NATIONAL BIBLIOGRAPHY NUMBER
Number
۲۱۹۲۵پ
LANGUAGE OF THE ITEM
.Language of Text, Soundtrack etc
per
TITLE AND STATEMENT OF RESPONSIBILITY
Title Proper
تشخیص زود هنگام خستگی روانی بر پایه سیگنال‌صهایEEG
Parallel Title Proper
Early Detection of Mental Fatigue based on EEG Signal Processing
First Statement of Responsibility
/درنا مطلوبی
.PUBLICATION, DISTRIBUTION, ETC
Name of Publisher, Distributor, etc.
: مهندسی برق و کامپیوتر
Date of Publication, Distribution, etc.
، ۱۳۹۸
Name of Manufacturer
، افشاری
PHYSICAL DESCRIPTION
Specific Material Designation and Extent of Item
۹۳ص
NOTES PERTAINING TO PUBLICATION, DISTRIBUTION, ETC.
Text of Note
چاپی - الکترونیکی
DISSERTATION (THESIS) NOTE
Dissertation or thesis details and type of degree
کارشناسی ارشد
Discipline of degree
مهندسی‌پزشکی
Date of degree
۱۳۹۸/۰۶/۲۳
Body granting the degree
تبریز
SUMMARY OR ABSTRACT
Text of Note
خستگی ذهنی یا روانی یک حالت فیزیولوژیکی است که هم بر عملکرد فیزیکی و هم عملکرد شناختی اثر می‌صگذارد که نتیجه آن مشکل در پردازش سریع و کارآمد اطلاعات و افزایش زمان واکنش است .یک سیستم خودکار اندازه‌صگیری خستگی ذهنی برای کاهش خطرات ناشی از آن مورد نیاز است .با وجود اینکه شاخص‌صهای فیزیولیوژیکی متعددی برای تشخیص خستگی‌ص ذهنی مطرح است، سیگنال EEG یکی از مطمئن‌صترین آن‌صها است چراکه مستقیما فعالیت مغز را منعکس می‌صکند .در این پایان نامه هدف تشخیص خستگی ذهنی ناشی از رانندگی برای کاهش تلفات جاده‌صای است .بدین منظور یک دیتا بیس استاندارد شامل ۱۲ نفر استفاده شده است که آموزش دستورالعمل رانندگی را در یک محیط مجازی، در دو حالت خستگی ذهنی و نرمال، تحت دستورالعمل اپراتور تکمیل کردند .برای استخراج ویژگی‌صها به منظور شناسایی خستگی‌صذهنی از ویژگی‌صهای فرکانسی باندهای استاندارد سیگنال EEG استفاده شد .تمام مجموعه ویژگی‌صها بعد از نرمال‌صسازی به عنوان ورودی به سه الگوریتم طبقه-بندیK -نزدیکترین همسایه، ماشین بردار پشتیبان و شبکه عصبی داده شده است .برای ارزیابی روش، دقت سیستم در حالت استفاده از ۳۰ الکترود و هر سه الگوریتم طبقه‌صبندی ۱۰۰ درصد به دست آمده است .بعد از اعمال الگوریتم کاهش الکترودها و پیدا کردن الکترود موثرTP۷ ، برای این کانال با استفاده از الگوریتم طبقه‌صبندی KNN دقت ۹۳/۹۹ درصد به دست آمده است
Text of Note
Mental or psychological fatigue is a physiological state that affects both physical and cognitive function resulting in difficulty in quick and efficiently and increasing reaction time processing of information.An automated mental fatigue measurement system is needed to reduce its risks.Although there are many physiological indicators to diagnose mental fatigue, the EEG signal is the most reliable one, because it directly reflects brain activity.The purpose of this thesis is to identify the mental fatigue caused by driving to reduce road casualties.For this purpose, a standard database of 12 people is used to complete driving instruction training in a virtual environment ,in both mental and normal fatigue, under the operators instructions.Frequency featurs of standard bands of EEG signal are used to feature extracting, for identifying mental fatigue.All feature vectors are normalized as inputs to the three KNN algorithms, the support vector machine (SVM) and the Neural Network.To evaluate the method, the accuracy of the system in the use of 30 electrodes and all three classification algorithms is 100 . After applying the electrodes selection algorithm and finding the effective electrode of TP7, the KNN classification algorithm obtained 99.93 accuracy for this channel
PARALLEL TITLE PROPER
Parallel Title
Early Detection of Mental Fatigue based on EEG Signal Processing
PERSONAL NAME - PRIMARY RESPONSIBILITY
مطلوبی، درنا
Matloubi, Dorna
ELECTRONIC LOCATION AND ACCESS
Public note
سیاه و سفید
نمایه‌سازی قبلی
