چارچوبی قوی برای تشخیص خستگی راننده از سیگنال‌های EEG با استفاده از ارتقای امتیاز Z اصلاح‌شده و معماری‌های یادگیری چند ماشینی قسمت 1

خلاصه: سیگنال های فیزیولوژیکی، مانند نوار مغزی (EEG)، برای مشاهده فعالیت های مغز راننده استفاده می شود. یک سیستم EEG قابل حمل چندین مزیت از جمله سهولت کار، مقرون به صرفه بودن، قابل حمل بودن و محدودیت های فیزیکی کمی را ارائه می دهد. با این حال، تجزیه و تحلیل سیگنال‌های EEG می‌تواند چالش برانگیز باشد، زیرا اغلب حاوی مصنوعات مختلفی از جمله فعالیت‌های ماهیچه‌ای، پلک زدن چشم و صداهای ناخواسته هستند. این مطالعه از روش تجزیه و تحلیل مؤلفه های مستقل (ICA) برای حذف چنین سیگنال های ناخواسته از داده های EEG پردازش نشده 12 شرکت کننده مرد جوان با آمادگی جسمانی بین 19 تا 24 سال که در شبیه سازی رانندگی شرکت کرده بودند، استفاده کرد. علاوه بر این، تشخیص حالت خستگی راننده با استفاده از سیگنال های EEG چند کاناله به دست آمده از O1، O2، Fp1، Fp2، P3، P4، F3، و F4 انجام شد. یک z-score اصلاح‌شده با ویژگی‌های استخراج‌شده از تبدیل موجک پیوسته حوزه زمان-فرکانس (CWT) برای بالا بردن قابلیت اطمینان طبقه‌بندی خستگی راننده مورد استفاده قرار گرفت. روش پیشنهادی چندین مزیت را ارائه می دهد. اول، تجزیه و تحلیل EEG چند کاناله، دقت تشخیص مرحله خواب را بهبود می بخشد، که برای تشخیص دقیق خستگی راننده حیاتی است. دوم، یک امتیاز z اصلاح‌شده در استخراج ویژگی قوی‌تر از تکنیک‌های z-score معمولی است، و آن را برای حذف مقادیر پرت و بهبود دقت طبقه‌بندی مؤثرتر می‌کند. سوم، رویکرد پیشنهادی برای تشخیص خستگی راننده از طبقه‌بندی‌کننده‌های یادگیری ماشین متعددی استفاده می‌کند، مانند شبکه‌های عصبی کانولوشن (CNN)، شبکه‌های عصبی تکراری (RNN)، شبکه‌های عصبی مصنوعی (ANN) که از حافظه کوتاه‌مدت بلند (LSTM) استفاده می‌کنند، و همچنین یادگیری ماشینی. تکنیک هایی مانند ماشین های بردار پشتیبانی (SVM). ارزیابی پنج طبقه‌بندی‌کننده از طریق اعتبارسنجی متقاطع 5-برگزار شد. نتایج نشان می‌دهد که چارچوب پیشنهادی دقت فوق‌العاده‌ای در شناسایی خستگی راننده با میانگین دقت 96 دارد.{24}}7 درصد. در بین طبقه‌بندی‌کننده‌ها، طبقه‌بندی‌کننده ANN بیشترین دقت را با 99.65 درصد به دست آورد و طبقه‌بندی کننده SVM با دقت 97.89 درصد در رتبه دوم قرار گرفت. بر اساس نتایج تجزیه و تحلیل مشخصه عملکرد گیرنده (ROC) و سطح زیر منحنی (AUC)، مشاهده شد که همه طبقه‌بندی‌کننده‌ها عملکرد فوق‌العاده‌ای با میانگین مقدار AUC 0.95 داشتند. سهم این مطالعه در ارائه یک چارچوب جامع و موثر است که می تواند خستگی راننده را از سیگنال های EEG به دقت تشخیص دهد.

سیستانچ می تواند به عنوان یک ضد خستگی و تقویت کننده استقامت عمل کند و مطالعات تجربی نشان داده اند که جوشانده سیستانچ توبولوزا می تواند به طور موثری از سلول های کبدی و سلول های اندوتلیال آسیب دیده در موش های شناگر محافظت کند، بیان NOS3 را افزایش دهد و گلیکوژن کبدی را تقویت کند. سنتز، در نتیجه اعمال اثر ضد خستگی. عصاره Cistanche tubulosa غنی از گلیکوزید فنیل اتانوئید می تواند به طور قابل توجهی سطح کراتین کیناز، لاکتات دهیدروژناز و لاکتات سرم را کاهش دهد و سطح هموگلوبین (HB) و گلوکز را در موش ICR افزایش دهد و این می تواند با کاهش آسیب عضلانی نقش ضد خستگی ایفا کند. و به تاخیر انداختن غنی سازی اسید لاکتیک برای ذخیره انرژی در موش. قرص Cistanche Tubulosa به طور قابل توجهی زمان شنای تحمل وزن را طولانی کرد، ذخیره گلیکوژن کبدی را افزایش داد و سطح اوره سرم را پس از ورزش در موش کاهش داد و اثر ضد خستگی آن را نشان داد. جوشانده سیستانچی می تواند استقامت را بهبود بخشد و خستگی را در موش های ورزشکار تسریع کند و همچنین می تواند افزایش کراتین کیناز سرم را بعد از تمرین بارگذاری کاهش دهد و فراساختار ماهیچه های اسکلتی موش ها را پس از ورزش نرمال نگه دارد که نشان دهنده تأثیر آن است. افزایش قدرت بدنی و ضد خستگی Cistanchis همچنین به طور قابل توجهی زمان بقای موش های مسموم با نیتریت را طولانی کرد و تحمل در برابر هیپوکسی و خستگی را افزایش داد.

