تشخیص استرس برمبنای همجوشی سیگنال های فیزیولوژیکی چندگانه با استفاده از نظریه شواهد دمپستر- شفر

روش‌های هوشمند در صنعت برق

مقاله 7، دوره 13، شماره 52، اسفند 1401، صفحه 99-110   

نوع مقاله: مقاله پژوهشی

نویسندگان

سارا مجلسی¹؛ مهدی خضری^{* 2}

¹دانشکده مهندسی برق- واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران

²مرکز تحقیقات پردازش دیجیتال و بینایی ماشین- واحد نجف‌آباد، دانشگاه آزاد اسلامی، نجف‌آباد، ایران

چکیده

تشخیص و کنترل سطح استرس در رانندگان به­منظور کاهش خطرات ناشی از آن، از اهمیت ویژه­ای برخوردار است. در این مطالعه سیستمی برای تشخیص چهار سطح استرس کم، متوسط، زیاد و خیلی زیاد در رانندگان براساس سیگنال­های فیزیولوژیکی ارائه شده است. در روش پیشنهادی از پایگاه داده­ drivedb استفاده شده که شامل ثبت سیگنال­های فیزیولوژیکی از هفده نفر داوطلب سالم هنگام رانندگی در مسیرهای مشخص از جمله خیابان­های شهر و بزرگراه است. مجموعه­ای از ویژگی­های آماری و آنتروپی به­همراه ویژگی­های ریخت­شناسی که فقط برای سیگنال ECG محاسبه شدند، به­کار رفته است. ویژگی­های تعیین شده به­عنوان ورودی واحدهای طبقه­بندی برای تشخیص سطوح استرس اعمال شدند. ماشین بردار پشتیبان (SVM)، k نزدیکترین همسایه (kNN) و درخت تصمیم (DT) به­عنوان روش­های طبقه­بندی مورد ارزیابی قرار گرفتند. هدف اصلی این مطالعه، بهبود دقت تشخیص سطوح استرس با استفاده از ایده همجوشی در سطح نتایج واحدهای طبقه­بندی است. به­این منظور ترکیب واحدهای طبقه­بندی منفرد، که هرکدام تنها از ویژگی­های یکی از سیگنال­های قلبی (ECG)، عضلات (EMG) و هدایت پوست (GSR) بهره گرفتند، توسط روش دمپستر-شفر انجام شد. با انتخاب ویژگی­های مؤثر با الگوریتم ژنتیک، طبقه­بندی کننده SVM و روش همجوشی دمپستر-شفر، بهترین دقت تشخیص سطوح استرس برابر با 9/96 درصد به­دست آمد. در حالی­که بالاترین دقت تشخیص بین طبقه­بندهای منفرد 75 درصد بود و توسط زیر سیستمی که از ویژگی­های سیگنال ECG استفاده کرده بود به­دست آمد. نتایج به­دست آمده عملکرد قابل توجه روش پیشنهادی را نسبت به مطالعات گذشته که از مجموعه داده مشابه استفاده کرده­اند، نشان می­دهد.

کلیدواژه‌ها

شناسایی استرس؛ سیگنال‌های فیزیولوژیکی؛ طبقه‌بند SVM؛ همجوشی دمپستر- شافر

مراجع

[1] S.M. Ahmed, P.J. Hershberger, J.P. Lemkau, R. Rakel, D. Rakel, "Psychosocial influences on health", Textbook of Family Medicine E-Book,  Elsevier Health Sciences, March, 2011.

[2] L. Bowen, A. Smith, "Drive better, feel better: predicting well-being and driving behaviour in undergraduate psychology students", Advances in Social Sciences Research Journal, vol. 6, no. 2, pp. 302- 318, Feb. 2019 (doi: 10.14738/assrj.62.6221).

[3] J.A. Healey, R.W. Picard, "Detecting stress during real-world driving tasks using physiological sensors", IEEE Trans. on Intelligent Transportation Systems,vol. 6, no. 2, pp. 156-166, June 2005 (doi: 10.1109/T­ITS­.200­5.848368).

[4] A.O. Akmandor, N.K. Jha, "Keep the stress away with SoDA: Stress detection and alleviation system", IEEE Trans. on Multi-Scale Computing Systems, vol. 3, no. 4, pp. 269-282, Oct.-Dec. 2017 (doi:  10.1109/TMSC­S.2017.2703613)

[5] A. R. Subhani, W. Mumtaz, M. N. B. M. Saad, N. Kamel, A. S. Malik, "Machine learning framework for the detection of mental stress at multiple levels", IEEE Access, vol. 5, pp. 13545-13556, 2017 (doi: 10.1109/­AC­CESS.2017.2723622).

