فهرست نشریات علمی دسترسی آزاد ایران

خواب‌آلودگی رانندگان به عنوان یکی از عمده‌ترین دلایل تصادفات و سوانح رانندگی در سرتاسر جهان شناخته می‌شود. در سالیان اخیر تلاش‌های زیادی جهت تشخیص خواب‌آلودگی رانندگان به وسیله‌ی ابزارهای با قیمت مقرون به صرفه به منظور امکان استفاده‌ی عمومی صورت گرفته است. سیگنال‌های حیاتی به ویژه سیگنال الکتروانسفالوگرام (EEG) به دلیل بازتاب آنی تغییرات ناشی از خواب‌آلودگی در تشخیص هوشیاری و خواب‌آلودگی رانندگان، کاربرد و محبوبیت زیادی پیدا کرده است. علی‌رغم پیش‌رفت شگرفی که در سالیان گذشته در تشخیص خواب‌آلودگی رانندگان ایجاد شده است، محققان هم‌چنان به دنبال افزایش صحت مد‌ل‌های تشخیص دهنده به وسیله‌ی استخراج ویژگی‌های جدید و مناسب از سیگنال EEG هستند. در این مقاله پس از معرفی یک دسته‌ی ویژگی جدید از سیگنال EEG، الگوریتمی برای تشخیص خواب‌آلودگی رانندگان با استفاده از این ویژگی‌ها توسعه داده شده است. برای جمع‌آوری داده‌های مورد استفاده در این مطالعه سیگنال EEG از ۵۰ داوطلب در حین رانندگی در شبیه‌ساز رانندگی نصیر به وسیله‌ی هدست‌های تجاری Muse 2 و Muse S ثبت شده است. پس از پیش‌پردازش سیگنال‌ها و دسته‌بندی آن‌ها در ایپاک‌های ۳۰ ثانیه‌ای، ویژگی نرخ عبور از صفر مربوط به سیگنال اصلی و مشتق اول و دوم این سیگنال استخراج شده است. پس از اعمال آزمون‌های آماری بر ویژگی‌های استخراج شده، از ۱۱ ویژگی که در دو کلاس هوشیاری و خواب‌آلودگی تفاوت معناداری داشتند برای توسعه‌ی مدل با استفاده از طبقه‌بندهای KNN و SVM بهره گرفته شده است. حداکثر صحت حاصل در تشخیص خواب‌آلودگی رانندگان با استفاده از الگوریتم پیشنهادی برابر با 37/86% می‌باشد. در نتیجه می‌توان ویژگی‌های پیشنهادی در این مقاله را به عنوان پارامترهایی موثر در جهت بهبود کیفیت تشخیص خواب‌آلودگی رانندگان معرفی کرد.