Views
7
Günümüzde birçok insan trafik kazalarında hayatlarını kaybetmektedir. Trafik kazalarının en önemli nedeni olarak sürücülerin uykusuzluğu ve yorgunluğu gösterilmektedir. Bu nedenle sürücü performansının analizi konusunda yapılan araştırmalar büyük önem taşımaktadır. Bu çalışmada, elektroensefalografi (EEG) verileri kullanılarak sürücü yorgunluğunu analiz edebilecek bir sistem tasarlanmıştır. Veri seti olarak National Chiao Tung Üniversitesi tarafından hazırlanan sürekli dikkat halinde sürüş deneyinden alınan EEG işaretleri kullanılmıştır. Boyutu sürücünün yorgunluk zamanlarını ve seviyesini tespit edebilmek için veri seti dört sınıfa ayrılmıştır. Sürücü yorgunluğu evrelerinde ortaya çıkan frekans aralıklarını belirleyebilmek için EEG sinyallerine filtreleme işlemleri yapılmıştır. Temel Bileşen Analizi yöntemi kullanılarak öznitelik matrisinin azaltılmıştır. Böl ve Fethet algoritması ile dört sınıfın birbirinden en iyi şekilde ayrılacağı tüm kombinasyonlar belirlenmiş ve her adımda altsınıflandırıcılar kullanılarak sınıflandırma işlemi yapılmıştır. Alt sınıflandırıcı olarak, k-En Yakın Komşuluk, Destek Vektör Makineleri ve Doğrusal Ayırım Analizi algoritmaları kullanılmıştır. Çalışma sonucunda ortalama sınıflandırma başarıları k-En Yakın Komşuluk algoritması için %87.9, Destek Vektör Makineleri algoritması için %88.5 ve Doğrusal Ayırım Analizi için %81.6 olarak elde edilmiştir. En yüksek ortalama sınıflandırma başarısı ise 4. sınıf yorgunluk seviyesinde, sürüşün 67.5-90 dk. arasında Destek Vektör Makineleri sınıflandırıcısı ile %93.2 olarak elde edilmiştir.
Today, many people die in traffic accidents. Sleeplessness and fatigue of drivers are shown as the most important cause of traffic accidents. For this reason, research on driver performance analysis is of great importance. In this study, a system is designed to analyze driver fatigue using electroencephalography (EEG) data. As the data set, the EEG signals from sustained-attention driving task prepared by National Chiao Tung University have been used. The data set is divided into four classes to determine the driver's fatigue times and level. In order to determine the frequency ranges that occur during driver fatigue phases, EEG signals are filtered. Principal Component Analysis method has been used to reduce the size of the features matrix. With the Divide and Conquer algorithm, all combinations in which the four classes will be separated best are determined and classification has been done at each step using sub-classifiers. As sub-classifiers, k-Nearest Neighborhood, Support Vector Machines and Linear Discrimination Analysis algorithms are used. As a result of the study, the average classification successes are 87.9% for the k-Nearest Neighborhood algorithm, 88.5% for the Support Vector Machines algorithm and 81.6% for Linear Discrimination Analysis. The highest classification success has been achieved as 93.2% with the Support Vector Machines classifier, between 67.5-90 min. of driving at the 4 𝑡ℎ grade fatigue level.
Field : Mühendislik
Journal Type : Ulusal
Article Detail 
Similar Articles
Download PDF
Journal Information
Listen Paper
Cite
Print This Page
Share
Mendeley
