DOI: https://doi.org/10.1038/s41598-025-89479-y
PMID: https://pubmed.ncbi.nlm.nih.gov/40087330
تاريخ النشر: 2025-03-14
المؤلف: Meenakshi Malik وآخرون
الموضوع الرئيسي: النوم والإرهاق المرتبط بالعمل
نظرة عامة
تتناول ورقة البحث القضية الحرجة المتعلقة بإرهاق السائق، والذي يساهم بشكل كبير في حوادث المرور بسبب انخفاض الانتباه واليقظة. الهدف الرئيسي من الدراسة هو تحديد نعاس السائق وإدارة هذه المعلومات بشكل فعال باستخدام التقدم في الذكاء الاصطناعي (AI) وتعلم الآلة (ML) ضمن أنظمة مساعدة السائق المتقدمة (ADAS). تعتمد الطريقة المقترحة على تقنية إنترنت الأشياء (IoT) للكشف التلقائي عن النعاس من خلال مستشعر متعدد الجسم يلتقط إشارات تخطيط الدماغ (EEG) للسائق. تستخدم الدراسة نموذج تحويل التردد الزمني الموجي لتحليل هذه الإشارات وتصنيف أنماط نشاط الدماغ، تليها تطبيق شبكة عصبية تلافيفية متعددة الطبقات VGG-16 للتصنيف.
تشير النتائج إلى أن النهج المقترح لتعلم الآلة يمكن أن يتعرف بشكل فعال على إرهاق السائق، مما يعزز سلامة الطرق ويقلل من الحوادث المتعلقة بالإرهاق. يتم تصنيف بيانات EEG لتعكس مستويات الإرهاق بناءً على التقييمات الأولية وترددات ثيتا من المناطق المتسلسلة والصدغية. تؤكد الدراسة على أهمية وجود خط أنابيب معالجة مسبقة منظم جيدًا للتخفيف من الضوضاء وتحسين دقة التصنيف، مع الاعتراف بالتعقيدات الكامنة لإشارات EEG مقارنة بأنواع البيانات الأخرى. كتحقيق أولي، كانت التحليلات محدودة بحجم عينة صغيرة، مع خطط للبحث المستقبلي تهدف إلى تحسين نماذج التعلم العميق وتطوير تقنيات واجهة الدماغ-الكمبيوتر بدون معايرة.
طرق
تهدف الدراسة إلى تعزيز دقة الكشف عن التعب باستخدام إشارات EEG أحادية القناة من خلال تصنيف بيانات EEG الخام مباشرة، مما يلغي الحاجة إلى استخراج الميزات يدويًا وتقنيات معالجة الإشارات. يتناقض هذا النهج مع الطرق الحالية، التي غالبًا ما تعتمد على البيانات المعالجة مسبقًا.
تحدد الدراسة مصدرين رئيسيين للأثر في قراءات EEG: الآثار المتعلقة بالمعدات والآثار الفسيولوجية. قد تنشأ الآثار المتعلقة بالمعدات من عدم الاتصال الصحيح للمستشعر بفروة الرأس أو تقلبات الطاقة في وحدة EEG. في المقابل، ترتبط الآثار الفسيولوجية بحركات معينة، مثل غمزات العين ونشاط العضلات، خاصة من الجبهة. يمكن أن تتداخل هذه الآثار مع إشارات EEG، مما يقلل من قيمتها المعلوماتية. تؤكد الدراسة على ضرورة إزالة هذه الآثار تمامًا دون تغيير النشاط الدماغي الأساسي لضمان دقة الكشف عن التعب.
