته شدن پلک (ECD) معیار اصلی روش‌های مبتنی بر ویدیو است، با این حال، معایبی مانند محدودیت‌های روشنایی و موانع عملی مانند حواس‌پرتی رانندگان، موفقیت آن را محدود می‌کند. این مطالعه روشی را برای محاسبه ECD با استفاده از حسگرهای EEG به جای روش‌های مبتنی بر ویدیو ارائه می‌دهد. فرضیه این است که ECD رابطه خطی با تغییرات EEG پس‌سری نشان می‌دهد. در مجموع 30 آزمودنی در این مطالعه شرکت کردند: ده نفر از آن‌ها در یک آزمایش ساده اثبات مفهوم برای تایید رابطه خطی بین ECD و EEG شرکت کردند و سپس بیست نفر در یک آزمایش رانندگی یکنواخت در بزرگراه در یک محیط شبیه‌ساز رانندگی برای آزمایش استحکام این رابطه خطی در کاربردهای واقعی شرکت کردند. با در نظر گرفتن روش مبتنی بر ویدیو به عنوان مرجع، درصد توان آلفا از کانال O2 به عنوان بهترین ویژگی ورودی برای تخمین رگرسیون خطی ECD یافت شد. بهترین ضریب همبستگی مجذور کل (SCC، نشان‌داده‌شده با r2) و میانگین مجذور خطا (MSE) که توسط مدل رگرسیون بردار پشتیبان خطی و روش leave one subject out معتبرسازی شده، r2 = 0.930 و MSE = 0.013 است. مدل خطی EEG-ECD پیشنهادی می‌تواند به دقت 87.5% برای آزمودنی‌های مرد و 70.0% برای آزمودنی‌های زن برای کاربرد خواب‌آلودگی راننده، یعنی درصد بسته شدن پلک روی مردمک در طول زمان (PERCLOS) دست یابد. این روش جدید تخمین ECD نه تنها معایب روش مبتنی بر ویدیو را برطرف می‌کند، بلکه تخمین ECD را از نظر محاسباتی کارآمدتر و برای اجرا در حسگرهای EEG به صورت بلادرنگ آسان‌تر می‌سازد.برای خواندن گزارش کامل اینجا کلیک کنید