روی What is about Feeling Tired کلیک کنید

【برای اطلاعات بیشتر:george.deng@wecistanche.com / WhatApp:8613632399501】

چکیده: Isyarat fisiologi، seperti elektroencefalogram (EEG)، digunakan bagi memerhati aktiviti otak pemandu. Sistem EEG mudah alih menyediakan beberapa kelebihan, termasuk kemudahan operasi, keberkesanan kos, mudah alih dan sedikit sekatan fizikal. نامون، ایسیارات EEG مانگکین سوکار دیانالیسیس کرانا یا دیدن منگاندونگی پلباگای آرتیفاک، ترماسوک فعالیتی اوت، ماتا برکدیپ دان بونی یانگ تیداک دیینگینی. Kajian ini menggunakan pendekatan analisis komponen bebas (ICA) bagi membuang isyarat tidak diperlukan daripada data EEG yang belum diproses daripada 12 peserta lelaki muda، cergas fizikal berumur 19 hingga 24 tahun damulaaganiam. تامباهان، پینگسانان کادان لسو پماندو تله دیجالانکان منگوناکان ایسیرات EEG بربیلنگ سالوران یانگ دیپروله دری O1، O2، Fp1، Fp2، P3، P4، F3، دان F4. Penambah baik skor z digunakan dengan ciri diekstrak daripada transformasi wavelet berterusan (CWT) domain frekuensi masa bagi meningkatkan kebolehpercayaan klasifikasi keletihan pemandu. روش شناسی یانگ دیکادانگکان مناورکان بیبراپا کلبیهان. پرتما، آنالیسیس EEG بربیلانگ سالوران منینگکاتکان کته پاتان پنگسانان پرینگکت تیدور، پنتینگ باگی پنگسانان کلتیهان پماندو سکارا تپات. Kedua، penambah biik skor z dalam pengekstrak ciri adalah lebih teguh daripadateknik skor z konvensional، menjadikannya lebih berkesan bagi membuang unsur luaran dan meningkatkan kepetan pengelasan. Ketiga، pendekatan yang dicadangkan bagi mengesan keletihan pemandu menggunakan pelbagai pengelas pembelajaran mesin، seperti Rangkaian Neural Konvolusi (CNN)، Rangkaian Neural Berulang (RNN)، Rangkaian Neural Buatan (ANN) yang pembegai pengangakan mesin seperti Mesin Vektor Sokongan (SVM). پنیلائیان لیما پنگلاس دیلاکوکان ملالویی پنیساهان سیلنگ 5 کالی گاندا. Dapatan kajian menunjukkan cadangan rangka kerja ini mencapai ketpatan yang luar biasa dalam megenal pasti keletihan pemandu, dengan kadar ketpatan purata 96.07 درصد . Antara kesemua penelas، penelas ANN mencapai ketpatan paling ketara sebanyak 99.65 درصد، دن پنگلاس SVM menduduki tempat kedua dengan ketpatan 97.89 درصد. Berdasarkan keputusan analisis ciri operasi penerima (ROC) و kawasan di bawah lengkung (AUC) , AUC 0.95 . Sumbangan kajian ini adalah terletak pada rangka Kerja yang komprehensif dan berkesan mengesan keletihan pemandu secara tepat melalui isyarat EEG.

کلید واژه ها: خستگی راننده; الکتروانسفالوگرام (EEG)؛ z-score; یادگیری عمیق

1. معرفی

طبق آمار سازمان بهداشت جهانی، سالانه تقریباً 127 نفر{1}} در تصادفات رانندگی جان خود را از دست می دهند که نزدیک به یک سوم این تلفات را نوجوانان و جوانان تشکیل می دهند [1]. رانندگی خستگی منجر به مرگ و میر در تصادفات جاده ای می شود و در یک برآورد محافظه کارانه منجر به مرگ بیش از ده هزار نفر می شود. اخیراً برخی از خودروهای خودران سیستم هشداری را برای جلوگیری از تصادفات جاده ای به دلیل خستگی راننده پیشنهاد کرده اند. این سیستم با به صدا درآوردن آلارم در خودرو، هشدار دادن به راننده برای توقف رانندگی و گرفتن یک استراحت قهوه، از رانندگان می خواهد تا از رانندگی طولانی مدت استراحت کنند.

