CNNs multi-entrada para detecção de sonolência via sinais de EEG

• Autor(a) principal: Milano, Lucca Strelow
• Data de Publicação: 2023
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da UFRGS
• Texto Completo: http://hdl.handle.net/10183/267648
• topic: Aprendizado de máquina; Redes neurais; Processamento de sinais; Drowsiness detection; Electroencephalogram (EEG); Spectral analysis

Com o aumento drástico do número de veículos conduzidos diariamente, também há o aumento no total de acidentes de trânsito, sendo uma parcela desses causados pela falta de atenção ou sonolência ao volante. Visando remediar essa situação, diferentes trabalhos da literatura propõem identificar o nível de sonolência do condutor, permitindo tomar a devida providência de forma antecipada, alertando-o. Sinais de eletroencefalograma (EEG) capturam a atividade elétrica do escalpo de indivíduos de forma não-invasiva. Analisando a intensidade, duração e algumas outras características desses sinais, incluindo as frequências dominantes, é possível associá-los a estados cognitivos, atividades mentais ou motoras e patologias. Informações desses sinais são usualmente extraídas de dois domínios: temporal e espectral. Ainda há discussões sobre qual domínio oferece maior capacidade de reconhecimento quando utilizado por algoritmos de aprendizado de má- quina. Este trabalho investiga a adoção de uma rede neural convolucional (convolutional neural network, CNN) com diversas entradas (multi-branch) para o problema de detecção de sonolência. As várias entradas da CNN processam diferentes versões do sinal de EEG, filtradas pela transformada wavelet discreta de Haar, que se relacionam a ritmos cerebrais associados aos estados de sonolência e alerta. São consideradas diferentes combinações de entradas (ritmos utilizados). Nossa metodologia é avaliada em uma base de dados pública e comparada a um trabalho do estado da arte. Os resultados indicam que a modelagem com filtragem dos sinais em ritmos cerebrais atinge 81.6% de acurácia e supera outras que trabalham sobre sinais não filtrados.