تشخیص خواب آلودگی راننده با استفاده از سیگنال EEG و الگوریتم هوشمند

خواب آلودگی راننده یکی از عوامل اصلی بروز سوانح رانندگی در سراسر جهان است که سالانه منجر به خسارات جانی و مالی فراوانی می شود. شناسایی زودهنگام و دقیق این وضعیت می تواند تاثیر بسزایی در کاهش تصادفات داشته باشد. این پژوهش بر توسعه یک سیستم مبتنی بر سیگنال الکتروانسفالوگرافی (EEG) برای تشخیص خواب آلودگی رانندگان تمرکز دارد در این مطالعه از داده های EEG ضبط شده از شرکت کنندگان در شرایط بیداری کامل و خواب آلودگی استفاده شده است. مراحل اصلی شامل پیش پردازش سیگنالهای خام، استخراج ویژگی های مرتبط با تغییرات فعالیت مغزی در باندهای فرکانسی مختلف (مانند آلفا، تتا و دلتا)، و سپس طبقه بندی این ویژگی ها با استفاده از یک الگوریتم هوشمند (شبکه عصبی کانولوشنی چندلایه – MLP) است. برای ارزیابی عملکرد مدل، معیارهایی نظیر دقت (Accuracy)، حساسیت (Sensitivity) و ویژگی (Specificity) محاسبه شدند. نتایج آزمایش ها نشان داد که رویکرد پیشنهادی با دقت بیش از ۹۵ قادر به تفکیک وضعیت خواب آلودگی از بیداری است. این سیستم پتانسیل بالایی برای استفاده در سیستم های کمک راننده پیشرفته (ADAS) جهت بهبود ایمنی حمل و نقل دارد.

کلیدواژه ها:

خواب آلودگی راننده ، سیگنال EEG ، استخراج ویژگی ، یادگیری ماشین ، شبکه عصبی مصنوعی (ANN