ارزیابی ریسک خستگی و عدم تمرکز در محیط با استفاده از سیگنال EEG و شبکه پتری

زمینه و هدف: تشخیص خودکار حالات روحی و روانی افراد برای اهداف مختلف در بسیاری از زمینه ها مانند مراقبت های بهداشتی، آموزشی، علوم اعصاب و ... مفید است. در این مورد میتوان از سیگنال های مغزی پوست سر و استخراج ویژگی ها برای تعامل با دستگاه و طبقه بندی ذهنی مختلف استفاده کرد.مواد و روش ها: در این مقاله، یک مجموعه داده برای تشخیص تمرکز انسان استفاده شد. در این مورد، وظایف مختلفی که نیاز به سطوح مختلف تمرکز ذهنی داشتند، مشخص شد. سپس سیگنال EEG توسط ۴ الکترود ثبت شد. سپس پیش پردازشی بر روی سیگنال انجام شد که شامل فیلتر ناچ، تبدیل موجک و فیلتر لاپلاسین گسترده بود.نتایج: در این مقاله از ۱۵۰و ۳۰۰نمونه استفاده شد، سپس از روش های مختلف یادگیری ماشین برای طبقه بندی این حالت ها استفاده شد. در نهایت تعداد متفاوتی از ویژگی ها استفاده شد و نتایج در جدول ارائه شد که در این صورت از دو روش برای استخراج و کاهش ویژگی ها استفاده شد. یکی روش PCA و دیگری روش پیشنهادی بود که منجر به کاهش قابل توجه ویژگی ها و ورودی های الگوریتم و در برخی موارد حتی نتایج دقیق تری شد.نتیجه گیری: در این مقاله با افزایش تعداد موارد، دقت افزایش یافت. در نهایت نشان داده شد که روش پیشنهادی دقت بسیار بالایی دارد و میتوان از آن برای طبقه بندی سیگنال های EEG انسانی با دقت بالاتر استفاده کرد. در نهایت از اجزای شبکه پتری و کلاس های این مقاله استفاده شد و میزان ریسک کاهش توجه افراد در محیط کار مدل شد.

Keywords:

سیگنال EEG , روش های یادگیری ماشین , طبقه بندی , مدلسازی ارزیابی ریسک