مدل شناسایی خستگی راننده بر اساس ترکیب اطلاعات وشبکه بیزی پویا A driver fatigue recognition model based on information fusion and dynamic Bayesian network

مقدمه :

پیشرفتهای اخیر در علوم شناختی، روان شناسی زمینه های مرتبط نشان داده اند که احساسات انسانی مانند خشم، ترس، استرس، حواس پرتی و خستگی نقش مهمی در رفتار یک شخص را باز می کند. رفتار رانندگان به صورت کامل مطالعه شد و با توجه به آن توجه محققین را جلب نمود. و آن این بود که خستگی راننده یکی از عوامل مهمی است که به حوادث رانندگی کمک می کند انجمن ملی ایمنی ترافیک امریکا (NHTSA) تخمین می زند که در سال 100000 تصادف در ایالات متحده امریکا اتفاق می افتد. که ناشی از خستگی بوده و نتیجه آن بیش  از 1500 مرگ و میر و هفتاد یک هزار صدمه جسمی را ایجاد می کند. بر فراز مطالعات نشان می دهد که خواب آلودگی راننده ٪16 تمام  تصادفات و بیش از ٪20 تصادفات در بزرگ راهها را منجر می شود. بنابراین ارزیابی خستگی راننده یک چالش بزرگ برای حمل ونقل هوشمند آینده است. یک سیستم در حال توسعه است که به طور فعال بر سطح خستگی رانندگان نظارت می کند و در صورت لزوم سیگنالی را تولید می کند. که برای پیشگیری از حوادث مهم است و این انگیزه اصلی مقاله ما است. یکی از گام های کلیدی در جهت توسعه یک سیستم نظارتی در نظر ویژگیهایی است که می تواند به طور  موثر برای شناسایی خستگی استفاده شود. ما می توانیم این ویژگیها را به چهار دسته کلی طبقه بندی کنیم.

1-ویژگیهای متنی

2- ویژگیهای فیزیولوژی

3- ویژگیهای عملکردی

4- ویژگیهای دیگر.

در پاراگراف زیر ما بحث در مورد ویژگیهای متنی را به طور  عمده انجام  خواهیم داد. که شامل شخصیت، کیفیت خواب، سیستم زندگی، وضعیت جسمانی، شرایط کار،  مانند سرو صدا، ساعات رانندگی و درجه حرارت کابین و عوامل زیست محیطی مانند یکنواختی جاده وزن اتومبیل وتعداد خطوط جاده از جمله ویژگیهای متنی به طور عمده توانستیم با جمع آوری پرسش نامه ها و تحلیل آنها خستگی راننده را به صورت آماری  و بایک شبکه آماری در نظریه مجموعه فازی به اثبات برسانیم.

جهت مشاهده متن کامل فایل ترجمه را دانلود نمایید.

2-1- روش ویژگیهای فیزیولوژیکی:

رانندگان ممکن است برخی از ویژگیهای را به راحتی مشاهده کنند که از آن می توان خستگی را استنباط نمود. ویژگیهای فیزیولوژیکی  ممکن است قابل طبقه بندی باشند که شامل ویژگیهای تماس از جمله فعالیت مغز تنوع ضربان قلب و وضعیت پوست است که می توان به راحتی توسط EEG و ECG و  ENGآنها  را شناسایی  نمود.  و ویژگیهای تماس از جمله حرکات چشم، حرکات سر، و حالات صورت است که می تواند به راحتی تصویر پویایی را توسط یک دوربینCCD ثبت کند در نتیجه دو روش برای این تحقیق امکان پذیر است.

