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

الموضوعات :

سارا مجلسی ¹ (دانشکده مهندسی برق- واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران)
مهدی خضری ² (مرکز تحقیقات پردازش دیجیتال و بینایی ماشین- واحد نجف‌آباد، دانشگاه آزاد اسلامی، نجف‌آباد، ایران)

تاريخ الإرسال : 08 الجمعة , ذو القعدة, 1442 تاريخ التأكيد : 12 الجمعة , محرم, 1443 تاريخ الإصدار : 18 الأربعاء , جمادى الأولى, 1443

الکلمات المفتاحية: شناسایی استرس, سیگنال‌های فیزیولوژیکی, طبقه‌بند SVM, همجوشی دمپستر- شافر,

ملخص المقالة :

تشخیص و کنترل سطح استرس در رانندگان به منظور کاهش خطرات ناشی از آن، از اهمیت ویژه ای برخوردار است. در این مطالعه سیستمی برای تشخیص چهار سطح استرس کم، متوسط، زیاد و خیلی زیاد در رانندگان براساس سیگنال های فیزیولوژیکی ارائه شده است. در روش پیشنهادی از پایگاه داده drivedb استفاده شده که شامل ثبت سیگنال های فیزیولوژیکی از هفده نفر داوطلب سالم هنگام رانندگی در مسیرهای مشخص از جمله خیابان های شهر و بزرگراه است. مجموعه ای از ویژگی های آماری و آنتروپی به همراه ویژگی های ریخت شناسی که فقط برای سیگنال ECG محاسبه شدند، به کار رفته است. ویژگی های تعیین شده به عنوان ورودی واحدهای طبقه بندی برای تشخیص سطوح استرس اعمال شدند. ماشین بردار پشتیبان (SVM)، k نزدیکترین همسایه (kNN) و درخت تصمیم (DT) به عنوان روش های طبقه بندی مورد ارزیابی قرار گرفتند. هدف اصلی این مطالعه، بهبود دقت تشخیص سطوح استرس با استفاده از ایده همجوشی در سطح نتایج واحدهای طبقه بندی است. به این منظور ترکیب واحدهای طبقه بندی منفرد، که هرکدام تنها از ویژگی های یکی از سیگنال های قلبی (ECG)، عضلات (EMG) و هدایت پوست (GSR) بهره گرفتند، توسط روش دمپستر-شفر انجام شد. با انتخاب ویژگی های مؤثر با الگوریتم ژنتیک، طبقه بندی کننده SVM و روش همجوشی دمپستر-شفر، بهترین دقت تشخیص سطوح استرس برابر با 9/96 درصد به دست آمد. در حالی که بالاترین دقت تشخیص بین طبقه بندهای منفرد 75 درصد بود و توسط زیر سیستمی که از ویژگی های سیگنال ECG استفاده کرده بود به دست آمد. نتایج به دست آمده عملکرد قابل توجه روش پیشنهادی را نسبت به مطالعات گذشته که از مجموعه داده مشابه استفاده کرده اند، نشان می دهد.

المصادر:

[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).