سیگنال های فیزیولوژیکی مانند الکتروانسفالوگرام (EEG) برای مشاهده فعالیت های مغز راننده استفاده می شود. یک سیستم EEG قابل حمل چندین مزیت را نسبت به سایر سیستم های الکتروانسفالوگرافی فراهم می کند، از جمله سهولت کار، مقرون به صرفه بودن، قابل حمل بودن و محدودیت های فیزیکی کمی [2]. وجود مصنوعات در سیگنال های EEG، مانند فعالیت ماهیچه ای، پلک زدن چشم، و صدای ناخواسته، می تواند چالش مهمی برای تجزیه و تحلیل باشد. بنابراین، مقاله فعلی استفاده از روش تجزیه و تحلیل مؤلفه مستقل (ICA) را برای حذف چنین نویزهایی از سیگنال EEG خام پیشنهاد می‌کند. مطالعات متعدد نشان داده اند که یک جزء ضروری در تشخیص دقیق مرحله خواب، تجزیه و تحلیل EEG های چند کاناله است [3]. در نتیجه، مطالعه حاضر سیگنال‌های EEG چند کاناله به‌دست‌آمده از O1، O2، Fp1، Fp2، P3، P4، F3 و F4 را برای تشخیص حالت‌های خستگی راننده در نظر می‌گیرد.

ویژگی‌های حوزه زمان-فرکانس، تبدیل موجک پیوسته (CWT) با امتیاز z اصلاح‌شده بهبود یافته، دقت طبقه‌بندی خستگی راننده را بهبود بخشید. انتخاب بهترین ویژگی ها برای به دست آوردن نتایج بهتر مهم است. موجک مادر مورلت به دلیل کارایی محاسباتی که از سایر روش‌ها پیشی می‌گیرد، یک روش معمول در تکنیک‌های CWT معمولی است. این به این دلیل است که موجک مورلت شامل محاسبات کمتری است که بیشتر آنها از طریق تبدیل فوریه سریع انجام می شوند و به کد کمتری نیاز دارند [4].

در زمینه تجزیه و تحلیل داده ها و کنترل کیفیت، شناسایی نقاط پرت گامی مهم در حصول اطمینان از صحت و اعتبار تحلیل های آماری است. z-score روشی است که به طور گسترده برای تشخیص نقاط پرت در مجموعه داده‌ها استفاده می‌شود، اما مستعد مقادیر شدید است و در حضور چنین نقاط پرت در نظر گرفته نمی‌شود. z-score اصلاح شده برای رسیدگی به این موضوع معرفی شد که حساسیت کمتری به نقاط پرت دارد و به روشی محبوب برای تشخیص نقاط پرت در کاربردهای مختلف تبدیل شده است. در سال‌های اخیر، z-score اصلاح‌شده همچنین برای استخراج ویژگی در یادگیری ماشین و پردازش سیگنال استفاده شده است، جایی که حذف مقادیر پرت برای تجزیه و تحلیل دقیق و قوی ضروری است. این مقاله بهبود روش z-score اصلاح شده را برای استخراج ویژگی در پردازش سیگنال، به ویژه در تشخیص خستگی راننده با استفاده از سیگنال‌های EEG ارائه می‌کند.

روش پیشنهادی ما چندین نقطه قوت دارد. اول، استفاده از آنالیز EEG چند کاناله، دقت تشخیص مرحله خواب را بهبود می بخشد، که برای تشخیص دقیق خستگی راننده حیاتی است. دوم، استفاده ما از z-score اصلاح شده در استخراج ویژگی قوی تر از تکنیک های z-score معمولی است و آن را برای حذف مقادیر پرت و بهبود دقت طبقه بندی موثرتر می کند. سوم، رویکرد ما از طبقه‌بندی‌کننده‌های مختلف یادگیری ماشینی استفاده می‌کند و روشی جامع و دقیق برای تشخیص خستگی راننده ارائه می‌کند.

این مقاله روشی را برای شناسایی دقیق سطوح متمایزی از خواب آلودگی راننده با استفاده از طبقه‌بندی‌کننده‌های مختلف یادگیری ماشین، از جمله شبکه‌های عصبی کانولوشن (CNN)، شبکه‌های عصبی تکراری (RNN)، شبکه‌های عصبی مصنوعی (ANN) ارائه می‌کند که حافظه کوتاه‌مدت بلندمدت را در خود جای داده است. (LSTM) و رویکردهای یادگیری ماشین مانند ماشین‌های بردار پشتیبانی (SVM). یک تکنیک z-score اصلاح شده برای افزایش ویژگی آماری طبقه بندی نیز معرفی شد که دقت روش پیشنهادی را به طور قابل توجهی بهبود بخشید. برای ارزیابی اثربخشی این رویکرد، یک استراتژی اعتبارسنجی متقابل 5- برابری برای تمایز بین خستگی راننده و حالت‌های عادی به کار گرفته شد.