1-روش متنی براساس ویژگیهای تماس

2-قابلیت تماس به روش متنی

روش متنی بر ویژگیها تماس در استخراجخستگی راننده مناسب است. با استفاده از این واقعیت می توان اطلاعاتی فراوانی در شناخت انسان با یکشناخت انسان با یک الگوریتمبر اساس تغییرات در تماس باندهای EEG شامل دلتا- تتا – الف وباند بنا بوده که در طول خستگی بوجود می آید، ترکیب برآورد. طیف EEG تجزیه وتحلیل مولفه های اصلی وشبکه های عصبی فازی از تحقیق یونگ وهمکارانش بدست آمده است. طراحی یک سیستم به منظور برآورد. و پیش بینی سطح خواب آلودگی راننده است. با توجه به موج های موجود در EEG در مقیاس های مختلف به عنوان ورود سیستم ویلسون و براسول یک شبکه عصبی برای تشخیص بروز خستگی در راننده را بوجود آورده اند ژو وهمکارانش یک روش استخراج خستگی را پیشنهاد داده اند. که بر اساس EEG بوده و در آن  اطلاعات طبقه بندی می شود. و تصاویر از قسمت چپ مغز به کامپیوتر انتقال می یابد. بودی وهمکاران چهار نوار مغزی را با فعالیت های EEG شامل دلتا وتتا، الفا، وبتا در طی یک جلسه برای 52 نفر راننده شامل 36 مرد و16 زن کاهش فعالیت داشته وکاهش قابل توجهی در فعالیت بتا دیده شده است .ECG یکی دیگر از ویژگیهای تماس است که با فرکانس پایین LF و فرکانس بسیار کم VFH ، فرکانش بالا HF ونسبت HF به  LF را بررسی کردند که حاوی اطلاعات مربوط به خستگی بوده است. با در نظر گرفتن این مقادیر در ECG به عنوان  ورودی روش شبکه عصبی فازی برسمیت شناخته شده وتغییرات ضربان قلب ثبت شده و مورد استفاده قرار گرفته است. این تحقیق توسط پیکارد وهمکارانش انجام شد همچنین مقادیر آن محاسبه شده والگوریتم تشخیص برای شناسایی احساسات، انتخاب ابزار، انحراف استاندارد پیشنهاد شد. همچنین پالس حجم خون وGSR یعنی واکنش پوست و تنفس بعنوان ویژگیهای فیزیولوژیکی در نظر گرفته شده اند علاوه بر این از تبدیل فوریه EFT)) و سه تکنیک مدل سازی دیگر یعنی مدل اوتو رگراسیون (AR) میانگین تحرک (MA) ومدل تحرک میانگین اتو رگراسیون (ARMA ) به منظور برآورد.  تراکم طیفی (RR) در تحقیقات زکریا وهمکارانش در سال 2008 انجام شد. پارامترهای طیفی بدست آمده از تجزیه تحلیل های طیفی سیگنال (HRV ) به عنوان پارامترهای ورودی به شبکه عصبی مصنوعی (ANN) برای طبقه بندی شرایط مختلف قلب استفاده شده روش مبتنی بر تماس در استنتاج خستگی راننده از ویژگیهای تماس وجود دارد آزمایش نشان داده است که وقتی راننده خسته است. برخی از نشانهای بصری را از خود نشان می دهد. جی وهمکاران یک الگوریتم تشخیص رانندگی راننده  را ردیابی چشم وتطبیق الگو ارائه نمودند. نوری ماتسو و همکارانش نیز جهت نگاه راننده را با استفاده از پردازش تصویر در یک زمان مشخص بدون در نظر گرفتن جهت صورت ارائه نمودند. کین وهمکارانش یک روش فازی مبتنی بر شبکه عصبی برای تشخیص خستگی را با در نظر گرفتن باز بودن دهن و چشم و فاصله عمودی بین ابرو وچشم ها را ارائه نمودند.

جهت مشاهده متن کامل فایل ترجمه را دانلود نمایید.

خستگی راننده می تواند در عملکرد عملیاتی او مانند زمان واکنش و حرکات دست بر روی فرمان را تحت تاثیر قرار بدهد. روش مبتنی بر مجموعه فازی شامل حرکت کوچک بر روی فرمان است که کالیبره شده وخستگی راننده را پیش بینی می کند.

4-1- روش مبتنی بر تلفیق چند ویژگی در سه روش بالا تمرکز بر روی تنها یک جنبه خاص بوده و ممکن است نتایج نادرستی را به دلیل اینکه خستگی راننده به طور مستقیم قابل مشاهده نیست را ارائه دهد تنها می تواند اطلاعات موجود را استنباط کند. . تعدادی از دلایل عدم دقت با استفاده از روشهای ذکر شده در بالا اشاره شده است.

خستگی راننده از  ویژگیهای متنی است که نمی تواند کاملا واقعی باشد.

