अपनी मेमोरी को चुनौती दें! Emotiv ऐप में नया N-Back गेम खेलें
अपनी मेमोरी को चुनौती दें! Emotiv ऐप में नया N-Back गेम खेलें
अपनी मेमोरी को चुनौती दें! Emotiv ऐप में नया N-Back गेम खेलें
ईईजी सेंसर का उपयोग करके आंख बंद होने की डिग्री का अनुमान और ड्राइवर की नींद में कमी का पता लगाने में इसका अनुप्रयोग
साझा करें:
गैंग ली और वान-यंग चंग, इलेक्ट्रॉनिक इंजीनियरिंग विभाग, पुकीयोंग नेशनल यूनिवर्सिटी, कोरिया। 2014
अभ्यास
वर्तमान में, वीडियो आधारित तकनीक का उपयोग करके ड्राइवर की नींद की पहचान करने वाले डिटेक्टरों का व्यापक अध्ययन किया जा रहा है। ऑंखों के पत्तों के बंद होने की डिग्री (ECD) वीडियो आधारित विधियों का मुख्य माप है, हालाँकि, उजाले की सीमाएँ और ड्राइवरों की असावधानी जैसी व्यावहारिक बाधाएँ इसकी सफलता को सीमित करती हैं। यह अध्ययन EEG सेंसर का उपयोग करके ECD की गणना करने का एक तरीका प्रस्तुत करता है, वीडियो आधारित विधियों के बजाय। यह पूर्वधारणा है कि ECD ऑक्सिपिटल EEG में परिवर्तनों के साथ एक रैखिक संबंध प्रदर्शित करता है। इस अध्ययन में कुल 30 विषय शामिल हैं: उनमें से दस ने ECD और EEG के बीच रैखिक संबंध की पुष्टि करने के लिए एक साधारण प्रमाण अवधारणा प्रयोग में भाग लिया, और फिर बीस ने वास्तविक जीवन अनुप्रयोगों में रैखिक संबंध की स्थिरता का परीक्षण करने के लिए एक ड्राइविंग सिम्युलेटर वातावरण में एक नीरस हाईवे ड्राइविंग प्रयोग में भाग लिया। वीडियो आधारित विधि को संदर्भ के रूप में लेते हुए, O2 चैनल से अल्फा पावर प्रतिशत ECD के रैखिक प्रतिगमन अनुमान के लिए सबसे अच्छा इनपुट फीचर पाया गया। सबसे अच्छा समग्र वर्ग सहसंबंध गुणांक (SCC, जिसे r2 के रूप में दर्शाया गया है) और रैखिक समर्थन सर्पिल प्रतिगमन मॉडल और एक विषय को बाहर छोड़ने की विधि द्वारा सत्यापित औसत वर्ग त्रुटि (MSE) r2 = 0.930 और MSE = 0.013 है। प्रस्तावित रैखिक EEG-ECD मॉडल पुरुष और महिला विषयों के लिए क्रमशः ड्राइवर नींद अनुप्रयोग के लिए 87.5% और 70.0% सटीकता प्राप्त कर सकता है, जो समय के साथ पुतली के ऊपर पलकों का प्रतिशत (PERCLOS) है। यह नया ECD अनुमान विधि न केवल वीडियो आधारित विधि की कमियों को संबोधित करता है, बल्कि यह EEG सेंसर में वास्तविक समय तरीके से ECD अनुमान को अधिक कंप्यूटेशनल रूप से कुशल और लागू करने में आसान बनाता है।पूर्ण रिपोर्ट पढ़ने के लिए यहाँ क्लिक करें
गैंग ली और वान-यंग चंग, इलेक्ट्रॉनिक इंजीनियरिंग विभाग, पुकीयोंग नेशनल यूनिवर्सिटी, कोरिया। 2014
अभ्यास
वर्तमान में, वीडियो आधारित तकनीक का उपयोग करके ड्राइवर की नींद की पहचान करने वाले डिटेक्टरों का व्यापक अध्ययन किया जा रहा है। ऑंखों के पत्तों के बंद होने की डिग्री (ECD) वीडियो आधारित विधियों का मुख्य माप है, हालाँकि, उजाले की सीमाएँ और ड्राइवरों की असावधानी जैसी व्यावहारिक बाधाएँ इसकी सफलता को सीमित करती हैं। यह अध्ययन EEG सेंसर का उपयोग करके ECD की गणना करने का एक तरीका प्रस्तुत करता है, वीडियो आधारित विधियों के बजाय। यह पूर्वधारणा है कि ECD ऑक्सिपिटल EEG में परिवर्तनों के साथ एक रैखिक संबंध प्रदर्शित करता है। इस अध्ययन में कुल 30 विषय शामिल हैं: उनमें से दस ने ECD और EEG के बीच रैखिक संबंध की पुष्टि