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

تشخیص و کنترل سطح استرس در رانندگان به­منظور کاهش خطرات ناشی از آن، از اهمیت ویژه­ای برخوردار است. در این مطالعه سیستمی برای تشخیص چهار سطح استرس کم، متوسط، زیاد و خیلی زیاد در رانندگان براساس سیگنال­های فیزیولوژیکی ارائه شده است. در روش پیشنهادی از پایگاه داده­ drivedb استفاده شده که شامل ثبت سیگنال­های فیزیولوژیکی از هفده نفر داوطلب سالم هنگام رانندگی در مسیرهای مشخص از جمله خیابان­های شهر و بزرگراه است. مجموعه­ای از ویژگی­های آماری و آنتروپی به­همراه ویژگی­های ریخت­شناسی که فقط برای سیگنال ECG محاسبه شدند، به­کار رفته است. ویژگی­های تعیین شده به­عنوان ورودی واحدهای طبقه­بندی برای تشخیص سطوح استرس اعمال شدند. ماشین بردار پشتیبان (SVM)، k نزدیکترین همسایه (kNN) و درخت تصمیم (DT) به­عنوان روش­های طبقه­بندی مورد ارزیابی قرار گرفتند. هدف اصلی این مطالعه، بهبود دقت تشخیص سطوح استرس با استفاده از ایده همجوشی در سطح نتایج واحدهای طبقه­بندی است. به­این منظور ترکیب واحدهای طبقه­بندی منفرد، که هرکدام تنها از ویژگی­های یکی از سیگنال­های قلبی (ECG)، عضلات (EMG) و هدایت پوست (GSR) بهره گرفتند، توسط روش دمپستر-شفر انجام شد. با انتخاب ویژگی­های موثر با الگوریتم ژنتیک، طبقه­بندی کننده SVM و روش همجوشی دمپستر-شفر، بهترین دقت تشخیص سطوح استرس برابر با ۹/۹۶ درصد به­دست آمد. در حالی­که بالاترین دقت تشخیص بین طبقه­بندهای منفرد ۷۵ درصد بود و توسط زیر سیستمی که از ویژگی­های سیگنال ECG استفاده کرده بود به­دست آمد. نتایج به­دست آمده عملکرد قابل توجه روش پیشنهادی را نسبت به مطالعات گذشته که از مجموعه داده مشابه استفاده کرده­اند، نشان می­دهد.

کلیدواژه ها:

شناسایی استرس ، سیگنال های فیزیولوژیکی ، طبقه بند SVM ، همجوشی دمپستر- شافر