[6] M. Choi, G. Koo, M. Seo, S. W. Kim, "Wearable device-based system to monitor a driver’s stress, fatigue, and drowsiness", IEEE Trans. on Instrumentation Measurement, vol. 67, no. 3, pp. 634-645, Mar. 2017 (doi: 10.1109/TIM.2017.2779329).

[7] Y. Liu, S. Du, "Psychological stress level detection based on electrodermal activity", Behavioural brain research, vol. 341, pp. 50-53, Apr. 2018 (doi: 10.1016/j.bbr.2017.12.021).

[8]  M. D. Hssayeni, B. Ghoraani, "Multi-modal physiological data fusion for affect estimation using deep learning",  IEEE Access, vol. 9, pp. 21642-21652, 2021 (doi: 10.1109/ACCESS.2021.3055933).

[9] L. Rachakonda, S. P. Mohanty, E. Kougianos, P. Sundaravadivel, "Stress-lysis: A DNN-integrated edge device for stress level detection in the IoMT," IEEE Trans. on Consumer Electronics, vol. 65, no. 4, pp. 474-483, Nov. 2019 (doi: 10.1109/TCE.2019.2940472).

[10]  J. Healey, R. Picard, "SmartCar: detecting driver stress", Proceeding of the IEEE/ICPR, pp. 218-221, Barcelona, Spain, Sept. 2000 (doi: 10.1109/ICPR.2000.902898).

[11]  Y. Zhou, J. Kang, X. Zhang, "A cooperative coevolutionary approach to discretization-based feature selection for high-dimensional data", Entropy, vol. 22, no. 6, p. 613, June 2020 (doi: 10.3390/e22060613.).

[12] S. Karimi-Shahraki, M. Khezri, "Identification of ADHD patients using wavelet-based features of EEG signals", Journal of Intelligent Procedures in Electrical Technology, vol. 12, no. 47, pp. 1-11, Dec. 2021 (dor: 20.1001.1.23223871.1400.12.3.1.1) (in Persian).

[13] S. R. Safavian D. Landgrebe, "A survey of decision tree classifier methodology", IEEE Trans. on systems, man, cybernetics, vol. 21, no. 3, pp. 660-674, May-June. 1991 (doi: 10.1109/21.97458).

[14]  C. Reinders, H. Ackermann, M.Y. Yang, B. Rosenhahn, “Chapter4- Learning convolutional neural networks for object detection with very little training data", Multimodal Scene Understanding: Algorithms, Applications and Deep Learning Elsevie, pp. 65-10, 2019 (doi:10.1016/B978-0-12-817358-9.00010-X).

[15] N. Dashti, M. Khezri, "Recognition of motor imagery based on dynamic features of electroencephal-ography signals", Journal of Intelligent Procedures in Electrical Technology, vol. 11, no. 43, pp. 13-27, June 2020 (in Persian).

[16] T. Denœux, "Logistic regression, neural networks and Dempster–Shafer theory: A new perspective", Knowledge-Based Systems, vol. 176, pp. 54-67, Jul. 2019 (doi: 10.1016/j.knosys.2019.03.030).

[17]  G. Shafer, "A mathematical theory of evidence", Princeton university press, 1976.

[18] G. Mardanian, N. Behzadfar, “A new method for detection of breast cancer in mammography images using a firefly algorithm”, Journal of Intelligent Procedures in Electrical Technology, vol. 10, no. 40, pp. 23-32, March 2020 (in Persian).

[19]  J.-S. Wang, C.-W. Lin, Y.-T. C. Yang, "A k-nearest-neighbor classifier with heart rate variability feature-based transformation algorithm for driving stress recognition", Neurocomputing, vol. 116, pp. 136-143, Sept, 2013 (doi: 10.1016/j.neucom.2011.10.047).

[20] S. Pourmohammadi, A. Maleki, "A fuzzy C-means clustering approach for continuous stress detection during driving", Signal and Data Processing, vol. 14, no. 4, pp. 129-142, March 2018 (doi: 10.29252/jsd­p.14.4.129) (in Persian).

[21] M.F. Rizwan, R. Farhad, F. Mashuk, F. Islam, M.H. Imam, "Design of a biosignal based stress detection system using machine learning techniques", Proceeding of the IEEE/ ICREST, pp. 364-368, Dhaka, Bangladesh, Jan 2019 (doi: 10.1109/ICREST.2019.8644259).