Drowsiness Detection Using a Headband and Artificial Neural Networks

Abstract

Ao longo dos anos, a percentagem de população com carta de condução tem crescido rapidamente e, consequentemente, também a taxa de acidentes de viação. Sonolência é uma das principais razões para acidentes rodoviários por provocar um decréscimo de perceção, concentração e controlo sobre o veículo. Por esta razão, novas técnicas para prevenção de acidentes causados devido ao cansaço do condutor têm sido exploradas como, por exemplo, a possibilidade de prever se o condutor está sonolento ou não.Este projeto tem como objetivo implementar algoritmos de processamento de sinal (séries de análise temporal) e técnicas de machine learning para identificação de diferentes estados mentais do condutor recorrendo ao uso de uma bandolete de fácil utilização e transporte, capaz de coletar ondas cerebrais. O estado mental do sujeito, neste caso de alerta ou sonolência, está diretamente interligado com a maior ou menor presença de certas frequências cerebrais, o que permite identificar em que condição o indivíduo se encontra. Para este fim, foram realizadas gravações da atividade cerebral em distintas situações. Posteriormente, diversos métodos de identificação e remoção de ruído (artefactos) e algoritmos de séries temporais foram aplicados para a construção de datasets que, mais tarde, seriam classificados por uma rede neuronal com o objetivo de diferenciar entre estados de vigília e cansaço.Em prol de estudar em detalhe o tema, a presente dissertação encontra-se dividida em diferentes capítulos. No primeiro capítulo uma breve descrição a cerca do tema e situação atual é mencionada. No capítulo 2, Interface Cérebro-Computador, eletroencefalografia e as várias ondas de frequência nas diferentes regiões do cérebro são descritas. No capítulo 3 é revista a pesquisa realizada até atualmente no campo de deteção de sonolência com dispositivos de ECG. No quarto capítulo, o hardware e software utilizado para gravação do sinal de ECG e posterior análise é descrito. No capítulo 5 são explicados os diversos métodos utilizados para remoção de ruído, análise de séries temporais e construção de datasets e do modelo da rede neuronal artificial. No capítulo 6, os resultados são apresentados e analisados. Por fim, no capítulo 7 são apresentadas as conclusões do projeto e sugestões para o trabalho futuro.

Over the last years, the percentage of licensed drivers has increased rapidly and, as a consequence, so have car accidents. Drowsiness is one of the main reasons for car crashes due to a decrease of perception, concentration and control over the vehicle. For that reason, new techniques for prevention of accidents caused by somnolence have been explored. That includes, for example, prediction of non-alert states.This project aims at implementing time series analysis and machine learning techniques for the identification of different mental states of the driver, with the use of a wearable and lightweight headband, capable of collecting brain signals. The mental state of the subject, in this case of alertness or somnolence, is directly interconnected with a higher or lower presence of certain brain frequencies that will enable to identify in which condition the individual is in. For that purpose, recordings of brain response to different scenarios, both in alert and drowsiness situations, were made. Different methods were applied to detect and reject noise (namely so called artifacts) and different time series algorithms were applied for the construction of datasets that were after be fed to an artificial neural network with the goal of differentiate between states of vigilance and drowsiness. For a detailed analysis of the topic, the present dissertation is divided in different chapters. In Chapter 1, Introduction, a brief description of what will be explored in the project is described. In Chapter 2, Brain Computer Interfaces, electroencephalography and the various frequency waves from the different regions of the brain are reviewed. In Chapter 3, past research in the past in the field of drowsiness detection with EEG devices is explored. In the Chapter 4, the hardware and software used for the recording of the EEG signal and its analysis is described. In Chapter 5, the various methods used for artifacts removal, time series analysis and datasets and artificial neural network construction are explained. In Chapter 6, the obtained results are presented and examined. Finally, in Chapter 7 some conclusions and future work are highlighted.