به کارگیری شبکه عصبی در تشخیص خواب آلودگی با استفاده از سیگنالهای EEG و بهینه سازی در انتخاب ویژگی های آن به وسیله الگوریتم ژنتیک

از دلایل مهم تصادفات جاده ای، میتوان به خواب آلودگی در هنگام رانندگی اشاره کرد. به همین دلیل تشخیص باز یا بسته بودن چشم راننده یکی از عوامل مهم در کاهش آمار مرگ و میر جاده ای می باشد. یکی از راه های تشخیص باز یا بسته بودن چشم استفاده از سیگنال های EEG میباشد. سیگنالهای EEG از ثبت فعالیت های الکتریکی مغز انسان به دست می آید. در این مقاله با استفاده از شبکه عصبی که بر روی سیگنال های EEG راننده پیاده سازی شده است باز یا بسته بودن چشم تشخیص داده می شود. داده های سیگنال های EEG استفاده شده در این مقاله از 14 ویژگی تشکیل شده که بر روی جامعه آماری 600 نفر تشکیل شده است. الگوریتم های مختلف شبکه عصبی جهت کلاسبندی این داده ها در دو کلاس باز یا بسته بودن چشم پیاده سازی شده اند که در این مقاله به بیان آنها پرداخته شده است. شبکه عصبی پرسپترون و شبکه عصبی توابع پایه شعاعی (RBF) دو نوع شبکه استفاده شده در این مقاله می باشد. همچنین جهت بهبود سرعت اجرایی و کاهش فضای اشغالی میکروکنترلر از روش الگوریتم ژنتیک جهت بهینه سازی تابع برازندگی نرخ تفکیک پذیری فیشر استفاده شده است که تابع بهینه سازی شده نتایج مطلوبی را در زمان و فضای اشغال شده کمتر ارایه میدهد.

Keywords:

خواب آلودگی , سیگنال EEG , بهینه سازی , الگوریتم ژنتیک , شبکه عصبی , پرسپترون , توابع پایه شعاعی