تشخیص خودکار سطح هوشیاری با استفاده از شبکه عصبی مصنوعی و ضرایب ویولت

تشخیص خودکار سطح هوشیاری با استفاده از شبکه عصبی مصنوعی و ضرایب ویولت

تشخیص خودکار سطح هوشیاری با استفاده از شبکه عصبی مصنوعی و ضرایب ویولت

فرمت: Pdf  تعداد صفحات: 9

سید مهدیار بامشکی (دانشجوی کارشناسی ارشد مهندسی پزشکی)
سعید راحتی قوچانی (استادیار دانشگاه) دانشگاه آزاد اسلامی مشهد – دانشکده مهندسی – گروه مهندسی پزشکی

چکیده: تشخیص خودکار سطح هوشیاری می تواند کمک شایانی به افرادی که کارهای یکنواخت و خسته کننده انجام می دهند بنماید. به همین منظور محققین از سیگنال های حیاتی بدن به عنوان یک روش معتبر برای تشخیص هوشیاری در تحقیقاتشان استفاده می کنند. سیگنال EEG یک سیگنال غیرایستان است، اما با توجه به این موضوع روش مرسوم برای تحلیل این سیگنال استفاده از تحلیل مبتنی بر تبدیل فوریه است که موفقیت بالایی در شناسائی سطح هوشیاری ندارد. این تحقیق از یک روش جدید برای آنالیز EEG با استفاده از تبدیل ویولت و طبقه بندی کننده مبتنی بر ANN استفاده کرده است. سیگنال EEG به زیر باندهای فرکانسی با استفاده از تبدیل ویولت تجزیه می شود و یک مجموعه ویژگی آماری از این زیر باندها استخراج می شود. سپس این ویژگی های آماری به عنوان ورودی برای یک ANN با سه خروجی مجزا: هوشیار ، خواب آلود و خواب استفاده می شود. درصد صحت بدست آمده در شبکه عصبی طراحی شده در حدود ۸۸ درصد بوده است. که با اعمال روش هایی امکان بالا بردن این صحت نیز وجود دارد.

کلمات کلیدی: هوشیار، خواب آلود، خواب، EEG، تبدیل ویولت گسسته (DWT)، شبکه عصبی مصنوعی (ANN)

مقدمه:

امنیت رانندگی موضوعی است که توجه بیشتری را از سوی محققین در سال های اخیر به دلیل افزایش تعداد تلفات در رانندگی، می طلبد. مطالعه موسسه NTSB بر روی ۱۰۷ تصادف مرگبار و شدید جاده ای در مواردی که راننده زنده مانده است نشان می دهد که ۵۸ درصد از این تصادفات وابسته به خستگی راننده بوده است. بنابراین جلوگیری از این تصادفات منجر به یک تمرکز وسیع از سوی محققین در این زمینه شده است [۵ و ۹] یکی از کاربردهای مهم پردازش سیگنال EEG، مطالعه در مورد زمان اتفاق افتادن هوشیاری و خواب آلودگی در کاربردهایی است که کارهای یکنواخت اما با نیاز به دقت کاری بالا انجام می دهند که از این جمله افراد می توان به کنترل کنندهای ترافیک هوایی، راننده های کامیون و… نام برد.

هدف از این مطالعه جلوگیری از افزایش ظرفیت تصادف بدلیل افزایش خواب آلودگی با استفاده از سیستمی است که می تواند خواب آلودگی را به طور پیوسته مانیتور کند و بدین وسیله از تصادفاتی که به خاطر کمبود توجه اتفاق می افتد جلوگیری کنیم. هدف از این تحقیق طراحی یک روش برای پردازش داده های ورودی از یک مجموعه ویژگی های آماری که با استفاده از DWT از زیر باندهای سیگنال EEG استخراج شده است بوسیله استفاده از ANN می باشد. که حالات هوشیاری، خواب آلودگی و خواب را تشخیص می دهد. طیف فرکانسی EEG به ۵ باند مختلف تقسیم می شود که عبارتند از دلتا، تتا، آلفا و گاما.

