تشخیص خودکار خستگی راننده با استفاده از سیگنال‌های eeg بر اساس شبکه‌های یادگیری عمیق

در سال‌های اخیر خستگی راننده به یکی از دلایل مهم تصادفات جاده ای تبدیل شده و مطالعات زیادی برای تحلیل خستگی راننده انجام شده است. سیگنال های eeg به دلیل غیرتهاجمی بودن، مطمئن ترین روش برای اندازه گیری خستگی راننده محسوب می شوند. تفسیر دستی سیگنال های 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 الگوریتم های تشخیص خودکار خستگی راننده، استخراج و انتخاب ویژگی های تبعیض آمیز است که به طور کلی منجر به پیچیدگی محاسباتی می شود. در این مقاله یک رویکرد جدید برای طبقه بندی خودکار دومرحله ای خستگی راننده از 6 منطقه‌ی فعال با استفاده از سیگنال های 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 شبکه ی عمیق کانولوشنال و شبکه ی 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 شبیه سازی روش پیشنهادی برای طبقه بندی 2 حالت از خستگی راننده برای 6 ناحیه‌ی فعال a، b، c، d، e (بر اساس یک کانال) و f به ترتیب صحت 99.23، 97.55، 98، 97.26، 98.78، 93.77 درصد و ضریب کاپاکوهن 0.98، 0.96، 0.97، 0.96، 0.98 و 0.92 را ارائه کرده است. علاوه بر این با مقایسه‌ی نتایج به دست آمده با نتایج روش های 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)، می توان از آن برای طراحی سیستم‌های خودکار تشخیص خستگی راننده با پیش شرط سرعت و صحت بالا استفاده کرد.