تشخیص خواب‌آلودگی رانندگان با استفاده از ویژگی نرخ عبور از صفر استخراج شده از سیگنال‌های eeg ثبت شده با هدست‌های رده‌ی مصرف کننده

خواب‌آلودگی رانندگان به عنوان یکی از عمده‌ترین دلایل تصادفات و سوانح رانندگی در سرتاسر جهان شناخته می‌شود. در سالیان اخیر تلاش‌های زیادی جهت تشخیص خواب‌آلودگی رانندگان به وسیله‌ی ابزارهای با قیمت مقرون به صرفه به منظور امکان استفاده‌ی عمومی صورت گرفته است. سیگنال‌های حیاتی به ویژه سیگنال الکتروانسفالوگرام (eeg) به دلیل بازتاب آنی تغییرات ناشی از خواب‌آلودگی در تشخیص هوشیاری و خواب‌آلودگی رانندگان، کاربرد و محبوبیت زیادی پیدا کرده است. علی‌رغم پیش‌رفت شگرفی که در سالیان گذشته در تشخیص خواب‌آلودگی رانندگان ایجاد شده است، محققان هم‌چنان به دنبال افزایش صحت مد‌ل‌های تشخیص دهنده به وسیله‌ی استخراج ویژگی‌های جدید و مناسب از سیگنال eeg هستند. در این مقاله پس از معرفی یک دسته‌ی ویژگی جدید از سیگنال eeg، الگوریتمی برای تشخیص خواب‌آلودگی رانندگان با استفاده از این ویژگی‌ها توسعه داده شده است. برای جمع‌آوری داده‌های مورد استفاده در این مطالعه سیگنال eeg از 50 داوطلب در حین رانندگی در شبیه‌ساز رانندگی نصیر به وسیله‌ی هدست‌های تجاری muse 2 و muse s ثبت شده است. پس از پیش‌پردازش سیگنال‌ها و دسته‌بندی آن‌ها در ایپاک‌های 30 ثانیه‌ای، ویژگی نرخ عبور از صفر مربوط به سیگنال اصلی و مشتق اول و دوم این سیگنال استخراج شده است. پس از اعمال آزمون‌های آماری بر ویژگی‌های استخراج شده، از 11 ویژگی که در دو کلاس هوشیاری و خواب‌آلودگی تفاوت معناداری داشتند برای توسعه‌ی مدل با استفاده از طبقه‌بندهای knn و svm بهره گرفته شده است. حداکثر صحت حاصل در تشخیص خواب‌آلودگی رانندگان با استفاده از الگوریتم پیشنهادی برابر با 86.37% می‌باشد. در نتیجه می‌توان ویژگی‌های پیشنهادی در این مقاله را به عنوان پارامترهایی موثر در جهت بهبود کیفیت تشخیص خواب‌آلودگی رانندگان معرفی کرد.

driver drowsiness detection using zero crossing rate feature extracted from eeg signals recorded by consumer-grade headsets

driver drowsiness is recognized as one of the leading causes of accidents and road incidents globally. in recent years, considerable efforts have been directed towards developing effective tools for detecting and predicting driver drowsiness using cost-effective methods suitable for public use. biological signals, particularly electroencephalogram (eeg), have become highly valued for their immediate reflection of drowsiness-induced changes in detecting driver alertness and fatigue. despite significant advancements in drowsiness detection, researchers continue to strive for enhanced accuracy in detection models by extracting novel and relevant features from eeg signals. in this study, we introduce a new set of features derived from eeg signals and develop an algorithm to predict driver drowsiness using these features. the dataset used in this study was gathered from 50 volunteers during driving activity in the nasir driving simulator, employing consumer-grade headsets muse 2 and muse s to record eeg signals. following preprocessing and segmentation of the signals into 30-second epochs, features including the zero-crossing rate of the original signal, as well as its first and second derivatives, were extracted. statistical analysis identified 11 features which exhibited significant differences between the states of alertness and drowsiness. these features were then utilized to develop a predictive model employing knn and svm classifiers. the maximum accuracy achieved in predicting driver drowsiness using the proposed algorithm was 86.37%. hence, the introduced features are proposed as effective parameters for enhancing the accuracy of drowsiness prediction.