نتائج
في هذا القسم، يوضح المؤلفون إعداد التجربة ونتائج دراستهم حول الكشف عن النعاس باستخدام إشارات EEG. تم إجراء التجارب على جهاز Alienware Desktop مزود ببطاقة رسومات NVIDIA GeForce GTX 1080 ومعالج Intel Core i7-6700، باستخدام Python 3.6.6 وأطر التعلم العميق Pytorch وTensorFlow. أشارت النتائج الأولية إلى أن طبقات تطبيع الدفعات الافتراضية في هذه الأطر أدت إلى تقارب سريع تلاه انخفاض في الدقة. لتخفيف ذلك، تم إجراء تعديلات لتعطيل حسابات المتوسط والانحراف في طبقات تطبيع الدفعات.
تم جمع بيانات EEG باستخدام سماعة Emotiv EPOC+، التي قدمت بيانات دماغية عالية الجودة من خلال أقطاب كهربائية موضوعة على فروة الرأس. تضمنت الدراسة تسجيل إشارات EEG خلال ظروف القيادة العادية والمتعبة، مما أسفر عن مجموعة بيانات تحتوي على 1,440 عينة. تم استخدام تقنيات زيادة العينة مثل SMOTE لمعالجة عدم توازن الفئات، وتم استخدام مقاييس الأداء مثل F1-score والدقة-الاسترجاع للتقييم. حقق النموذج المقترح دقة توقع بنسبة 89% على مجموعة بيانات Physionet، متفوقًا على التقنيات الحالية مثل STFT وSVM_LDA، التي حققت دقة بنسبة 81% و85% على التوالي. يؤكد المؤلفون أن طريقتهم، التي تستخدم إدخال EEG أحادي القناة، تقدم تعقيدًا زمنيًا منخفضًا، مما يجعلها مناسبة للتطبيقات في الوقت الحقيقي مثل القيادة.
مناقشة
في هذا القسم، يناقش المؤلفون نهجًا جديدًا للكشف عن النعاس باستخدام إشارات EEG المعالجة من خلال نموذج تحويل التردد الزمني الموجي (WTFT) وتصنيفها عبر شبكة عصبية تلافيفية متعددة الطبقات (MLCDT-VGG-16). يلتقط WTFT بشكل فعال الخصائص غير الثابتة لإشارات EEG، مما يسمح بتحليل مفصل لأنماط نشاط الدماغ. تؤكد الدراسة على أهمية استخراج الميزات من بيانات EEG الخام، مع تسليط الضوء على حساب معاملات التفصيل والتقريب، بالإضافة إلى الطاقة الموجية النسبية، والتي تؤثر بشكل كبير على أداء التصنيف.
تتميز بنية MLCDT-VGG-16 بكفاءتها وفعاليتها في التطبيقات في الوقت الحقيقي، باستخدام مرشحات تلافيفية صغيرة ونهج منظم لمنع الإفراط في التكيف. حقق النموذج معدلات دقة عالية، حيث تشير النتائج إلى دقة تنبؤية بنسبة 89% لـ MLCDT-VGG-16 على مجموعة بيانات Physionet، متفوقًا على الطرق التقليدية مثل STFT وSVM-LDA. يستنتج المؤلفون أن طريقتهم تقدم حلاً واعدًا للكشف التلقائي عن النعاس، وهو أمر حاسم لتعزيز سلامة القيادة، مع الاعتراف أيضًا بالتحديات التي تطرحها التعقيدات الكامنة في بيانات EEG والحاجة إلى مزيد من البحث لتحسين هذه التقنيات.
DOI: https://doi.org/10.1038/s41598-025-89479-y
PMID: https://pubmed.ncbi.nlm.nih.gov/40087330
Publication Date: 2025-03-14
Author(s): Meenakshi Malik et al.
Primary Topic: Sleep and Work-Related Fatigue
Overview
The research paper addresses the critical issue of driver fatigue, which significantly contributes to traffic accidents due to diminished attention and vigilance. The primary aim of the study is to identify driver drowsiness and effectively manage this information using advancements in artificial intelligence (AI) and machine learning (ML) within Advanced Driver Assistance Systems (ADAS). The proposed method leverages Internet-of-Things (IoT) technology for automatic detection of drowsiness through a multi-body sensor that captures the driver’s electroencephalogram (EEG) signals. The study employs a wavelet time frequency transform model to analyze these signals and classify brain activity patterns, followed by the application of a multi-layer convolutional VGG-16 neural network for classification.