2. آثار مرتبط

تشخیص پرت در زمینه های مختلف از جمله پایش محیطی، زمین شناسی، اپیدمیولوژی و داده کاوی حیاتی است. z-score اصلاح شده تکنیکی است که اغلب برای تشخیص نقاط پرت استفاده می شود، که میانگین وزنی نقاط داده مجاور را برای تخمین مقدار پیش بینی شده هر نقطه در نظر می گیرد. آگاروال و همکاران یک روش z-score اصلاح شده برای تشخیص نقاط پرت فضایی در مجموعه داده‌ها با خودهمبستگی مکانی [5] پیشنهاد کرد. این تکنیک دقت و استحکام آزمون z-score را با استفاده از میانگین بریده شده به جای میانگین حسابی معمول بهبود می بخشد. این مطالعه روش را بر روی مجموعه داده‌های شبیه‌سازی‌شده و دنیای واقعی ارزیابی کرد و نتایج امیدوارکننده‌ای را در تشخیص نقاط پرت فضایی نشان داد. اگرچه روش z-score اصلاح شده پیشنهاد شده توسط Aggarwal و همکاران. به طور موثر نقاط پرت فضایی را با خودهمبستگی فضایی تشخیص می دهد، ممکن است در مجموعه داده ها بدون خودهمبستگی مکانی عملکرد خوبی نداشته باشد. علاوه بر این، استفاده از میانگین بریده شده به جای میانگین حسابی ممکن است منجر به از دست رفتن اطلاعات ارزشمند از مجموعه داده شود.

سندبور و همکاران اهمیت تشخیص نقاط پرت در داده کاوی و تأثیر آنها بر کیفیت و خروجی مدل های پیش بینی را بررسی کرد [6]. هدف اصلی این مطالعه تعیین موثرترین رویکرد برای تشخیص نقاط پرت در شبکه‌های عصبی (NN) برای پیش‌بینی ارزش‌های مستغلات بود. نویسندگان چندین روش تشخیص پرت تک متغیره، مانند انحراف استاندارد توکی (SD)، میانه، z-score، انحراف مطلق میانه (MAD) و z-score اصلاح شده را در مجموعه ای از 3094 نمونه از داده های فروش دارایی ارزیابی کردند. بر اساس یافته‌ها، می‌توان نتیجه گرفت که برای این مشکل خاص، تکنیک میانه کارآمدترین روش برای تشخیص نقاط پرت است. اگرچه سندبور و همکاران. دریافت که تکنیک میانه کارآمدترین رویکرد برای تشخیص نقاط پرت در شبکه‌های عصبی برای پیش‌بینی ارزش مستغلات است، توجه به این نکته مهم است که این نتیجه‌گیری ممکن است لزوماً برای انواع دیگر مجموعه‌های داده یا تکنیک‌های تشخیص پرت اعمال نشود. علاوه بر این، این مطالعه تنها روش‌های تشخیص پرت تک متغیره را ارزیابی کرد و تکنیک‌های چند متغیره را که ممکن است در کاربردهای خاص مؤثرتر باشد، در نظر نگرفت.

لیت و همکاران مطالعه ای را برای ارزیابی اثربخشی z-score اصلاح شده به عنوان شاخصی برای شناسایی تغییرات در ویژگی های مبتنی بر آنتروپی برای تشخیص خطا در یاتاقان ها انجام داد [7]. این تحقیق شامل استفاده از 12 ویژگی مبتنی بر آنتروپی در حوزه‌های زمان، فرکانس و زمان-فرکانس، علاوه بر سه معیار آنتروپی مختلف، یعنی آنتروپی شانون، آنتروپی Renyi و واگرایی جنسن-رنی بود. روش پیشنهادی برای پردازش دو مجموعه داده واقعی به‌دست‌آمده از آزمایش‌های انجام‌شده تا نقطه شکست استفاده شد. علاوه بر این، سه یاتاقان با نقص های مختلف برای تأیید عملکرد ویژگی های مبتنی بر آنتروپی مورد بررسی قرار گرفت. نتایج نشان داد که امتیاز اصلاح شده یک روش قوی برای تشخیص تغییرات در ویژگی‌های مبتنی بر آنتروپی است که پتانسیل آن را برای تشخیص زودهنگام ناهنجاری‌ها در سیگنال‌های ارتعاشی یاتاقان‌ها برجسته می‌کند. این یافته نشان می دهد که تکنیک پیشنهادی می تواند به طور موثر برای تشخیص عیب در یاتاقان ها مورد استفاده قرار گیرد. با این حال، مهم است که توجه داشته باشید که این مطالعه تنها اثربخشی روش z-score اصلاح‌شده را بر روی دو مجموعه داده واقعی به‌دست‌آمده از آزمایش‌های انجام‌شده تا نقطه شکست و سه یاتاقان با نقص‌های مختلف ارزیابی کرد.