استخراج خستگی راننده همیشه از چهره قابل اعتماد نیست زیرا دو محدوده زیر را دارد که: 

الف) تکنیک های فعلی برای پردازش تصویر همیشه دقت تشخیص یا این را ندارند. ب) یک فرد درون گرا بعنوان راننده تمایل به کنترل احساسات خود را به ویژه در حضور مردم دارد. که منجر به تفسیر نادرستی از ویژگیهای چهره او خواهد شد. بنابراین ممکن است ویژگیهای از حوادث نامشخص را استنباط کند علاوه بر این پیکارد وهمکارانش اشاره کردند که لازم است عملکرد متنی و ویژگیهای فیزیولوژیکی وعملکرد راننده و به منظور ایجاد خستگی قابل اعتماد است. با توجه به شواهد اطلاعات متنی و نشانه های بصیری از طریق زمان واحد جی وهمکارانش یک شبکه بیزی استاتیک (SBN) را جهت پی بردن وپیش بینی خستگی انسان و افزایش قابلیت اطمینان از خستگی را ارائه نمودند با این حال چنین شبکه ای ویژگیهای تماس با خواص فیزیولوژیکی را در نظر  ندارد. که در طول زمان ممکن است تکامل یابد. شبکه پویایی بیزیی برای غلبه برای محدودیت توسعه داده شده است. لی وجی یک چهار چوب احتمالی جدید را بر اساس DBN)) به صورت پویا مدل کرده وتشخیص حسی عاطفی کار، را در آن بوجود آورده وکمک های مناسبی برای کاربران به وجود می آورد با توجه به شواهد و اطلاعاتی متنی و نشانه های بصری در زمان های مختلف چهار چوب احتمالی جدید بر اساس DBN معرفی شده است. اما تماس فیزیولوژیکی از مطالعه حذف شده است. علاوه بر اطلاعات و نشانه های بصری ویژگیهای فیزیولوژیکی مانند ECG-EEG نیز ممکن است به طور قابل توجهی به تشخیص خستگی کمک کند.  چرا که یک فرد معمولا یک کنترل کمی روی ویژگیهای تماس داشته بطوری که آنها می تواند منبع قابل اعتمادی از اطلاعات را در مورد احساسات یک فرد فراهم کند. با این حال آن بسیار دشوار است. که به این دو سیگنال فیزیولوژی از طریق الکترود ها و سیم ها جهت تماس با راننده به منظور بدست آوردن EEG-ECG باشد. برخی از تلاشها در راستای توسعه EEG-ECG که درجه خاص از موفقیت را مربوط به استفاده از ابزار غیر مزاحم در تنظیمات آزمایشگاهی بوجود آورده است. این است که درنتیجه انتظار می رود. که EEG-ECGبه یک فناوری غیر مزاحم به عنوان مثال فناوری  بی سیم تبدیل خواهد شد که در آینده تمرکز برنامه های کاربردی را جهت برآورد خستگی رانندگان در پی خواهد داشت. بنابراین مفید است که بررسی ترکیب EEG-ECG را با ویژگیهای دیگر برای برآورد خستگی انجام دهیم که یک بنیان قوی برای استفاده از برآورد خستگی قابل اعتماد می باشد. با الهام گرفتن از پژوهش جی و همکارانش بویژه گنجاندن ویژگیهای متنی و ویژگیهای تماس توسعه یک مدل مبتنی بر DBN همراه با الگوریتم فونز وظیفه تشخیص خستگی را امکان پذیر می کنند با این حال رویکردها از آن متفاوت است در زیر روش ما آورده شده است.

1-در حال حاضر شامل تماس با ویژگیهای وفیزیولوژیکی بویژه EEG-ECG می باشد.

2-پویای شبکه های بیزیی نسبت به زمان بوده که براساس مدل مخفی مارکف استفاده شده است. بقیه مقاله به شرح زیر می باشد. بخش 2 شرح مشکل ومعماری مدل را به طور کلی بر اساس مدل DBN جهت شناسایی خستگی را ارائه می کند. در بخش 3 پیشنهادی بر اساس DBN جهت شناسایی خستگی با استفاده از مدل متنی و ویژگیهای فیزیولوژیکی است که همراه با استنتاج مربوط به مدل معرفی شده می باشد. در بخش 4 اعتبار بخش مدل ارائه شده انجام می شود بخش 5 بحث ونتیجه گیری و توضیحات را در پی دارد.

