برآورد درجه بسته بودن چشم با استفاده از سنسورهای EEG و کاربرد آن در شناسایی خواب آلودگی راننده
به اشتراک گذاری:
گان لی و وان-یانگ چونگ، بخش مهندسی الکترونیک، دانشگاه پاگیونگ ملی، کره. ۲۰۱۴
چکیده
در حال حاضر، تشخیص خواب آلودگی راننده با استفاده از فناوری مبتنی بر ویدئو به طور گستردهای مورد مطالعه قرار میگیرد. درجه بسته شدن پلک (ECD) اصلیترین معیار در روشهای مبتنی بر ویدئو است، با این حال، معایبی مانند محدودیتهای روشنایی و موانع عملی مانند حواسپرتی رانندگان، موفقیت آن را محدود میکند. این مطالعه راهی را برای محاسبه ECD با استفاده از سنسورهای EEG به جای روشهای مبتنی بر ویدئو ارائه میدهد. فرض بر این است که ECD رابطهای خطی با تغییرات EEG occipital نشان میدهد. در این مطالعه مجموعاً ۳۰ نفر شرکت کردهاند: ده نفر از آنها در یک آزمایش ساده اثبات مفهوم شرکت کردند تا رابطه خطی بین ECD و EEG را تأیید کنند و سپس بیست نفر در یک آزمایش رانندگی در بزرگراه یکنواخت در محیط شبیهساز رانندگی شرکت کردند تا robustness این رابطه خطی را در برنامههای واقعی آزمایش کنند. با توجه به روش مبتنی بر ویدئو، درصد توان آلفا از کانال O2 بهترین ویژگی ورودی برای تخمین رگرسیون خطی ECD است. بهترین ضریب همبستگی مربع کلی (SCC، که با r2 نشان داده میشود) و خطای میانگین مربع (MSE) که با مدل رگرسیون بردار پشتیبان خطی و روش حذف یک نفر تأیید شده است، r2 = 0.930 و MSE = 0.013 است. مدل خطی EEG-ECD پیشنهادی میتواند دقت ۸۷.۵٪ و ۷۰.۰٪ را برای شرکت کنندگان مرد و زن، به ترتیب، برای کاربرد خواب آلودگی راننده، درصد بسته شدن پلک بر روی مردمک در طول زمان (PERCLOS) به دست آورد. این روش جدید تخمین ECD نه تنها به مشکلات روش مبتنی بر ویدئو رسیدگی میکند، بلکه تخمین ECD را از نظر محاسباتی کارآمدتر و آسانتر برای پیادهسازی در سنسورهای EEG به صورت زمان واقعی میسازد.اینجا کلیک کنید تا گزارش کامل را بخوانید
گان لی و وان-یانگ چونگ، بخش مهندسی الکترونیک، دانشگاه پاگیونگ ملی، کره. ۲۰۱۴
چکیده
در حال حاضر، تشخیص خواب آلودگی راننده با استفاده از فناوری مبتنی بر ویدئو به طور گستردهای مورد مطالعه قرار میگیرد. درجه بسته شدن پلک (ECD) اصلیترین معیار در روشهای مبتنی بر ویدئو است، با این حال، معایبی مانند محدودیتهای روشنایی و موانع عملی مانند حواسپرتی رانندگان، موفقیت آن را محدود میکند. این مطالعه راهی را برای محاسبه ECD با استفاده از سنسورهای EEG به جای روشهای مبتنی بر ویدئو ارائه میدهد. فرض بر این است که ECD رابطهای خطی با تغییرات EEG occipital نشان میدهد. در این مطالعه مجموعاً ۳۰ نفر شرکت کردهاند: ده نفر از آنها در یک آزمایش ساده اثبات مفهوم شرکت کردند تا رابطه خطی بین ECD و EEG را تأیید کنند و سپس بیست نفر در یک آزمایش رانندگی در بزرگراه یکنواخت در محیط شبیهساز رانندگی شرکت کردند تا robustness این رابطه خطی را در برنامههای واقعی آزمایش کنند. با توجه به روش مبتنی بر ویدئو، درصد توان آلفا از کانال O2 بهترین ویژگی ورودی برای تخمین رگرسیون خطی ECD است. بهترین ضریب همبستگی مربع کلی (SCC، که با r2 نشان داده میشود) و خطای میانگین مربع (MSE) که با مدل رگرسیون بردار پشتیبان خطی و روش حذف یک نفر تأیید شده است، r2 = 0.930 و MSE = 0.013 است. مدل خطی EEG-ECD پیشنهادی میتواند دقت ۸۷.۵٪ و ۷۰.۰٪ را برای شرکت کنندگان مرد و زن، به ترتیب، برای کاربرد خواب آلودگی راننده، درصد بسته شدن پلک بر روی مردمک در طول زمان (PERCLOS) به دست آورد. این روش جدید تخمین ECD نه تنها به مشکلات روش مبتنی بر ویدئو رسیدگی میکند، بلکه تخمین ECD را از نظر محاسباتی کارآمدتر و آسانتر برای پیادهسازی در سنسورهای EEG به صورت زمان واقعی میسازد.اینجا کلیک کنید تا گزارش کامل را بخوانید
گان لی و وان-یانگ چونگ، بخش مهندسی الکترونیک، دانشگاه پاگیونگ ملی، کره. ۲۰۱۴
چکیده
در حال حاضر، تشخیص خواب آلودگی راننده با استفاده از فناوری مبتنی بر ویدئو به طور گستردهای مورد مطالعه قرار میگیرد. درجه بسته شدن پلک (ECD) اصلیترین معیار در روشهای مبتنی بر ویدئو است، با این حال، معایبی مانند محدودیتهای روشنایی و موانع عملی مانند حواسپرتی رانندگان، موفقیت آن را محدود میکند. این مطالعه راهی را برای محاسبه ECD با استفاده از سنسورهای EEG به جای روشهای مبتنی بر ویدئو ارائه میدهد. فرض بر این است که ECD رابطهای خطی با تغییرات EEG occipital نشان میدهد. در این مطالعه مجموعاً ۳۰ نفر شرکت کردهاند: ده نفر از آنها در یک آزمایش ساده اثبات مفهوم شرکت کردند تا رابطه خطی بین ECD و EEG را تأیید کنند و سپس بیست نفر در یک آزمایش رانندگی در بزرگراه یکنواخت در محیط شبیهساز رانندگی شرکت کردند تا robustness این رابطه خطی را در برنامههای واقعی آزمایش کنند. با توجه به روش مبتنی بر ویدئو، درصد توان آلفا از کانال O2 بهترین ویژگی ورودی برای تخمین رگرسیون خطی ECD است. بهترین ضریب همبستگی مربع کلی (SCC، که با r2 نشان داده میشود) و خطای میانگین مربع (MSE) که با مدل رگرسیون بردار پشتیبان خطی و روش حذف یک نفر تأیید شده است، r2 = 0.930 و MSE = 0.013 است. مدل خطی EEG-ECD پیشنهادی میتواند دقت ۸۷.۵٪ و ۷۰.۰٪ را برای شرکت کنندگان مرد و زن، به ترتیب، برای کاربرد خواب آلودگی راننده، درصد بسته شدن پلک بر روی مردمک در طول زمان (PERCLOS) به دست آورد. این روش جدید تخمین ECD نه تنها به مشکلات روش مبتنی بر ویدئو رسیدگی میکند، بلکه تخمین ECD را از نظر محاسباتی کارآمدتر و آسانتر برای پیادهسازی در سنسورهای EEG به صورت زمان واقعی میسازد.اینجا کلیک کنید تا گزارش کامل را بخوانید