اگرچه تشخیص نقاط پرت یک ابزار قدرتمند برای شناسایی نقاط داده منحصر به فرد است، محدودیت های متعددی باید در نظر گرفته شود. به عنوان مثال، در برخی موارد، ممکن است تعریف روشنی از آنچه که یک نقطه پرت را تشکیل می دهد وجود نداشته باشد، که تعیین اینکه کدام داده به پرچم گذاری اشاره می کند، چالش برانگیز است. علاوه بر این، روش‌های تشخیص پرت ممکن است مثبت یا منفی کاذب ایجاد کند که منجر به نتیجه‌گیری و توصیه‌های نادرست شود. علاوه بر این، انتخاب روش تشخیص پرت مناسب برای یک مجموعه داده یا مشکل خاص می‌تواند پیچیده باشد و هیچ راه‌حلی برای همه وجود ندارد. علاوه بر این، در حالی که تشخیص نقاط پرت می تواند نقاط داده غیرعادی را شناسایی کند، ممکن است همیشه به علت زمینه ای پرت اشاره نکند یا راه حلی برای مشکل ارائه نکند. بنابراین، برای به دست آوردن حداکثر استفاده از تشخیص موارد دورافتاده، در نظر گرفتن دقیق اهداف و زمینه تجزیه و تحلیل ضروری است. همچنین استفاده از تشخیص پرت در ارتباط با سایر ابزارها و تکنیک‌های تحلیلی برای به دست آوردن درک جامع‌تری از داده‌ها و ایجاد راه‌حل‌های مؤثر که به علت اصلی هر ناهنجاری شناسایی‌شده رسیدگی می‌کند، مهم است.

چندین تکنیک برای شناسایی مکانیسم های اساسی خستگی در سیگنال های EEG پیشنهاد شده است. در میان آنها، یک روش مستلزم محاسبه انواع متمایز آنتروپی ها به عنوان مجموعه ویژگی ها بر اساس یک کانال منفرد است [8]. Quintero-Rincon یک روش ساده و کارآمد برای شناسایی خستگی راننده در سیستم های بلادرنگ با استفاده از سیگنال EEG تک کانال ارائه کرده است [9]. این الگوریتم مهم‌ترین کانال را انتخاب می‌کند و چهار پارامتر ویژگی را برای تشخیص خستگی با استفاده از طبقه‌بندی‌کننده درخت‌های تصمیم جمع‌شده استخراج می‌کند. با استفاده از داده‌های به‌دست‌آمده از پایگاه‌داده دانشگاه فناوری جیانگشی، رویکرد پیشنهادی به دقت 92.7 درصد با تأخیر 1.{8}}ثانیه دست می‌یابد. با این حال، توجه به این نکته مهم است که مطالعه روش را بر روی یک مجموعه داده خاص ارزیابی کرد و ممکن است برای تعیین اثربخشی آن بر سایر مجموعه‌های داده و تحت شرایط مختلف، تحقیقات بیشتری لازم باشد. به‌علاوه، تأخیر زمانی 1.8 ثانیه‌ای ممکن است در برخی موقعیت‌ها برای نظارت بلادرنگ عملی نباشد، و در نظر گرفتن تأثیر بالقوه بر ایمنی راننده در صورت تأخیر در تشخیص خستگی، مهم است.

در مطالعه دیگری، جینگ و همکاران. با هدف تشخیص خستگی رانندگی در محیط های فلات کم ولتاژ و هیپوکسی با استفاده از روش های نظارت ذهنی و عینی [10]. سیگنال‌های EEG از تست‌های رانندگی در زمان واقعی تحت آنالیزهای غیرخطی و خطی قرار گرفتند تا روند سیگنال در حالت‌های بیداری، بحرانی و خستگی ارزیابی شود. ویژگی‌های انرژی (به علاوه θ)/ و (به علاوه)/θ به عنوان نشانگرهای بالقوه خستگی رانندگی در این محیط‌ها شناسایی شدند که مبنایی برای توسعه یک سیستم هشدار خستگی رانندگی فراهم می‌کنند. با این حال، این مطالعه به آزمایش‌های میدانی خستگی رانندگی در یک محیط خاص محدود شد و تحقیقات بیشتری برای تأیید یافته‌ها در سایر محیط‌ها و شرایط رانندگی مورد نیاز است.

