Gang Li dan Wan-Young Chung, Departemen Teknik Elektronika, Universitas Nasional Pukyong, Korea. 2014

Abstrak

Saat ini, detektor kantuk pengemudi yang menggunakan teknologi berbasis video sedang dipelajari secara luas. Eyelid closure degree (ECD) atau tingkat penutupan kelopak mata adalah ukuran utama dari metode berbasis video, namun, kelemahan seperti keterbatasan kecerahan dan hambatan praktis seperti gangguan konsentrasi pengemudi membatasi keberhasilannya. Penelitian ini menyajikan cara untuk menghitung ECD menggunakan sensor EEG sebagai pengganti metode berbasis video. Premisnya adalah bahwa ECD menunjukkan hubungan linier dengan perubahan EEG oksipital. Sebanyak 30 subjek diikutsertakan dalam penelitian ini: sepuluh di antaranya berpartisipasi dalam eksperimen pembuktian konsep sederhana untuk memverifikasi hubungan linier antara ECD dan EEG, dan kemudian dua puluh orang berpartisipasi dalam eksperimen mengemudi di jalan tol yang monoton dalam lingkungan simulator mengemudi untuk menguji ketahanan hubungan linier tersebut dalam aplikasi kehidupan nyata. Dengan menggunakan metode berbasis video sebagai acuan, persentase kekuatan Alpha dari saluran O2 ditemukan sebagai fitur masukan terbaik untuk estimasi regresi linier ECD. Koefisien korelasi kuadrat keseluruhan terbaik (SCC, yang dilambangkan dengan r2) dan rata-rata kesalahan kuadrat (MSE) yang divalidasi oleh model regresi vektor pendukung linier dan metode leave one subject out adalah r2 = 0.930 dan MSE = 0.013. Model EEG-ECD linier yang diusulkan dapat mencapai akurasi masing-masing sebesar 87.5% dan 70.0% untuk subjek pria dan wanita, untuk aplikasi kantuk pengemudi, persentase penutupan kelopak mata di atas pupil dari waktu ke waktu (PERCLOS). Metode estimasi ECD baru ini tidak hanya mengatasi kelemahan metode berbasis video, tetapi juga membuat estimasi ECD lebih efisien secara komputasi dan lebih mudah diterapkan pada sensor EEG secara waktu nyata.Klik di sini untuk membaca laporan lengkap