نوع مقاله: مقاله کامل پژوهشی

نویسندگان

1 گروه مهندسی پزشکی دانشکده برق و کامپیوتر، دانشگاه تبریز، تبریز، ایران

2 گروه مکانیک، دانشکده مکانیک، دانشگاه تبریز، تبریز، ایران

3 مهندسی پزشکی، دانشکده مهندسی برق و کامپیوتر، دانشگاه تبریز، تبریز، ایران

10.22041/ijbme.2020.123345.1577

چکیده

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.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Automatic Detection of Driver Fatigue from EEG Signals using Deep Neural Networks

نویسندگان [English]

  • sobhan sheykhivand 1
  • zohreh mousavi 2
  • tohid Yousefi Rezaii 3

1 Faculty of Electrical and Computer Engineering, University of Tabriz, Tabriz, Iran

2 Department of Mechanical Engineering, University of Tabriz, Tabriz, Iran,

3 Biomedical Engineering Department, Faculty of Electrical and Computer Engineering, University of Tabriz, Tabriz, Iran

چکیده [English]

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.

کلیدواژه‌ها [English]

  • EEG؛ Driver fatigue؛ CNN
  • LSTM