Uso de las nuevas tecnologías de la comunicación en la sensibilización conductual y cognitiva de los usuarios de la carretera: hacia una conducción segura

[SPA] En las últimas décadas, ha habido muchos avances en el campo de la tecnología. Dado que los problemas del mundo se vuelven más y más complejo a medida que avanza, es imperativo que el progreso científico y tecnológico se realiza en áreas como el reconocimiento y la detección automáticos. Uno de estos problemas es la fatiga mental, que contribuye a muchos accidentes alrededor del mundo. En un entorno de conducción, es necesario que la detección de la fatiga se realiza de forma no intrusiva y que las alarmas no molestan al conductor cuando no está somnoliento. En utilizando el aprendizaje automático y el aprendizaje profundo, proporcionar diferentes métodos para comprender el significado de la fatiga, sus efectos nocivos, así como estrategias para detectar la fatiga. La tesis también aborda las medidas de desempeño de clasificadores y análisis de comparación con diferentes detecciones automática mediante señales EEG. De hecho, la detección de la fatiga requiere mucho análisis, y especialmente el análisis de las señales EEG, estas señales son difíciles de proporcionar y muy caros de extraer, y dependen de varios parámetros y muchas condiciones, la primera parte de este estudio ha fue muy difícil y largo ya que nos tomó mucho tiempo encontrar nuestros voluntarios y para tener éxito en esta experiencia, por la parte del análisis utilizando diferentes algoritmos de aprendizaje automático y aprendizaje profundo y, por lo tanto, el comparación de la precisión de cada método. La fatiga mental es una desorganización compleja que afecta la eficiencia del ser humano en el trabajo y las actividades diarias (por ejemplo, conducir, hacer ejercicio). La encefalografía es comúnmente solía discernir esta fatiga. Varios procedimientos automáticos han desplegó enfoques convencionales para ayudar a los neurólogos en la detección de episodios de fatiga mental (por ejemplo, somnoliento frente a normal). En todos los procedimientos tradicionales (por ejemplo, la máquina vectorial de soporte, análisis discriminante de Fisher, el vecino más cercano K y la clasificación bayesiana), solo se logra una precisión baja cuando, Se aplica una tarea de clasificación binaria (por ejemplo, cansado vs normal). El modelo de red neuronal convolucional identifica la manipulación matemáticas correctas para transformar la entrada en salida. En este estudio, una red neuronal convolucional está entrenada para reconocer las señales cerebro registrado por un gorro de encefalografía portátil. Desafortunadamente, la red neuronal convolucional funciona con grandes conjuntos de datos Para superar este problema, un esquema aumento para un modelo de red neuronal convolucional es esencial porque puede lograr una mayor precisión que los clasificadores tradicionales. Los resultados muestran que nuestro modelo logró un 97,3% en comparación con los métodos tradicionales avanzados (por ejemplo, SVM y LDA). El objetivo de este trabajo es el uso de datos de EEG para comprender cómo la fatiga mental puede afectar el comportamiento del conductor, muchos métodos están involucrados para entender estos datos como enfoque de aprendizaje automático y método de aprendizaje automático profundidad. Los datos están organizados de la siguiente manera: datos de EEG de 10 personas en condiciones normales y otras 10 personas privadas de sueño, en la duración de la grabación es de 7 minutos de cada sesión, y la experiencia incluye tres sesiones para cada persona, ninguno de los voluntarios tiene historial mental y ninguno de ellos está en la medicación. Lo esencial de este estudio es comparar los diferentes métodos de análisis de señales EEG para detección de fatiga, usando aprendizaje automático y profundo Aprendizaje.

Author

• Ettahiri, Halima

• EEG
• Deep learning
• Machine learning
• Fatiga mental
• SVM
• Lda

Identifier

hdl:10317/12823

OAI identifier oai:identifier

oai:repositorio.upct.es:10317/12823