علاوه بر این، ژانگ و همکاران. یک رویکرد نوآورانه به نام خوشه‌بندی در شبکه‌های مغزی (CBN) برای بهبود عملکرد تشخیص خستگی راننده پیشنهاد کرد [11]. رویکرد CBNs از یک الگوریتم خوشه‌بندی برای شناسایی گره‌های فضایی با ویژگی‌های اتصال منحصر به فرد از داده‌های الکتروانسفالوگرام (EEG) استفاده می‌کند. سپس ویژگی‌های آنتروپی موجک به‌دست‌آمده از این گره‌ها به تصاویر فضایی-زمانی تبدیل می‌شوند و با استفاده از تکنیک تشخیص لبه تصویر برای تمایز بین مراحل مختلف خستگی مورد بررسی قرار می‌گیرند. این روش تداخل سیگنال را کاهش می دهد و خستگی را قبل از شروع احساسات ذهنی تشخیص می دهد و آن را به یک ابزار بالقوه مفید برای هشدار اولیه و پیشگیری از تصادف تبدیل می کند. این تحقیق محدودیت‌های استفاده از شاخص‌های EEG را در حوزه‌های زمان و فرکانس برای تشخیص مطمئن خستگی راننده به دلیل چالش اختلاط سیگنال و حجم نمونه محدود، عدم مقایسه با روش‌های موجود و اعتبارسنجی در سناریوهای رانندگی در دنیای واقعی نشان داد. سپس، محقق قبلی یک سیستم هوشمند برای تشخیص خودکار خستگی راننده با استفاده از سیگنال های EEG پیشنهاد کرد [12]. این سیستم شامل یک شبکه تولید ویژگی است که از توصیفگرهای بافت و یک روش انتخاب ویژگی ترکیبی برای افزایش دقت تشخیص استفاده می کند. چارچوب پیشنهادی به دقت طبقه‌بندی 97.29 درصدی برای تشخیص خستگی با استفاده از سیگنال‌های EEG دست یافت که پتانسیل آن را برای تشخیص کارآمد خستگی راننده برجسته می‌کند. با این حال، چارچوب پیشنهادی از الگوریتم‌های یادگیری ماشین سنتی استفاده می‌کند که ممکن است توانایی آن را برای انطباق با محیط‌های رانندگی پیچیده و پویا محدود کند.

تحقیق پیشنهادی یک رویکرد جدید برای تشخیص موثر خستگی راننده با استفاده از سیگنال‌های EEG معرفی می‌کند [13]. این روش از یک الگوریتم انتخاب کانال جدید بر اساس ضرایب همبستگی، یک طبقه‌بندی گروهی با استفاده از زیرفضای تصادفی k-نزدیک‌ترین همسایه (k-NN) و چگالی طیفی توان (PSD) برای استخراج ویژگی استفاده می‌کند. این رویکرد به دقت قابل توجه 99.99 درصد برای شناسایی خستگی راننده با استفاده از سیگنال های EEG در یک 0 دست یافت.5-دومین پنجره زمان. روش پیشنهادی عملکرد قوی را نشان می دهد و می تواند به طور موثر خستگی راننده مبتنی بر EEG را تشخیص دهد. با این حال، به دلیل پیچیدگی محاسباتی بالا، طبقه‌بندی‌کننده مجموعه مبتنی بر k-NN ممکن است برای کاربردهای بلادرنگ مناسب نباشد. هوانگ و همکاران یک مدل طبقه‌بندی حالت خستگی راننده مبتنی بر EEG مستقل از موضوع را در مطالعه دیگری پیشنهاد کرد که به شکاف‌های عملکرد فردی می‌پردازد [14]. نویسندگان از یک رویکرد آموزشی خصمانه برای القای طبقه‌بندی اشتباه برچسب‌های موضوعی در مدل طبقه‌بندی استفاده کردند. علاوه بر این، آنها یک تکنیک کمینه‌سازی فاصله ویژگی بین موضوعی (IFDM) را برای به حداقل رساندن اختلاف عملکرد بین افراد وارد کردند. روش آنها آموزش بر روی مجموعه داده های EEG با برچسب های موضوعی محدود را فعال کرد و در مجموعه داده SEED-VIG مورد ارزیابی قرار گرفت، که منجر به دقت برتر و کاهش تنوع عملکرد فردی هنگام طبقه بندی خواب آلودگی شد. با این حال، یکی از اشکالات عمده این است که سیگنال های EEG دارای تفاوت های زیادی بین افراد هستند، که ساخت یک مدل یکپارچه که بتواند برای همه افراد به خوبی عمل کند، چالش برانگیز است.

