فهرست نشریات علمی دسترسی آزاد ایران

در سال‌های اخیر خستگی راننده به یکی از دلایل مهم تصادفات جاده­ای تبدیل شده و مطالعات زیادی برای تحلیل خستگی راننده انجام شده است. سیگنال­های EEG به دلیل غیرتهاجمی بودن، مطمئن­ترین روش برای اندازه­گیری خستگی راننده محسوب می­شوند. تفسیر دستی سیگنال­های EEG برای تشخیص خستگی راننده امری دشوار است، بنابراین باید سیستم خودکاری برای تشخیص خستگی راننده با استفاده از سیگنال‌های EEG فراهم شود. یکی از مشکلات مربوط به الگوریتم­های تشخیص خودکار خستگی راننده، استخراج و انتخاب ویژگی­های تبعیض­آمیز است که به طور کلی منجر به پیچیدگی محاسباتی می­شود. در این مقاله یک رویکرد جدید برای طبقه­بندی خودکار دومرحله­ای خستگی راننده از 6 منطقه‌ی فعال با استفاده از سیگنال­های EEG ارائه شده است. در این روش سیگنال EEG ثبت شده به طور مستقیم و بدون استفاده از استخراج/انتخاب ویژگی کلاسیک به عنوان ورودی شبکه­ی عمیق کانولوشنال و شبکه­ی حافظه‌ی طولانی کوتاه‌مدت (CNN-LSTM) در نظر گرفته شده است. موارد بیان شده به عنوان یک روند چالش برانگیز در مقالات پیشین مطرح شده است. معماری شبکه‌ی پیشنهادی به صورت 7 لایه‌ی کانولوشن با 3 لایه‌ی LSTM و به دنبال آن 2 لایه‌ی کاملا متصل طراحی شده است. از شبکه‌ی LSTM در ترکیب با شبکه‌ی CNN  برای افزایش پایداری و کاهش نوسانات استفاده شده است. نتایج شبیه­سازی روش پیشنهادی برای طبقه­بندی 2 حالت از خستگی راننده برای 6 ناحیه‌ی فعال A، B، C، D، E (بر اساس یک کانال) و F به ترتیب صحت 23/99، 55/97، 98، 26/97، 78/98، 77/93 درصد و ضریب کاپاکوهن 98/0، 96/0، 97/0، 96/0، 98/0 و 92/0 را ارائه کرده است. علاوه بر این با مقایسه‌ی نتایج به دست آمده با نتایج روش­های پیشین، عمل‌کرد مطلوب روش پیشنهادی نشان داده شده است. هم‌چنین با توجه به صحت بالای روش پیشنهادی بر اساس یک کانال سیگنال EEG (منطقه‌ی E)، می­توان از آن برای طراحی سیستم‌های خودکار تشخیص خستگی راننده با پیش­شرط سرعت و صحت بالا استفاده کرد.