عنوان صفحه
3-6-3- روش پیشنهادی برای مکان یابی ………………………………………………………………………….
36
3-7- محاسبه همبستگی در سیگنال EEG ……………………………………………………………………………………..
38
3-8- ویژگی استفاده شده برای تشخیص خستگی ……………………………………………………………………………
40
3-9- روشهای کلاسه بندی استفاده شده ……………………………………………………………………………………..
40
3-9-1- ماشین بردار پشتیبان …………………………………………………………………………………………
40
3-9-2- K نزدیک ترین همسایه ……………………………………………………………………………………….
42
3-10- روشهای مقایسه شده با روش پیشنهادی………………………………………………………………………………
42
3-10-1- آنتروپی تقریبی ……………………………………………………………………………………………….
43
3-10-2- کولموگروف آنتروپی………………………………………………………………………………………….
44
3-10-3- تجزیه و تحلیل بردار اصلی به همراه کرنل …………………………………………………………..
45
3-10-4- مدل مخفی مارکوف………………………………………………………………………………………….
45
3-10-5- روش اراﺋﻪ شده توسط لیو و همکارانش ……………………………………………………………….
46
3-10-6- روش اراﺋﻪ شده توسط شن و همکارانش ……………………………………………………………..
46
3-10-7- توموگرافی الکترومغناطیسی با رزولوشن پایین ……………………………………………………..
47
3-10-8- توموگرافی الکترومغناطیسی استاندارد با رزولوشن پایین ……………………………………….
48
3-11- جمعبندی ………………………………………………………………………………………………………………………..
49
فصل چهارم: آزمایشها و نتایج ……………………………………………………………………………………………………
50
4-1- مقدمه ………………………………………………………………………………………………………………………………..
51
4-2- شبیه سازی سیگنال EEG برای مشخص کردن دقت مکانیابی ………………………………………………..
52
4-3- سیگنال EEG ثبت شده برای بررسی میزان خستگی ……………………………………………………………….
53
4-4- شبیه سازی سیگنال EEG برای بررسی میزان خستگی …………………………………………………………….
57
4-5- نتایج ………………………………………………………………………………………………………………………………….
59
4-5-1- مقایسه روش مکان یابی پیشنهادی و LCMV ……………………………………………………….
59
4-5-2- بررسی خستگی به کمک داده های ثبت شده EEG……………………………………………….
60
4-5-2-1- بررسی مکان و قدرت منابع در حالت خسته و نرمال………………………………
60
4-5-2-2- بررسی ویژگی پیشنهادی در کلاسهبندی حالتها………………………………….
62
4-5-2- بررسی خستگی به کمک سیگنال شبیهسازی شده………………………………………………….
67
4-6- جمعبندی …………………………………………………………………………………………………………………………..
70
فصل هفتم: نتیجه گیری و پیشنهادات ……………………………………………………………………………………
71
فهرست منابع …………………………………………………………………………………………………………………………
74
فهرست جداول
عنوان و شماره صفحه
59
جدول 4-1) مقایسه میزان خطا بین روش پیشنهادی و روش LCMV …………………………………………………………
63
جدول 4-2) صحت به دست آمده توسط روش پیشنهادی در کلاسه بندیهای 1NN و SVM……………………..
63
جدول 4-3) صحت به دست آمده توسط لیو و همکارانش………………………………………………………………………………..
64
جدول 4-4) صحت به دست آمده توسط شن و همکارانش……………………………………………………………………………………..
65
جدول 4-5) مقایسه بین پیچیدگی استخراج ویژگی روشهای مختلف ………………………………………………………….
67
جدول 4-6) خطای مکانیابی برای روش های مختلف بر روی قسمتهای مختلف سیگنال که از ابتدا سیگنال شبیه سازی شده انتخاب شدهاند…………………………………………………………………………………………………..
68
جدول 4-7) خطای مکانیابی برای روش های مختلف بر روی قسمتهای مختلف سیگنال که از وسط سیگنال شبیه سازی شده انتخاب شدهاند…………………………………………………………………………………………………..
68
جدول 4-7) خطای مکانیابی برای روش های مختلف بر روی قسمتهای مختلف سیگنال که از وسط سیگنال شبیه سازی شده انتخاب شدهاند…………………………………………………………………………………………………..
68
جدول 4-9) انحراف معیار و میانگین خطای مکان یابی برای روش های مختلف بر روی قسمت های مختلف سیگنال شبیه سازی شده……………………………………………………………………………………………………………….
فهرست شکل ها
عنوان صفحه
شکل2-1) انتخاب بهترین ویژگیها در روشی مبتنی بر طیف سیگنال………………………………………………….
11
شکل 2-2) مقایسه پارامترهای ApEn و KC برای دو باند فرکانسی آلفا و بتا و در دو حالت قبل و بعد از خستگی…………………………………………………………………………………………………………………………………………………….
13
شکل 2-3) نظم منطقی بین 59 الکترود……………………………………………………………………………………………………
16
شکل 2-4) مکان الکترودها که با اسم هر الکترود مشخص شده است …………………………………………………….
19
شکل 3-1) فیلتر مکانی در الگوریتمهای پرتوسازی…………………………………………………………………………………..
31
شکل 3-2) استفاده از فیلتر مکانی تقریباً بهینه…………………………………………………………………………………………
34
شکل 4-1) مکان منبع فرض شده برای شبیه سازی سیگنال EEG………………………………………………………..
52
شکل 4-2) نمونهای از سیگنال EEG فرد قبل از خسته شدن ……………………………………………………………….
55
شکل 4-3) نمونهای از سیگنال EEG فرد پس از خسته شدن………………………………………………………………..