مطالعات بررسی شده روش‌های مختلفی را برای تشخیص خستگی راننده با استفاده از سیگنال‌های EEG پیشنهاد می‌کنند، از استخراج ویژگی‌های تک کاناله تا مدل‌های پیچیده‌تر یادگیری ماشین. یک رویکرد رایج شامل استفاده از چگالی طیفی توان و معیارهای مختلف آنتروپی به عنوان مجموعه ویژگی است، در حالی که دیگران از الگوریتم‌های خوشه‌بندی و تشخیص لبه تصویر برای تشخیص مراحل مختلف خستگی استفاده می‌کنند. چندین مطالعه همچنین شکاف‌های عملکرد فردی و تنوع موضوع را با استفاده از استراتژی‌های آموزشی متخاصم و نرمال‌سازی دسته‌ای خاص جزء بررسی می‌کنند. این مطالعات پتانسیل تشخیص خستگی راننده مبتنی بر EEG را برای هشدار اولیه و پیشگیری از تصادف، دستیابی به دقت بالا و ارائه امکانات جدید برای استخراج اطلاعات بیشتر از داده های پیچیده EEG نشان می دهد. با این حال، روش‌ها در پیچیدگی محاسباتی، تعداد کانال‌های مورد نیاز، و سطح استقلال موضوعی به‌دست‌آمده متفاوت هستند، که نشان می‌دهد تحقیقات بیشتری برای شناسایی کارآمدترین و مؤثرترین رویکرد برای کاربردهای عملی مورد نیاز است.

ویلاپیپراسیتپورن و همکاران یک رویکرد یادگیری عمیق را پیشنهاد کرد که CNN و RNN را برای شناسایی افراد با استفاده از داده های EEG عاطفی ترکیب می کند [15]. مطالعه آنها از پایگاه داده برای تجزیه و تحلیل احساسات با استفاده از مجموعه داده های سیگنال های فیزیولوژیکی (DEAP) استفاده کرد و نشان داد که روش پیشنهادی از سیستم پایه SVM با نرخ تشخیص صحیح (CRR) تا 99.{2}} درصد بهتر عمل می کند. تحقیقات اخیر نشان می‌دهد که مدل‌های CNN-GRU در شناسایی افراد با استفاده از داده‌های EEG از ناحیه پیشانی مغز از مدل‌های CNN-LSTM بهتر عمل می‌کنند و در مقابله با تأثیر حالات عاطفی مؤثر هستند. با این حال، روش پیشنهادی بر سیگنال های EEG متکی است که ممکن است به تجهیزات تخصصی و تخصص جمع آوری و تجزیه و تحلیل داده ها نیاز داشته باشد. کوین و همکاران یک مدل یادگیری عمیق را پیشنهاد کرد که CNN و LSTM را برای استخراج ویژگی‌های رگ از تصاویر خام برای بیومتریک رگ انگشتی ترکیب می‌کند [16]. مدل پیشنهادی از رمزگذاری نظارت‌شده برای حذف بافت ورید دوتایی استفاده می‌کند، که منجر به بهبود قابل‌توجهی دقت راستی‌آزمایی می‌شود که در یک پایگاه داده ورید انگشت در دسترس عموم ارزیابی شود. با این حال، مدل‌های یادگیری عمیق مستعد بیش از حد برازش، یادگیری بیش از حد داده‌های آموزشی و عدم تعمیم به داده‌های جدید هستند. تکنیک هایی مانند منظم کردن و ترک تحصیل می تواند به جلوگیری از برازش بیش از حد کمک کند.

موندال و همکاران یک چارچوب یادگیری چندوظیفه ای را با استفاده از یک CNN و یک مدل حافظه کوتاه مدت دوطرفه (Bi-LSTM) برای تجزیه و تحلیل گردش کار جراحی از داده های ویدئویی ایجاد کرد [17]. چارچوب آنها شامل یک تابع از دست دادن توزیع مشترک برای استفاده همزمان از ابزار در طول شناسایی فاز است. روش پیشنهادی عملکرد بسیار خوبی در شناسایی فاز و ابزار را در مقایسه با رویکردهای قبلی هنگام ارزیابی روی مجموعه داده Cholec80 نشان داد. با این حال، محدودیت این مطالعه این بود که تنها بر روی یک مجموعه داده واحد ارزیابی شد و مشخص نیست که رویکرد پیشنهادی تا چه حد به سایر مجموعه داده‌های جراحی تعمیم می‌یابد. هو و همکاران شبکه Recurrent Convolution پیچیده عمیق (DCCRN) را پیشنهاد کرد، یک معماری شبکه که می تواند هر دو ساختار CNN و RNN را مدیریت کند و عملیات با ارزش پیچیده را تکرار کند [18]. در چالش Interspeech 2020 Deep Noise Suppression (DNS)، DCCRN بر اساس معیارهای عینی و ذهنی از شبکه های قبلی بهتر عمل کرد و رتبه برتر را برای آهنگ بلادرنگ و رتبه دوم را برای آهنگ غیرواقعی بر اساس میانگین امتیاز نظر کسب کرد. (MOS). شبکه DCCRN پیشنهادی با پارامترهای 3.7M در این کار بسیار مؤثر بود. با این حال، این مطالعه بر تقویت گفتار در محیط‌های تمیز متمرکز بود و شرایط پر سر و صدا یا پر طنین را در سناریوهای دنیای واقعی در نظر نگرفت.

