@article { author = {Sheykhivand, Sobhan and Mousavi, Zohreh and Yousefi Rezaii, Tohid}, title = {Automatic Detection of Driver Fatigue from EEG Signals using Deep Neural Networks}, journal = {Iranian Journal of Biomedical Engineering}, volume = {14}, number = {3}, pages = {179-193}, year = {2020}, publisher = {Iranian Society for Biomedical Engineering}, issn = {5869-2008}, eissn = {9685-8006}, doi = {10.22041/ijbme.2020.123345.1577}, abstract = {In recent years, driver fatigue has become one of the major causes of road accidents, and many studies have been conducted to analyze driver fatigue. EEG signals are considered the most reliable method for measuring driver fatigue because of the non-invasive nature. Manual interpretation of EEG signals for detection of driver fatigue is impossible, so an automatic detection of driver fatigue from EEG signals should be provided. One of the problems regarding the automatic detection of driver fatigue is extraction and selection of discriminative features witch generally leads to computational complexity. This paper prepares a new approach to automatic classifying 2 stages of driver fatigue from 6 active regions of EEG signals. In the proposed method, directly apply the raw EEG signal to convolutional neural network-long short time memory (CNN-LSTM) network, without involving feature extraction/selection. This is a challenging process in previous literature. The proposed network architecture includes 7 convolutional layers with 3 LSTM layers followed by 2 fully connected layers. The LSTM network in a fusion with the CNN network has been used to increase stability and reduce oscillation. The simulation results of the proposed method for classifying 2 stages of driver fatigue for 6 active regions A, B, C, D, E (based single-channel) and F show the accuracy of 99.23%, 97.55%, 98.00%, 97.26%, 98.78%, 93.77% and Cohen’s Kappa coefficient of 0.98, 0.96, 0.97, 0.96, 0.98 and 0.92 respectively. Furthermore, comparing the obtained results with the previous methods reveals the performance improvement of the proposed driver fatigue detection in terms of accuracy. According to the high accuracy of the proposed single-channel (region E) method, it can be used for the design of automatic detection of driver fatigue systems with high speed and accuracy.}, keywords = {EEG,Driver fatigue,CNN,LSTM}, title_fa = {تشخیص خودکار خستگی راننده با استفاده از سیگنال‌های EEG بر اساس شبکه‌های یادگیری عمیق}, abstract_fa = {در سال‌های اخیر خستگی راننده به یکی از دلایل مهم تصادفات جاده­ای تبدیل شده و مطالعات زیادی برای تحلیل خستگی راننده انجام شده است. سیگنال­های EEG به دلیل غیرتهاجمی بودن، مطمئن­ترین روش برای اندازه­گیری خستگی راننده محسوب می­شوند. تفسیر دستی سیگنال­های EEG برای تشخیص خستگی راننده امری دشوار است، بنابراین باید سیستم خودکاری برای تشخیص خستگی راننده با استفاده از سیگنال‌های EEG فراهم شود. یکی از مشکلات مربوط به الگوریتم­های تشخیص خودکار خستگی راننده، استخراج و انتخاب ویژگی­های تبعیض­آمیز است که به طور کلی منجر به پیچیدگی محاسباتی می­شود. در این مقاله یک رویکرد جدید برای طبقه­بندی خودکار دومرحله­ای خستگی راننده از 6 منطقه‌ی فعال با استفاده از سیگنال­های EEG ارائه شده است. در این روش سیگنال EEG ثبت شده به طور مستقیم و بدون استفاده از استخراج/انتخاب ویژگی کلاسیک به عنوان ورودی شبکه­ی عمیق کانولوشنال و شبکه­ی حافظه‌ی طولانی کوتاه‌مدت (CNN-LSTM) در نظر گرفته شده است. موارد بیان شده به عنوان یک روند چالش برانگیز در مقالات پیشین مطرح شده است. معماری شبکه‌ی پیشنهادی به صورت 7 لایه‌ی کانولوشن با 3 لایه‌ی LSTM و به دنبال آن 2 لایه‌ی کاملا متصل طراحی شده است. از شبکه‌ی LSTM در ترکیب با شبکه‌ی CNN  برای افزایش پایداری و کاهش نوسانات استفاده شده است. نتایج شبیه­سازی روش پیشنهادی برای طبقه­بندی 2 حالت از خستگی راننده برای 6 ناحیه‌ی فعال A، B، C، D، E (بر اساس یک کانال) و F به ترتیب 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 کرده است. علاوه بر این با مقایسه‌ی نتایج به دست آمده با نتایج روش­های پیشین، عمل‌کرد مطلوب روش پیشنهادی نشان داده شده است. هم‌چنین با توجه به صحت بالای روش پیشنهادی بر اساس یک کانال سیگنال EEG (منطقه‌ی E)، می­توان از آن برای طراحی سیستم‌های خودکار تشخیص خستگی راننده با پیش­شرط سرعت و صحت بالا استفاده کرد.}, keywords_fa = {سیگنال‌های EEG,خستگی راننده,CNN,LSTM}, url = {https://www.ijbme.org/article_43287.html}, eprint = {https://www.ijbme.org/article_43287_cb701523d5f4d0f4dbb9a3e0e390bc55.pdf} }