جهت مشاهده متن کامل فایل ترجمه را دانلود نمایید.

فرض کنیم (Z₁,Z_2,Z₃,…Z₄) مجموعه نیمه بینهایت  از متغیرهای تصادفی است و)Z_t=(C_t,X_t,O_t

نشان دهند موردی ومتغیرهای خروجی از یک مدل برخی از زمانها از طریق DBN است. از مدل توضیحهای احتمالی بیش از نیمه بینهایت استفاده شده است. از DBN می توان به عنوان مجموعه ای از SBN متصل شده در برش های زمانی متوالی استفاده شده و روابط بین دو برش زمان توسط مدل مارکف پنهان HMM استفاده می شود. به طور خاص بدون از دست دادن کلیات ما HMM در مرتبه اول در نظر می گیریم DBM به عنوان یک جفت تعیین می شود. که در زیر با توجه به معادله 1 محاسبه انجام می شود.

معادله 1

جهت مشاهده متن کامل فایل ترجمه را دانلود نمایید.

که در آن N تعداد گره درگراف می باشد. در ادامه ما نشان می دهیم که ما برای ساخت یک DBN جهت شناسایی خستگی چگونه اقدام خواهیم کرد. ساخت DBN به دو شرط انجام می شود.

1-تعیین گره ها و تعیین احتمالهای موجود .

گره ها برای ویژگیها در راننده بوده و یکی از ویژگیهای خاص جهت نشان دادن خستگی راننده می باشد. همانطور که در بخش 1 گفته شد. بسیاری از ویژگیهای متنی و فیزیولوژیکی  مربوط به خستگی راننده وجود دارد. به خاطر سادگی  مدل و جدول از دست دادن کلیات فقط کسانی که ویژگیهای متنی وفیزیولوژیکی قوی در ارتباط با خستگی دارند. انتخاب شده اند.

1-2-تجزیه  وتحلیل کیفیت خواب SQ)):

SQ ویژگی مهم متنی است که دارای یک ارتباط سریع با خستگی می باشد.SQ در راننده همراه با مقادیر مانند مدت زمان خواب، مشکل در بخواب رفتن در شب، خواب در محیط آزاد و دیگر عوامل اجتماعی است در میان آنها زمان خواب و محیط خواب به عنوان منابع اصلی در نظر گرفته شده اند که به دلیل حداقل خواب لازم برای همه رانندگان می باشد. واینکه ایا خواب مناسبی دارند یا نه به گراف DBN گرفته شده است.

2-2- تجزیه و تحلیل ریتم شبانه روزی CR)):

ریتم شبانه روزی یک متغیر متنی کاردینال در راستای شناسایی خستگی است. لال و همکارانش یک اشاره کردند که SR باید در مطالعه خستگی مهم در نظر گرفته شود. ونشان دادند که خواب توپیک وجود دارد.

یک پیک از 3  تا 5 بعد ظهر و پیک دوم از 3 تا 5 می باشد. و خواب ممکن است در این زمان ها به آسانی به سراغ راننده بیاید وخستگی به بالاترین سطح برسد. وایسوکی CR را به عنوان یک عامل موثر بر هوشیاری راننده شناسایی نموده است. بنابراین CR در این مقاله به عنوان یکی از متغیرهای متنی مربوط به گره گراف DBN انتخاب شده است.

3-2- محیط کارWE)):

وجود سرو صدا، یکنواختی جاده تراکم اتومبیل ، در بزرگراه ها، تعداد خطوط، و دمای محیط که راننده در آن است در میزان خستگی راننده سهم دارد. در این میان سروصدا و دمای محیط از ویژگیهای مهم می باشد. بنابراین سر وصدا و دما به عنوان دو ویژگی متنی مربوط به گره گراف DBN می باشد.

