Desafie sua memória! Jogue o novo jogo N-Back no aplicativo Emotiv
Desafie sua memória! Jogue o novo jogo N-Back no aplicativo Emotiv
Desafie sua memória! Jogue o novo jogo N-Back no aplicativo Emotiv
Estimativa do Grau de Fechamento dos Olhos Usando Sensores de EEG e Sua Aplicação na Detecção de Sonolência do Motorista
Compartilhar:
Gang Li e Wan-Young Chung, Departamento de Engenharia Eletrônica, Universidade Nacional de Pukyong, Coreia. 2014
Resumo
Atualmente, detectores de sonolência do motorista usando tecnologia baseada em vídeo estão sendo amplamente estudados. O grau de fechamento da pálpebra (ECD) é a principal medida dos métodos baseados em vídeo, no entanto, desvantagens como limitações de brilho e obstáculos práticos, como a distração dos motoristas, limitam seu sucesso. Este estudo apresenta uma maneira de calcular o ECD usando sensores EEG em vez de métodos baseados em vídeo. A premissa é que o ECD exibe uma relação linear com as mudanças do EEG occipital. Um total de 30 sujeitos estão incluídos neste estudo: dez deles participaram de um experimento simples de prova de conceito para verificar a relação linear entre ECD e EEG, e então vinte participaram de um experimento de direção em estrada monótona em um ambiente de simulador de direção para testar a robustez da relação linear em aplicações da vida real. Tomando o método baseado em vídeo como referência, a porcentagem de potência Alpha do canal O2 é encontrada como a melhor característica de entrada para a estimativa de regressão linear do ECD. O melhor coeficiente de correlação quadrática (SCC, denotado por r2) e o erro quadrático médio (MSE) validados pelo modelo de regressão de vetores de suporte linear e o método de deixar um sujeito de fora é r2 = 0.930 e MSE = 0.013. O modelo linear EEG-ECD proposto pode alcançar 87,5% e 70,0% de precisão para sujeitos masculinos e femininos, respectivamente, para uma aplicação de sonolência do motorista, porcentagem de fechamento de pálpebra sobre a pupila ao longo do tempo (PERCLOS). Este novo método de estimativa de ECD não só aborda as desvantagens do método baseado em vídeo, mas também torna a estimativa de ECD mais eficiente em termos computacionais e mais fácil de implementar em sensores EEG de forma em tempo real.Clique aqui para ler o relatório completo
Gang Li e Wan-Young Chung, Departamento de Engenharia Eletrônica, Universidade Nacional de Pukyong, Coreia. 2014
Resumo
Atualmente, detectores de sonolência do motorista usando tecnologia baseada em vídeo estão sendo amplamente estudados. O grau de fechamento da pálpebra (ECD) é a principal medida dos métodos baseados em vídeo, no entanto, desvantagens como limitações de brilho e obstáculos práticos, como a distração dos motoristas, limitam seu sucesso. Este estudo apresenta uma maneira de calcular o ECD usando sensores EEG em vez de métodos baseados em vídeo. A premissa é que o ECD exibe uma relação linear com as mudanças do EEG occipital. Um total de 30 sujeitos estão incluídos neste estudo: dez deles participaram de um experimento simples de prova de conceito para verificar a relação linear entre ECD e EEG, e então vinte participaram de um experimento de direção em estrada monótona em um ambiente de simulador de direção para testar a robustez da relação linear em aplicações da vida real. Tomando o método baseado em vídeo como referência, a porcentagem de potência Alpha do canal O2 é encontrada como a melhor característica de entrada para a estimativa de regressão linear do ECD. O melhor coeficiente de correlação quadrática (SCC, denotado por r2) e o erro quadrático médio (MSE) validados pelo modelo de regressão de vetores de suporte linear e o método de deixar um sujeito de fora é r2 = 0.930 e MSE = 0.013. O modelo linear EEG-ECD proposto pode alcançar 87,5% e 70,0% de precisão para sujeitos masculinos e femininos, respectivamente, para uma aplicação de sonolência do motorista, porcentagem de fechamento de pálpebra sobre a pupila ao longo do tempo (PERCLOS). Este novo método de estimativa de ECD não só aborda as desvantagens do método baseado em vídeo, mas também torna a estimativa de ECD mais eficiente em termos computacionais e mais fácil de implementar em sensores EEG de forma em tempo real.Clique aqui para ler o relatório completo
Gang Li e Wan-Young Chung, Departamento de Engenharia Eletrônica, Universidade Nacional de Pukyong, Coreia. 2014
Resumo
Atualmente, detectores de sonolência do motorista usando tecnologia baseada em vídeo estão sendo amplamente estudados. O grau de fechamento da pálpebra (ECD) é a principal medida dos métodos baseados em vídeo, no entanto, desvantagens como limitações de brilho e obstáculos práticos, como a distração dos motoristas, limitam seu sucesso. Este estudo apresenta uma maneira de calcular o ECD usando sensores EEG em vez de métodos baseados em vídeo. A premissa é que o ECD exibe uma relação linear com as mudanças do EEG occipital. Um total de 30 sujeitos estão incluídos neste estudo: dez deles participaram de um experimento simples de prova de conceito para verificar a relação linear entre ECD e EEG, e então vinte participaram de um experimento de direção em estrada monótona em um ambiente de simulador de direção para testar a robustez da relação linear em aplicações da vida real. Tomando o método baseado em vídeo como referência, a porcentagem de potência Alpha do canal O2 é encontrada como a melhor característica de entrada para a estimativa de regressão linear do ECD. O melhor coeficiente de correlação quadrática (SCC, denotado por r2) e o erro quadrático médio (MSE) validados pelo modelo de regressão de vetores de suporte linear e o método de deixar um sujeito de fora é r2 = 0.930 e MSE = 0.013. O modelo linear EEG-ECD proposto pode alcançar 87,5% e 70,0% de precisão para sujeitos masculinos e femininos, respectivamente, para uma aplicação de sonolência do motorista, porcentagem de fechamento de pálpebra sobre a pupila ao longo do tempo (PERCLOS). Este novo método de estimativa de ECD não só aborda as desvantagens do método baseado em vídeo, mas também torna a estimativa de ECD mais eficiente em termos computacionais e mais fácil de implementar em sensores EEG de forma em tempo real.Clique aqui para ler o relatório completo