Please use this identifier to cite or link to this item:
http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/26979| Title: | Classificação do estado de sonolência para motoristas com base em eletroencefalograma, redes neurais artificiais e algoritmos genéticos. |
| Other Titles: | Drowsy state rating for drivers based on electroencephalogram, artificial neural networks and genetic algorithms. |
| ???metadata.dc.creator???: | XAVIER, Felipe Porge. |
| ???metadata.dc.contributor.advisor1???: | PERKUSICH, Angelo. |
| ???metadata.dc.contributor.referee1???: | ROCHA NETO, José Sérgio da. |
| ???metadata.dc.contributor.referee2???: | SILVA, Jaidilson Jó da. |
| Keywords: | Sonolência;Eletroencefalograma;Motoristas;Trânsito;Somnolence;Electroencephalogram;Drivers;Traffic |
| Issue Date: | 8-Aug-2018 |
| Publisher: | Universidade Federal de Campina Grande |
| Citation: | XAVIER, Felipe Porge. Classificação do estado de sonolência para motoristas com base em eletroencefalograma, redes neurais artificiais e algoritmos genéticos. 2018. 73 fl. Dissertação (Mestrado em Engenharia Elétrica), Programa de Pós-Graduação em Engenharia Elétrica, Centro de Engenharia Elétrica e Informática, Universidade Federal de Campina Grande - Paraíba - Brasil, 2018. |
| ???metadata.dc.description.resumo???: | O cérebro humano está, na maior parte do tempo, processando informações para reagir de acordo com os estímulos recebidos pelo conjunto sensorial do corpo humano. A fadiga men- tal é um estado de sonolência e baixa atenção que aumenta o tempo de reação do indivíduo. No trânsito, o baixo tempo de reação é crucial para evitar acidentes, o que torna a fadiga mental um fator de risco para os motoristas, principalmente ao trafegar em rodovias, as quais normalmente permitem velocidades mais altas. Neste trabalho, é descrito um método de classificação de sinais de eletroencefalograma (EEG) em sonolência, utilizando redes neu- rais artificiais otimizadas utilizando algoritmos genéticos. Os parâmetros de entrada foram calculados para grupos de 256 amostras (janelas de 1 segundo) do canal AF7 de um headset de EEG portátil denominado Muse. A aplicação do método proposto resultou em 13,42% de erro na classificação das amostras (confusão), 14,49% de erro quadrático médio, 85,21% de sensitividade e 87,95% de especificidade, a partir da utilização de dados adquiridos durante sessões em um simulador de direção. |
| Abstract: | Most of the time, the human brain is processing information to react according to the stim- uli received through the sensory nervous system. The mental fatigue is a state of drowsiness and low attention that increases the reaction time of an individual. In the traffic, the short reaction time is crucial to avoid accidents, what means that mental fatigue is a risk factor for drivers, especially when driving through highways in which higher speeds are normally al- lowed. This work describes a method to classify EEG signals in drowsiness by using artificial neural networks optimized by genetic algorithms. The input parameters were calculated for groups of 256 samples (1 second window) of channel AF7 of a Muse portable EEG headset. The application of the proposed method resulted in 13.42% of classification error (confu- sion), 14.49% of mean squared error, 85.21% of sensitivity and 87.95% of specificity, using data acquired during sessions in a driving simulator. |
| Keywords: | Sonolência Eletroencefalograma Motoristas Trânsito Somnolence Electroencephalogram Drivers Traffic |
| ???metadata.dc.subject.cnpq???: | Engenharia Elétrica |
| URI: | http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/26979 |
| Appears in Collections: | Mestrado em Engenharia Elétrica. |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| FELIPE PORGE XAVIER - DISSERTAÇÃO (PPGEE) 2018.pdf | Felipe Porge Xavier - Dissertação (PPGEE) 2018. | 1.71 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.