4-2= تجزیه و تحلیل حرکت (EM):

نگاه کردن مستقیم، پلک زدن، و بستن پلک می تواند  قابل تجزیه وتحلیل باشد. هنگامی که EM در پژوهش حاضر مورد استفاده قرار می گیرد.  در حالت درصد بسته شدن پلک در واحد زمان محاسبه می شود. که یک مقدار قابل اعتماد و معتبر از خستگی راننده است مطالعات متعدد نشان می دهد که راننده احتمالا در حالت خستگی حداقل ٪80 در واحد زمان در یک دقیقه بیشتر بسته می شود. بنابراین زمان بسته شدن چشم دراین مقاله به عنوان یک متغیر های قابل مشاهده در گره گراف DBN در نظر گرفته می شود.

5-2- تجزیه وتحلیل ECG :

ضربان قلب به طور قابل توجهی برای افراد مشابهه در مقادیر مختلف مانند  هوشیاری وخستگی متفاوت است به همین دلیل، EC اغلب برای تشخیص وضعیت راننده می شود. ECG برای اولین بار یک فیلتر ساده بافرکانس 100HZ استفاده شد و پس از آن الگوریتم EFTوVLF, LF,HF بوجود آمد. در این میان ویژگیهای فراوانی در نسبت LF به  HF دیده شد که روابط قوی بین خستگی راننده دارد. کالکاگین و همکارانش اشاره کردند که نسبت  LF به  HF با افزایش خستگی کاهش می یابد.  بنابراین نسبت  LF به HF می تواند  توصیفی برای حالت راننده به عنوان یکی از متغیرهای قابل مشاهده بود و می توان از آن به عنوان گره در گراف DBF استفاده کرد دراین مقاله روش یانگ وهمکارانش معرفی شده اند.

6-2- تجزیه وتحلیل  EEG :

دامنه فرکانس EEG به طور عمده شامل گروه دلتا ( 0/5  -  4 HZ) مربوط به فعالیتهای خواب  و گروه تتا

از (HZ 7- 4) مرتبط با خواب الودگی ،گروه آلفا (8-13HZ) مربوط به آرامش وگروه بتا( 13-25HZ) مربوط به فعالیت و هوشیاری می باشد. توجه داشته باشید که تنها باید آلفا روابط قوی با مطالعه خستگی داشته وتغییرات ردیابی EFG مانند کاهش در ریتم الف – میزان خستگی را نشان می دهد. علاوه بر این کاهش در ریتم الفا نشان می دهد که یک راننده در حالت خستگی را نشان میدهد. علاوه بر این کاهش در ریتم آلفا نشان می دهد که یک راننده در حالت خستگی قرار دارد. در طول مرحله فعالیت شدید و یا استرس متوسط سیگنال در باند الفا به عنوان پایه استاندارد در نظر گرفته می شود. در وضعیت خستگی تغییرات آشکار از سیگنال های آلفا دراطراف پایه استاندارد همیشه وجود دارد. بنابراین تغییر در اطراف پایه استاندارد از طیف EEG به عنوان یکی از متغیرهای قابل مشاهده گره های نمودار DBN می باشد. در مطالعه حاضر یک فیلتر پایینگذر ساده با فرکانس (50HZ) وجزء مستقل جهت تجزیه وتحلیل سیگنالهای EEG استفاده می شود. و سپس با استفاده از تبدیل فوریه به دامنه فرکانس تبدیل شده و الگوریتم آن بدست می آید.  بر اساس تجزیه وتحلیل بالا CR به عنوان متغیرهای کلیدی متنی مربوط به انتخاب جزء G_t و Z_t می باشد. در حالی که  EM و  ECG و EEG و متغیرهای قابل مشاهده مربوط به جزء o_t از Z_t می باشد. داده های بدست آمده از FATمیزان خستگی راننده را مربوط به متغیر X نشان می دهد. وساختار DBN عمومی میزان شناسایی خستگی راننده را در شکل 1 نشان می دهد.

مدل شناسایی خستگی براساس  DBN:

می تواند برای مقابله با فرایند های تصادفی مداوم و یا گسسته استفاده شود. در این مقاله  ما تنها  فرآیندهای تصادفی گسسته را در نظر می گیریم. به عنوان مثال متغیرهای پنهان  ویا قابل مشاهده اند که مقادیر محدود تصادفی دارند.

جهت مشاهده متن کامل فایل ترجمه را دانلود نمایید.