تشخیص خودکار خستگی راننده با استفاده از سیگنال های EEG بر اساس شبکه‌های یادگیری عمیق

Abstract

در سال های اَخیر خستگی راننده به یکی از دلایل مهم تصادفات جاده‌ای تبدیل شده است و مطالعات زیادی برای تحلیل خستگی راننده انجام‌شده است. سیگنال‌های EEG به دلیل غیرتهاجمی بودن، مطمئن‌ترین روش برای اندازه‌گیری خستگی راننده محسوب می‌شوند. تفسیر دستی از سیگنال‌های EEG برای تشخیص خستگی راننده امری دشوار است؛ بنابراین باید سیستم خودکاری برای تشخیص خستگی راننده از سیگنال‌های EEG فراهم شود. یکی از مشکلات مربوط به الگوریتم‌های تشخیص خودکار خستگی راننده، استخراج و اِنتخاب ویژگی‌های تبعیض‌آمیز است که به‌طورکلی منجر به پیچیدگی محاسباتی می‌شود. در این مقاله یک رویکرد جدید برای طبقه‌بندی خودکار 2 مرحله‌ای از خستگی راننده از 6 منطقه فعال با استفاده از سیگنال‌های EEG ارائه شده است. در روش پیشنهادی، مستقیماً سیگنال EEG ثبت‌شده به‌عنوان ورودی شبکه‌ی عمیق کانولوشنال و شبکه‌ی حافظه طولانی کوتاه‌مدت (CNN-LSTM) در نظر گرفته می‌شود، بدون این‌که از استخراج/انتخاب ویژگی کلاسیک استفاده شود. موارد گفته‌شده به‌عنوان یک روند چالش‌برانگیز در ادبیات قبلی مطرح شده است. معماری شبکه پیشنهادی به‌صورت 7 لایه کانولوشن با 3 لایه LSTM و به دنبال آن 2 لایه کاملاً متصل طراحی شده است. از شبکه LSTM در ترکیب با شبکه CNN برای افزایش پایداری و کاهش نوسانات استفاده شده است. نتایج شبیه‌سازی روش پیشنهادی برای طبقه‌بندی 2 حالت از خستگی راننده برای 6 ناحیه فعال A ،B ،C ،D ، E (بر اساس یک کانال) و F به‌ترتیب صحت 23/99، 55/97، 98، 26/97، 78/98، 77/93 درصد و ضریب کاپاکوهن 98/0، 96/0، 97/0، 96/0، 98/0 و 92/0 را ارائه می‌دهد. علاوه بر این، مقایسه نتایج حاصل‌شده با روش‌های قبلی، عملکرد مطلوب روش پیشنهادی را نشان می‌دهد. همچنین، با توجه به صحت بالای روش پیشنهادی بر اساس یک کانال سیگنال EEG (منطقه E)، می‌توان از الگوریتم پیشنهادی برای طراحی سیستم‌های خودکار تشخیص خستگی راننده با پیش‌شرط سرعت و صحت بالا استفاده کرد.