محققان یک مدل یادگیری ماشینی پیشنهاد کردند که از معماری CNN، U-net، معماری RNN و LSTM برای ایجاد پیکربندی‌های توپولوژی ساختاری استفاده می‌کرد که حداقل معیارهای انطباق و تغییر شکل را تحت شرایط بار مختلف و محدودیت‌های کسر حجمی برآورده می‌کرد. این مدل با استفاده از داده های شبیه سازی المان محدود به طور تصادفی تولید شده و یک استراتژی برای حذف عناصر در طول آموزش آموزش داده شد. این مدل از روش‌های سنتی در رابطه با زمان، هزینه و عملی بودن زمانی که برای طرح‌های توپولوژی ساختاری دوبعدی و سه بعدی استفاده می‌شود، عملکرد بهتری داشت. این رویکرد مبتنی بر داده می تواند رویه های طراحی اولیه سازه را سرعت بخشد [19]. با این حال، محدودیت های این مطالعه شامل نیاز به داده های آموزشی و عدم اعتبار سنجی در برنامه های کاربردی دنیای واقعی است. بعدها، محققان دیگر بر روی بهبود مدل‌های تخمین تابش خورشیدی در هواشناسی کشاورزی به دلیل دسترسی محدود داده‌ها و کیفیت پایین داده تمرکز کردند [20]. چندین مدل شبکه عصبی (SVM، Extreme Learning Machine، CNN و LSTM) در جنوب اسپانیا با استفاده از تنظیمات متغیر ورودی مختلف توسعه و آزمایش شدند. عملکرد با استفاده از شاخص های آماری مختلف مورد تجزیه و تحلیل قرار گرفت. یکی از محدودیت های این مطالعه این است که تنها بر روی استفاده از دما و رطوبت نسبی به عنوان متغیرهای ورودی برای تخمین تابش خورشیدی متمرکز شده است. سایر متغیرهای آب و هوایی که می توانند بر تابش خورشیدی تأثیر بگذارند، مانند فشار اتمسفر، پوشش ابر و سرعت باد، در این مطالعه لحاظ نشدند. ترکیب این متغیرها به طور بالقوه می تواند دقت تخمین تابش خورشیدی را بهبود بخشد.

کارهای قبلی رویکردهای یادگیری عمیق مختلف را برای کاربردهای مختلف، از جمله شناسایی افراد مبتنی بر EEG، بیومتریک ورید انگشت، تجزیه و تحلیل گردش کار جراحی، تقویت گفتار، و طراحی توپولوژی ساختاری مورد بحث قرار دادند. مدل‌های پیشنهادی نسبت به روش‌های قبلی، دقت، کارایی و بهبود قابل‌توجهی را نشان دادند. معماری‌های مختلف یادگیری عمیق، مانند CNN، RNN و LSTM، ویژگی‌هایی را از داده‌های خام استخراج می‌کنند، مانند سیگنال‌های EEG، داده‌های ویدئویی و داده‌های شبیه‌سازی. مدل‌ها بر روی مجموعه داده‌های مختلف مورد ارزیابی قرار گرفتند و به نتایج پیشرفته‌ای در رابطه با نرخ تشخیص، میانگین دقت متوسط ​​و میانگین امتیاز نظر دست یافتند. علاوه بر این، مدل‌های یادگیری عمیق برای بهبود مدل‌های تخمین تابش خورشیدی در هواشناسی کشاورزی استفاده شد.

در نتیجه، تشخیص پرت یک ابزار ارزشمند برای شناسایی ناهنجاری‌ها در داده‌ها است. با این حال، محدودیت‌های آن باید به دقت در نظر گرفته شوند، مانند فقدان تعریف روشن برای آنچه که یک نقطه پرت را تشکیل می‌دهد، احتمال مثبت کاذب یا منفی کاذب، و چالش انتخاب روش مناسب برای یک مجموعه داده یا مشکل خاص. تشخیص خستگی راننده مبتنی بر EEG پتانسیل زیادی برای هشدار اولیه و پیشگیری از تصادف با استفاده از روش‌های مختلف یادگیری عمیق، دستیابی به دقت بالا و استخراج اطلاعات بیشتر از داده‌های پیچیده EEG نشان داده است. علاوه بر این، یادگیری عمیق به طور قابل توجهی دقت، کارایی و کاربرد را برای کاربردهای مختلف، مانند شناسایی افراد مبتنی بر EEG، بیومتریک ورید انگشت، تجزیه و تحلیل گردش کار جراحی، بهبود گفتار، و طراحی توپولوژی ساختاری، بهبود بخشیده است. تحقیقات بیشتری برای شناسایی کارآمدترین و مؤثرترین رویکرد برای کاربردهای عملی در تشخیص موارد دورافتاده و یادگیری عمیق مورد نیاز است.

【برای اطلاعات بیشتر:george.deng@wecistanche.com / WhatApp:8613632399501】