تشخیص استرس برمبنای همجوشی سیگنال های فیزیولوژیکی چندگانه با استفاده از نظریه شواهد دمپستر شفر

تشخیص و کنترل سطح استرس در رانندگان به منظور کاهش خطرات ناشی از آن، از اهمیت ویژه ای برخوردار است. در این مطالعه سیستمی برای تشخیص چهار سطح استرس کم، متوسط، زیاد و خیلی زیاد در رانندگان براساس سیگنال های فیزیولوژیکی ارائه شده است. در روش پیشنهادی از پایگاه داده drivedb استفاده شده که شامل ثبت سیگنال های فیزیولوژیکی از هفده نفر داوطلب سالم هنگام رانندگی در مسیرهای مشخص از جمله خیابان های شهر و بزرگراه است. مجموعه ای از ویژگی های آماری و آنتروپی به همراه ویژگی های ریخت شناسی که فقط برای سیگنال ecg محاسبه شدند، به کار رفته است. ویژگی های تعیین شده به عنوان ورودی واحدهای طبقه بندی برای تشخیص سطوح استرس اعمال شدند. ماشین بردار پشتیبان (svm)، k نزدیکترین همسایه (knn) و درخت تصمیم (dt) به عنوان روش های طبقه بندی مورد ارزیابی قرار گرفتند. هدف اصلی این مطالعه، بهبود دقت تشخیص سطوح استرس با استفاده از ایده همجوشی در سطح نتایج واحدهای طبقه بندی است. به این منظور ترکیب واحدهای طبقه بندی منفرد، که هرکدام تنها از ویژگی های یکی از سیگنال های قلبی (ecg)، عضلات (emg) و هدایت پوست (gsr) بهره گرفتند، توسط روش دمپسترشفر انجام شد. با انتخاب ویژگی های موثر با الگوریتم ژنتیک، طبقه بندی کننده svm و روش همجوشی دمپسترشفر، بهترین دقت تشخیص سطوح استرس برابر با 96.9 درصد به دست آمد. در حالی که بالاترین دقت تشخیص بین طبقه بندهای منفرد 75 درصد بود و توسط زیر سیستمی که از ویژگی های سیگنال ecg استفاده کرده بود به دست آمد. نتایج به دست آمده عملکرد قابل توجه روش پیشنهادی را نسبت به مطالعات گذشته که از مجموعه داده مشابه استفاده کرده اند، نشان می دهد.

stress detection based on fusion of multimodal physiological signals using dempster-shafer evidence theory

detecting and controlling stress levels in drivers is especially important to reduce the potential risks while driving. accordingly, in this study, a detection system was presented to identify four levels of stress (low, neutral, high and very high) in drivers based on physiological signals. the proposed method used the drivedb database, which includes the recording of physiological signals from 17 healthy volunteers while driving on specific routes on city streets and highways. a set of statistical and entropy features along with morphological features that were calculated only for the ecg signals, were used. the calculated features were applied as inputs to the classification units to detect stress levels. support vector machine (svm), k nearest neighbors (knn) and decision tree (dt) were evaluated as classification methods. the main purpose of this study was to improve the accuracy of stress level detectionusing the idea of classifiers fusion. to achieve this goal, the combination of individual classification units, each of which used only the features of one of the ecg, emg and gsr signals, was performed by the demstershafer method. using genetic algorithm as feature selection method, svm classifier and dempstershafer fusion strategy, the best stress detection accuracy of 96.9% was obtained. while the highest detection accuracy among individual classifiers was 75% and obtained by a subsystem that used ecg features.the results show significant performance of the proposed method compared to previous studies that used the same dataset.