تشخیص خواب آلودگی راننده با استفاده از پوشیدنی هوشمند[پايان نامه فارسي]
سمیه نصرتی
| شناسگر رکورد: | ۱۶۱۳۷ |
| رشته تحصیلی: | هوش مصنوعی و رباتیکز |
| عنوان: | تشخیص خواب آلودگی راننده با استفاده از پوشیدنی هوشمند |
| نويسنده: | سمیه نصرتی |
| استاد راهنما : | دکتر محمد عشقی دکتر محمدتقی منظوری شلمانی |
| مقطع تحصیلی : | کارشناسی ارشد |
| دانشگاه : | خاتم |
| تاریخ دفاع : | ۱۳۹۸ |
| چکیده: | این پایان نامه بر شناسایی خواب آلودگی راننده با استفاده از یک پوشیدنی هوشمند متمرکز است و هدف از آن تشخیص میزان خواب آلودگی راننده با صحت بالا و کارایی لازم است. خواب آلودگی یکی از دلایل اصلی تصادفات رانندگی است که در آن افراد زیادی جان خود را از دست می دهند یا مجروح می شوند. روش های مختلفی برای تشخیص خواب آلودگی راننده وجود دارد که بطور گسترده به سه شکل: مبتنی بر وسیله نقلیه، مبتنی بررفتار و مبتنی بر فیزیولوژی طبقه بندی می شود . در این تحقیق از آنالیز سیگنال مغزی EEG برای تشخیص خواب آلودگی راننده استفاده شده است . علت انتخاب این سیگنال برای امرتشخیص، سرعت پاسخ دهی بالای آن در تعیین خواب آلودگی است. در این مطالعه در ابتدا سه سطح هوشیاری، نیمه هوشیاری و خواب آلودگی به عنوان چند سطح خواب آلودگی در نظر گرفته شد و به علت عدم دستیابی به صحت بالا، با انجام تحقیقات بیشتر، دو سطح هوشیاری و خواب آلودگی راننده مورد بررسی قرار گرفت . سپس صحت تشخیص سطوح مختلف خواب آلودگی با استفاده از سه روش یادگیری ماشین مورد ارزیابی قرار گرفته است. داده های مربوط به سیگنال EEG (از دسته ویژگی های فیزولوژیکی راننده) با استفاده از بانک داده های DROZY (سیگنال های مربوطه از کانال fz) برای انجام پژوهش پیش رو مورد استفاده قرار گرفت.و ویژگی های فرکانسی سیگنال EEG استخراج شد. ویزگی ها قبل از اعمال به الگوریتم ها به مقادیر بین صفر و یک نرمالیزه شدند. ابزار به کار گرفته شده برای کلاسبندی داده ها سه نوع کلاسبند KNN, SVMو شبکه عصبی مصنوعی بود و معیار صحت برای تعیین عملکرد سه کلاسبند درنظر گرفته شد. نتایج به دست آمده حاکی از آن بود که عملکرد کلاسیفایر ها در تشخیص میزان خواب آلودگی به علت استفاده از دیتاست کوچک، (همان طور که پیش بینی می شد )پایین بود، به علت ماهیت کارمان مجبور به یک سری اعمال پیش پردازش و پس پردازش از قبیل روند کردن و آستانه گذاری شدیم و همچنین کاهش تعداد حالت های پیش بینی از سه سطح به دو سطح هوشیاری و خواب آلودگی، موفق به کسب صحت بالاتر، برای سه کلاسیفایر شدیم . در واقع با انجام این اعمال می توان اعلام کرد که شبکه عصبی بهترین عملکرد را در بین این سه کلاسیفایر دارد. دو طبقه بند دیگر عملکردی مشابه داشتند. صحت تشخیص سه نوع کلاسبند ANN، KNN، , SVM به ترتیب ۹۳، ۸۵ و۸۷ درصد برای داده های آموزش و ۹۵ ۶، ۷۰ و ۶۶ درصد برای داده های تست بود. |
| شماره ثبت | نسخه | جلد | بخش | مرجع | شماره بازیابی | در دست امانت | تاریخ بازگشت | ملاحظات | |
|---|---|---|---|---|---|---|---|---|---|
| 22535 | 1 |
جهت ثبت نظر با حساب کاربری تان وارد شوید