Geri Dön

Drowsiness detection using brain signal recognition deep neural network (BSRDNN)

Beyin sinyali tanima kullanilarak uyuşukluk algilama derin sinir aği (BSRDNN)

PDF İndir

  1. Tez No: 928404
  2. Yazar: HAYDER OSAMAH DAWOOD AL KHALIDI
  3. Danışmanlar: PROF. DR. SEMİH BİLGEN
  4. Tez Türü: Doktora
  5. Konular: Mekatronik Mühendisliği, Mechatronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: İngilizce
  9. Üniversite: İstanbul Okan Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Mekatronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Tek kanallı elektroensefalografi (EEG) verilerinden uyuşukluk tespiti için tek boyutlu evrişimli nöral ağ modeli (1D-CNN) ve yapay nöral ağ (ANN) temelli yeni bir derin öğrenme mimarisi olan BSRDNN (beyin sinyali tanıma derin nöral ağı) önerilmiştir. Yöntemin etkinliği, tek bir elektrot tarafından toplanan 80 saatten uzun süreli EEG verisi içeren MIT/BIH polisomnografik EEG veri kümesi (MIT/BIH-PED) kullanılarak gösterilmiştir. 16 denek için EEG sinyalleri BSRDNN tarafından uyanıklık, uyuşukluk ve uyku olarak sınıflandırılmıştır. BSRDNN iki yaklaşımla kullanılmıştır: Seçenek 1, derin öğrenme ile özellik çıkarma ve sınıflandırmadan oluşur; Seçenek 2'de özellik ve sınıflandırma, makine öğrenimi algoritmaları, naif Bayes (NB), k-en yakın komşular (KNN), rastgele orman (RF) ve stokastik gradyan inişi (SGD) ile gerçekleştirilir. Önerilen tekniğin performansını artırmak için birleştirilmiş denek doğrulaması uygulanmıştır. Simülasyonlar, aynı veri setine uygulanan en son tekniklerle karşılaştırıldığında doğruluk, geri çağırma, F1 puanı ve kesinlik açısından daha iyi performans gözlenmiştir: Seçenek 1'de %92,31 genel doğruluk ve Seçenek 2'de %94,8-100 doğruluk elde edilmiştir. Önerilen yeni BSRDNN modeli, aynı MIT/BIH-PED veri setini kullanan yayınlanmış araştırmalarda yer alan modellere göre açık bir üstünlük göstermektedir. Diğer modellere kıyasla daha az eğitilebilir parametre ve aritmetik işlemle belirlenmiş görevini gerçekleştirebildiği ve dolayısıyla daha hızlı eğitim ve test aşamalarıyla sonuçlandığı gösterilmiştir. Bu gelişmiş hız ile, daha hızlı uyuşukluk tespiti sağlanmış ve süreç için gereken genel süre azaltılmıştır.

Özet (Çeviri)

A novel deep learning architecture, BSRDNN (brain signal recognition deep neural network), based on a one-dimensional convolutional neural network model (1D-CNN) and artificial neural network (ANN), is proposed for drowsiness detection from single-channel electroencephalographic (EEG) data. The effectiveness of the method is shown using the MIT/BIH polysomnographic EEG dataset (MIT/BIH-PED) with more than 80h long-term EEG data collected by a single electrode. EEG signals for 16 subjects were classified by BSRDNN as wakefulness, drowsiness, and sleep. BSRDNN was used via two approaches: Option 1 consists of feature extraction and classification by deep learning; in Option 2, feature and classification are performed by machine learning algorithms, naïve Bayes (NB), k-nearest neighbours (KNN), random forest (RF), and stochastic gradient descent (SGD). Combined-subject validation was applied extraction to enhance the performance of the proposed technique. Simulations demonstrated better performance in terms of accuracy, recall, F1-score and precision compared to the current state-of-the-art techniques applied to the same dataset: We obtained 92.31% overall accuracy in Option 1, and 94.8–100% in Option 2. The proposed novel BSRDNN model demonstrates clear superiority over those featured in published research that used the same MIT/BIH-PED dataset. It can perform its designated task with less trainable parameters and arithmetic operations compared to other models, resulting in faster training and testing phases. This enhanced speed facilitates quicker drowsiness detection, thereby reducing the overall time required for the process.

Benzer Tezler

  1. Tez No

    496501

    IMU tabanlı yürüyüş analizi

    IMU based gait tracking

    KAAN ŞAHİN

    Yüksek Lisans

    Türkçe

    Türkçe

    2018

    Mekatronik Mühendisliğiİstanbul Teknik Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. SERHAT İKİZOĞLU

  2. Tez No

    989801

    İZLEME VE TAKİP GÖREVLERİNDE PERFORMANS GÖSTERGESİ OLARAK EEG VERİLERİNİN KULLANILMASI

    USING EEG AS A PERFORMANCE MEASUREMENT IN MONITORING AND TRACKING TASKS

    CEMRE DOMBAYCI

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGebze Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MEHMET GÖKTÜRK

  3. Tez No

    919280

    Towards the development of an autonomous system for driver's drowsiness detection and alertness using a high-fidelity driving simulator

    Yüksek hassasiyetli sürüş simülatörü kullanılarak sürücünün uykululuk tespiti ve uyanıklığı için otonom bir sistemin geliştirilmesine doğru

    RIAZ MINHAS

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Makine MühendisliğiKoç Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ BEREN SEMİZ GÜRSOY

  4. Tez No

    767923

    Detection of drowsiness by using deep cascade based on a convolution neural network (CNN)

    Bir evrişim sinir ağı (CNN) tabanlı derin kademeli kullanarak uyuşukluk tespiti

    MAHDI SALAH MAHDI AL-INIZI

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş Üniversitesi

    Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı

    Prof. Dr. GALİP CANSEVER

  5. Tez No

    983729

    Driver drowsiness and fatigue detection using physiological measurements

    Fizyolojik ölçümler kullanılarak sürücü uyuşukluk ve yorgunluk tespiti

    MUSTAFA BORAZAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Elektrik ve Elektronik MühendisliğiÇukurova Üniversitesi

    Biyomedikal Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MUSTAFA İSTANBULLU

Geri Dön