करने के लिए एक साधारण प्रमाण अवधारणा प्रयोग में भाग लिया, और फिर बीस ने वास्तविक जीवन अनुप्रयोगों में रैखिक संबंध की स्थिरता का परीक्षण करने के लिए एक ड्राइविंग सिम्युलेटर वातावरण में एक नीरस हाईवे ड्राइविंग प्रयोग में भाग लिया। वीडियो आधारित विधि को संदर्भ के रूप में लेते हुए, O2 चैनल से अल्फा पावर प्रतिशत ECD के रैखिक प्रतिगमन अनुमान के लिए सबसे अच्छा इनपुट फीचर पाया गया। सबसे अच्छा समग्र वर्ग सहसंबंध गुणांक (SCC, जिसे r2 के रूप में दर्शाया गया है) और रैखिक समर्थन सर्पिल प्रतिगमन मॉडल और एक विषय को बाहर छोड़ने की विधि द्वारा सत्यापित औसत वर्ग त्रुटि (MSE) r2 = 0.930 और MSE = 0.013 है। प्रस्तावित रैखिक EEG-ECD मॉडल पुरुष और महिला विषयों के लिए क्रमशः ड्राइवर नींद अनुप्रयोग के लिए 87.5% और 70.0% सटीकता प्राप्त कर सकता है, जो समय के साथ पुतली के ऊपर पलकों का प्रतिशत (PERCLOS) है। यह नया ECD अनुमान विधि न केवल वीडियो आधारित विधि की कमियों को संबोधित करता है, बल्कि यह EEG सेंसर में वास्तविक समय तरीके से ECD अनुमान को अधिक कंप्यूटेशनल रूप से कुशल और लागू करने में आसान बनाता है।पूर्ण रिपोर्ट पढ़ने के लिए यहाँ क्लिक करें
गैंग ली और वान-यंग चंग, इलेक्ट्रॉनिक इंजीनियरिंग विभाग, पुकीयोंग नेशनल यूनिवर्सिटी, कोरिया। 2014
अभ्यास
वर्तमान में, वीडियो आधारित तकनीक का उपयोग करके ड्राइवर की नींद की पहचान करने वाले डिटेक्टरों का व्यापक अध्ययन किया जा रहा है। ऑंखों के पत्तों के बंद होने की डिग्री (ECD) वीडियो आधारित विधियों का मुख्य माप है, हालाँकि, उजाले की सीमाएँ और ड्राइवरों की असावधानी जैसी व्यावहारिक बाधाएँ इसकी सफलता को सीमित करती हैं। यह अध्ययन EEG सेंसर का उपयोग करके ECD की गणना करने का एक तरीका प्रस्तुत करता है, वीडियो आधारित विधियों के बजाय। यह पूर्वधारणा है कि ECD ऑक्सिपिटल EEG में परिवर्तनों के साथ एक रैखिक संबंध प्रदर्शित करता है। इस अध्ययन में कुल 30 विषय शामिल हैं: उनमें से दस ने ECD और EEG के बीच रैखिक संबंध की पुष्टि करने के लिए एक साधारण प्रमाण अवधारणा प्रयोग में भाग लिया, और फिर बीस ने वास्तविक जीवन अनुप्रयोगों में रैखिक संबंध की स्थिरता का परीक्षण करने के लिए एक ड्राइविंग सिम्युलेटर वातावरण में एक नीरस हाईवे ड्राइविंग प्रयोग में भाग लिया। वीडियो आधारित विधि को संदर्भ के रूप में लेते हुए, O2 चैनल से अल्फा पावर प्रतिशत ECD के रैखिक प्रतिगमन अनुमान के लिए सबसे अच्छा इनपुट फीचर पाया गया। सबसे अच्छा समग्र वर्ग सहसंबंध गुणांक (SCC, जिसे r2 के रूप में दर्शाया गया है) और रैखिक समर्थन सर्पिल प्रतिगमन मॉडल और एक विषय को बाहर छोड़ने की विधि द्वारा सत्यापित औसत वर्ग त्रुटि (MSE) r2 = 0.930 और MSE = 0.013 है। प्रस्तावित रैखिक EEG-ECD मॉडल पुरुष और महिला विषयों के लिए क्रमशः ड्राइवर नींद अनुप्रयोग के लिए 87.5% और 70.0% सटीकता प्राप्त कर सकता है, जो समय के साथ पुतली के ऊपर पलकों का प्रतिशत (PERCLOS) है। यह नया ECD अनुमान विधि न केवल वीडियो आधारित विधि की कमियों को संबोधित करता है, बल्कि यह EEG सेंसर में वास्तविक समय तरीके से ECD अनुमान को अधिक कंप्यूटेशनल रूप से कुशल और लागू करने में आसान बनाता है।पूर्ण रिपोर्ट पढ़ने के लिए यहाँ क्लिक करें