55
شکل 4-4) نمونه ای از سیگنال EEG پیش پردازش شده فرد قبل از خسته شدن……………………………….
56
شکل 4-5) نمونه ای از سیگنال EEG پیش پردازش شده فرد پس از خسته شدن ……………………………….
56
شکل 4-6) نمونه ای از نویز EOG اضافه شده به دادههای شبیه سازی شده………………………………………….
58
شکل 4-7) مکان متوسط قویترین منبع برای یک فرد در حالت خسته و نرمال…………………………………….
61
شکل 4-8) قدرت متوسط منابع برای 17 شرکت کننده در ثبت سیگنال در هر دو سطح خسته و غیر خسته………………………………………………………………………………………………………………………………………………………………
62
شکل 4-9) نمایش جعبهای برای مقایسه بین صحت، ویژگی و حساسیت روشهای مختلف …………………..
65
شکل 4-10) میزان خستگی به دست آمده توسط روش پیشنهادی ………………………………………………………….
70
فصل اول
1- مقدمه
مقدمه
خستگی پدیده ای رایج در زندگی روزمره ماست. یک تعریف مشترک از خستگی این است که خستگی حالتی است که به دنبال یک بازه از فعالیت ذهنی یا بدنی ایجاد میشود که توسط کاهش در توانایی برای کار کردن مشخص میشود.
اولین بار مفهوم خستگی ذهنی توسط گرندجین[1] معرفی شد [1]، که به وضوح خستگی ذهنی را از خستگی فیزیکی متفاوت کرد. او خستگی بدنی را در اثر کاهش عملکرد سیستم عضلانی و خستگی ذهنی را با کاهش عملکرد ذهنی و احساس خستگی تعریف کرد.
خستگی دارای پیامدهای عمده ای در تلفات جاده و در حال حاضر یکی از مساﺋﻞ عمده در صنعت حمل و نقل است. با توجه به کار های اولیه در این مورد، خستگی راننده 35-45 درصد از تصادفات جاده را تشکیل می داده است [2]. علاوه بر این خستگی باعث کاهش کارایی ذهنی خصوصاً در افراد متخصصی که در حین کار فعالیت ذهنی بسیار بالایی دارند (برنامه نویسان حرفهای کامپیوتر و طراحان سیستمهای صنعتی که در قسمتهای R&D شرکتها کار میکنند) و همچنین باعث افزایش زمان پاسخ گویی در افراد میشود. در نتیجه علاوه بر اثراتی که خستگی ذهنی بر پایین آمدن کارایی افراد در موقعیتهای شغلی مختلفی دارد، میتواند عامل مهمی در تصادفات جادهها و سنجش کارایی افراد در کارخانجات باشد. در نتیجه، از آنجا که با خسته شدن، فرد در اجرای کار با قدرت عملکرد کافی دچار مشکل میشود و با توجه به رابطهای که خستگی در افزایش احتمال تصادفات در جادهها و کارخانجات دارد ، مشخص کردن میزان خستگی فرد، در کاهش چنین تصادفاتی و همچنین افزایش قدرت عملکرد افراد ضروری به نظر میرسد. در نتیجه ما در این تحقیق به بررسی خستگی ذهنی پرداختهایم (در ادامه خستگی به معنی خستگی ذهنی استفاده شده است).
تعریف مسئله
از زمان تعریف خستگی تاکنون، در زمینه تشخیص میزان خستگی روشهای متفاوتی مورد بررسی قرار گرفته است. در بین این روشها، به نظر میرسد سیگنال ثبت شده از فعالیت الکتریکی مغز[2](EEG) مشخص کننده بهتری از میزان خستگی است و قدرت پیشبینی بیشتری در تشخیص خستگی مغزی دارد [5].
EEG در اصل به عنوان یک روش برای تحقیق در مورد فرایندهای مختلف ذهنی ارائه شد. اولین ثبت فعالیت الکتریکی مغز از مغز خرگوش و میمون توسط کاتون[3] در سال 1875 گزارش شد [6]، اما سال 1929 بود که هانس برگر[4] [7] اولین اندازه گیری از فعالیتهای الکتریکی مغز را در انسان گزارش کرد. پس از آن، این سیگنال در تشخیصهای کاربردی به ویژه بیماریهای مختلف به کار برده شد. از آنجا که به طور گستردهای پذیرفته شده است که تغییرات مشخصه در شکل موج EEG و باندهای قدرت آن را میتوان برای مشخص کردن انتقال از هوشیاری به خواب و مراحل مختلف خواب مورد استفاده قرار داد [8]، EEG به عنوان یک استاندارد برای اندازه گیری سطح هوشیاری و خواب آلودگی مشاهده شده است. در نتیجه از سیگنال EEG به عنوان یک روش استاندارد برای مشخص کردن سطح خستگی استفاده میشود.
با این حال، تفاوتهای قابل توجهی در میان الگوریتمهای فعلی تشخیص خستگی بر اساس EEG وجود دارد. مطالعات قبلی نشان داده است که ارتباط بین تغییرات EEG و میزان خستگی به نوع کار و حالت شخص بستگی دارد. این مطالعات هم در ماهیت الگوریتم برای تشخیص خستگی و هم مکان و تعداد الکترودها برای ثبت سیگنال متفاوت هستند [9]. علاوه بر این تمام این الگوریتمها با محدودیتهای متفاوتی رو به رو هستند. به طور مثال بسیاری از این روشها نیاز به روشهای برای کاهش بعد فضای ویژگیهای استخراج شده دارند تا دقت روشهای خود را افزایش دهند. در نتیجه هدف از انجام این پایان نامه تشخیص میزان خستگی به کمک روشی است که نیاز به کاهش بعد