در هنگام خواب NREM، توان باند دلتا شدت خواب و نیاز شخص به خواب را نشان می دهد. در طول دوره بیداری فرکانس های باندهای آلفا و تتا به طور خاصی برای محققین جذاب و جالب هستند چرا که این باندها دارای بهترین فرکانس ها برای بررسی خواب آلودگی می باشند. در طول دوره خواب آلودگی فعال (با چشمان باز) بدون اینکه شخص کاملا خسته باشد، توان باند آلفا معمولا پائین است. هر چند در شرایط خوابیده ساکن (با چشمان بسته) وقتی شخص کاملا خوابیده است، توان باند آلفا اغلب زیاد است. در طول دوره انتقال از شرایط ساکن با چشمان بسته به سوی خواب، کاهش تدریجی در توان باند آلفا و افزایش تدریجی در توان باند تتا اتفاق می افتد. همچنین کاهش توان آلفا و افزایش توان تتا در طول دوره بیداری ساکن ( با چشمان بسته ) می تواند یک محرک قوی برای خواب را نشان بدهد. در واقع در طی تحقیقات، محققان این موضوع را دریافته اند که خواب آلودگی شخص در طول دوره بیداری به طور منفی با توان باند آلفا و بطور مثبت با توان باند تتا در سیگنال EEG شخص بیدار در طول دوره بیداری همبسته است [۷و۱].

فعالیت الکتریکی مغز که همان سیگنال EEG است، سیگنالی دینامیک، اتفاقی، غیرایستان و غیر خطی است [۷]. ثبت سیگنال EEG وابسته به محل الکترودها، امپدانس آنها و حالت هوشیاری است. یک شخص خبره برای مشخص ساختن اطلاعات از میزان زیادی داده EEG نیاز به تفسیر دیداری سیگنال دارد و تحلیل کامپیوتری سیگنال EEG هدفی است برای تسهیل، سرعت بخشیدن و استخراج اتوماتیک ویژگی از فعالیت مغزی ضمن اینکه سختی معاینه چشمی سیگنال برای شخص خبره را نیز از بین می برد[۱].

طبقه بندی سیگنال EEG با استفاده از کامپیوتر در مورد خواب آلودگی در چندین تحقیق مورد تحلیل قرار گرفته است [۷] . این طبقه بندی ها مبتنی بر تحلیل طیفی EEG است و نشان می دهد که تحلیل طیفی مشخصات باندها می تواند به عنوان یک طبقه بندی کننده مورد استفاده قرار گیرد[ ۷ و ۱]. در مقایسه با روش های متعارف در آنالیز فرکانس با استفاده از تبدیل فوریه یا تبدیل فوریه زمان کوتاه، تبدیل ویولت می تواند یک تحلیل Multi – resolution از سیگنال ارائه کند. در این تحقیق، DWT برای تحلیل زمان- فرکانس سیگنال EEG بکار برده شده است و از ANN به عنوان طبقه بندی کننده با استفاده از ضرایب ویولت استفاده شده است. سیگنال EEG با استفاده از DWT به زیر باندهای فرکانسی تجزیه می شود سپس از این زیر باندها یک مجموعه از ویژگی های آماری برای نشان دادن توزیع در ضرایب ویولت استخراج می شود. یک شبکه عصبی برای طبقه بندی سیگنال EEG به یکی از رده های هوشیار، خواب آلود و خواب بکار برده می شود.

ادامه مطلب را با دانلود فایل پیوستی مشاهده کنید.

حتما بخوانید:

⇐ ارتباط انحرافات رانندگی با سطح خواب آلودگی ذهنی و خود گزارش دهی در حین رانندگی

⇐ مروری کوتاه بر روش های تشخیص خستگی و عدم تمرکز حواس راننده برای جلوگیری از تصادف

⇐ تاثیر ارگونومی در طراحی خودرو

   

نویسنده: سیروان شیخی

«تجربه در صنعت»، زیربنایِ اشتیاقِ من به دنیایِ HSE است. با بیش از ۱۳ سال فعالیت اجرایی و تخصصی، هدفم در این وب‌سایت، پل زدن میان دانشِ آکادمیک و نیازهای واقعیِ صنعت است. همراه با تیم تخصصی‌ام، می‌کوشیم تا با ارائه محتوای کاربردی و به‌روز، مسیرِ رشد حرفه‌ای شما را هموارتر کنیم. خوشحال می‌شوم در صفحه لینکدین، تجربیاتمان را به اشتراک بگذاریم و در این مسیر تخصصی همراه هم باشیم.