Sürücü yorgunluk evrelerinin EEG işaretleri ile tespiti ve analizi

Öz

Günümüzde birçok insan trafik kazalarında hayatlarını kaybetmektedir. Trafik kazalarının en önemli nedeni olarak sürücülerin uykusuzluğu ve yorgunluğu gösterilmektedir. Bu nedenle sürücü performansının analizi konusunda yapılan araştırmalar büyük önem taşımaktadır. Bu çalışmada, elektroensefalografi (EEG) verileri kullanılarak sürücü yorgunluğunu analiz edebilecek bir sistem tasarlanmıştır. Veri seti olarak National Chiao Tung Üniversitesi tarafından hazırlanan sürekli dikkat halinde sürüş deneyinden alınan EEG işaretleri kullanılmıştır. Boyutu sürücünün yorgunluk zamanlarını ve seviyesini tespit edebilmek için veri seti dört sınıfa ayrılmıştır. Sürücü yorgunluğu evrelerinde ortaya çıkan frekans aralıklarını belirleyebilmek için EEG sinyallerine filtreleme işlemleri yapılmıştır. Temel Bileşen Analizi yöntemi kullanılarak öznitelik matrisinin azaltılmıştır. Böl ve Fethet algoritması ile dört sınıfın birbirinden en iyi şekilde ayrılacağı tüm kombinasyonlar belirlenmiş ve her adımda altsınıflandırıcılar kullanılarak sınıflandırma işlemi yapılmıştır. Alt sınıflandırıcı olarak, k-En Yakın Komşuluk, Destek Vektör Makineleri ve Doğrusal Ayırım Analizi algoritmaları kullanılmıştır. Çalışma sonucunda ortalama sınıflandırma başarıları k-En Yakın Komşuluk algoritması için %87.9, Destek Vektör Makineleri algoritması için %88.5 ve Doğrusal Ayırım Analizi için %81.6 olarak elde edilmiştir. En yüksek ortalama sınıflandırma başarısı ise 4. sınıf yorgunluk seviyesinde, sürüşün 67.5-90 dk. arasında Destek Vektör Makineleri sınıflandırıcısı ile %93.2 olarak elde edilmiştir.

Anahtar Kelimeler

• Sürücü yorgunluğu
• Elektroensefolografi
• Temel bileşen analizi
• Sınıflandırma
• Böl ve fethet algoritması

Detection and analysis of driver fatigue stages with EEG signals

Abstract

Today, many people die in traffic accidents. Sleeplessness and fatigue of drivers are shown as the most important cause of traffic accidents. For this reason, research on driver performance analysis is of great importance. In this study, a system is designed to analyze driver fatigue using electroencephalography (EEG) data. As the data set, the EEG signals from sustained-attention driving task prepared by National Chiao Tung University have been used. The data set is divided into four classes to determine the driver's fatigue times and level. In order to determine the frequency ranges that occur during driver fatigue phases, EEG signals are filtered. Principal Component Analysis method has been used to reduce the size of the features matrix. With the Divide and Conquer algorithm, all combinations in which the four classes will be separated best are determined and classification has been done at each step using sub-classifiers. As sub-classifiers, k-Nearest Neighborhood, Support Vector Machines and Linear Discrimination Analysis algorithms are used. As a result of the study, the average classification successes are 87.9% for the k-Nearest Neighborhood algorithm, 88.5% for the Support Vector Machines algorithm and 81.6% for Linear Discrimination Analysis. The highest classification success has been achieved as 93.2% with the Support Vector Machines classifier, between 67.5-90 min. of driving at the 4 𝑡ℎ grade fatigue level.

Keywords

• Driver fatigue
• Electroencephalography
• Principal component analysis
• Classification
• Divide and conquer algorithm

Kaynakça

1. [1] Eoh HJ, Chung MK, Kim S. “Electroencephalographic study of drowsiness in simulated driving with sleep deprivation”. International Journal of Industrial Ergonomics, 35(4), 307-320, 2005.
2. [2] Lin CT, Wu RC, Liang SF, Chao WH, Chen WH, Jung TP. “EEG-Based drowsiness estimation for safety driving using ındependent component analysis”. IEEE Transactions on Circuit and Systems I, 52(3), 2726-2738, 2005.
3. [3] Alakuş TB. EEG Verilerinden İşaret İşleme ve Sınıflandırma Teknikleri Kullanılarak Duygu Tahmini. Yüksek Lisans Tezi, Fırat Üniversitesi, Elazığ, Türkiye, 2018.
4. [4] Turky A, Fathi ES, Saleh AA, Ishtiaq A. “A review of channel selection algorithms for EEG signal processing”. EURASIP Journal on Advances in Signal Processing, 66, 1-21, 2015.
5. [5] Scott M, Tzyy-Ping J, Terrence S. “Awareness during drowsiness: dynamics and electrophysiological correlates”. Canadian Journal of Experimental Psychology, 54(4), 266-273, 2000.
6. [6] Lin CT, Chuang CH, Huang CS, Tsai SF, Lu SW, Chen YH, Ko LW. “Wireless and wearable EEG system for evaluating driver vigilance”. IEEE Transactions on Biomedical Circuits and Systems, 8(2), 165-176, 2014.
7. [7] Mehdi H, Jianqiu MZ, Yufei H. “Driver’s fatigue prediction by deep covariance learning from EEG”. 2017 IEEE International Conference on Systems, Man, and Cybernetics (SMC), Banff, Canada, 5-8 October 2017.
8. [8] Chuang CH, Huang CS, Ko LW, Lin CT. “An EEG-Based perceptual function ıntegration network for application to drowsy driving”. Knowledge-Based Systems, 80, 143-152, 2015.

9. [9] King LM, Nguyen HT, Lal SKL. “Early driver fatigue detection from electroencephalography signals using artificial neural networks”. 2006 International Conference of the IEEE Engineering in Medicine and Biology Society, New York, USA, 30 August-3 September. 2006.
10. [10] Bashar SK, Bhuiyan MIH. “Classification of motor imagery movements using multivariate empirical mode decomposition and short time Fourier transform based hybrid method”. Engineering Science and Technology an International Journal, 19, 1457-1464, 2016.
11. [11] Cao Z, Chuang C, King J, Lin C. “Multi-Channel EEG recording during a sustained-attention driving task”. Scientific Data, Nature, 6, 9-16, 2018.
12. [12] Kumar JS, Bhuvaneswari P. “Analysis of EEG signals and ıts categorization-a study”. Procedia Engineering, 38, 2525-2536, 2016.
13. [13] Smith LI. “A tutorial on Principal Components Analysis”. Department of Computer Science, Computer Science Technical Report No. OUCS-2002-12, University of Otago, Otogo, New Zealand, 2002.
14. [14] Kiang MY. “A comparative assessment of classification methods”. Decision Support Systems, 35, 441-454, 2003.
15. [15] Smith DR. “Applications of a strategy for designing divideand-conquer algorithms”. Science of Computer Programming, 8, 213-229, 1987.
16. [16] Wang J, Neskovic P, Cooper, LN. “Improving nearest neigbor rule with a simple adaptive distance measure”. Pattern Recognition Letters, 28, 207-213, 2007.
17. [17] Coyle D, Prasa G, McGinnity TM. “A time-series prediction approach for feature extraction in a brain–computer ınterface”. IEEE Tranactions on Neural Systems and Rehabilitation Engineering, 13(4), 461–467, 2005.