The findings indicate that the proposed machine learning approach can effectively recognize driver fatigue, thereby enhancing road safety and reducing fatigue-related incidents. The EEG data is labeled to reflect fatigue levels based on primary assessments and theta frequencies from sequential and occipital regions. The study emphasizes the importance of a well-structured pre-processing pipeline to mitigate noise and improve classification accuracy, acknowledging the inherent complexities of EEG signals compared to other data types. As a preliminary investigation, the analysis was limited to a small sample size, with plans for future research aimed at refining deep learning models and developing calibration-free brain-computer interface techniques.
Methods
The research aims to enhance the accuracy of tiredness detection using single-channel EEG signals by directly classifying raw EEG data, thereby eliminating the need for manual feature extraction and signal processing techniques. This approach contrasts with existing methods, which often rely on pre-processed data.
The study identifies two primary sources of artefacts in EEG readings: equipment-related artefacts and physiological artefacts. Equipment-related artefacts may arise from improper sensor contact with the scalp or power fluctuations in the EEG unit. In contrast, physiological artefacts are linked to specific movements, such as eye blinks and muscle activity, particularly from the forehead. These artefacts can interfere with EEG signals, diminishing their informational value. The research emphasizes the necessity of completely removing these artefacts without altering the underlying brain activity to ensure accurate tiredness detection.
Results
In this section, the authors detail the experimental setup and results of their study on drowsiness detection using EEG signals. The experiments were conducted on an Alienware Desktop equipped with an NVIDIA GeForce GTX 1080 GPU and an Intel Core i7-6700 CPU, utilizing Python 3.6.6 and deep learning frameworks Pytorch and TensorFlow. Initial findings indicated that the default batch normalization layers in these frameworks led to rapid convergence followed by accuracy decline. To mitigate this, adjustments were made to disable mean and variance computations in the batch normalization layers.
The EEG data were collected using an Emotiv EPOC+ headset, which provided high-quality brain data through electrodes placed on the scalp. The study involved recording EEG signals during normal and fatigued driving conditions, resulting in a dataset of 1,440 samples. Oversampling techniques like SMOTE were employed to address class imbalance, and performance metrics such as F1-score and precision-recall were utilized for evaluation. The proposed model achieved a prediction accuracy of 89% on the Physionet dataset, outperforming existing techniques such as STFT and SVM_LDA, which achieved accuracies of 81% and 85%, respectively. The authors emphasize that their method, which utilizes a single-channel EEG input, offers reduced time complexity, making it suitable for real-time applications like driving.
Discussion
In this section, the authors discuss a novel approach for detecting drowsiness using EEG signals processed through a wavelet time frequency transform (WTFT) model and classified via a multi-layer convolutional neural network (MLCDT-VGG-16). The WTFT effectively captures the non-stationary properties of EEG signals, allowing for detailed analysis of brain activity patterns. The study emphasizes the importance of feature extraction from raw EEG data, highlighting the calculation of detailed and approximation coefficients, as well as relative wavelet energy, which significantly influences classification performance.
The MLCDT-VGG-16 architecture is noted for its efficiency and effectiveness in real-time applications, utilizing small convolutional filters and a structured approach to prevent overfitting. The model achieved high accuracy rates, with results indicating a predictive accuracy of 89% for the MLCDT-VGG-16 on the Physionet dataset, outperforming traditional methods such as STFT and SVM-LDA. The authors conclude that their method offers a promising solution for automatic drowsiness detection, which is critical for enhancing driving safety, while also acknowledging the challenges posed by the inherent complexity of EEG data and the need for further research to refine these techniques.