Classificação do estado de sonolência para motoristas com base em eletroencefalograma, redes neurais artificiais e algoritmos genéticos.

Detalhes bibliográficos
Ano de defesa: 2018
Autor(a) principal: XAVIER, Felipe Porge.
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Universidade Federal de Campina Grande
Brasil
Centro de Engenharia Elétrica e Informática - CEEI
PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA
UFCG
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Sonolência
Eletroencefalograma
Motoristas
Trânsito
Somnolence
Electroencephalogram
Drivers
Traffic
Engenharia Elétrica
Link de acesso: http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/26979
Resumo: O cérebro humano está, na maior parte do tempo, processando informações para reagir de acordo com os estímulos recebidos pelo conjunto sensorial do corpo humano. A fadiga men- tal é um estado de sonolência e baixa atenção que aumenta o tempo de reação do indivíduo. No trânsito, o baixo tempo de reação é crucial para evitar acidentes, o que torna a fadiga mental um fator de risco para os motoristas, principalmente ao trafegar em rodovias, as quais normalmente permitem velocidades mais altas. Neste trabalho, é descrito um método de classificação de sinais de eletroencefalograma (EEG) em sonolência, utilizando redes neu- rais artificiais otimizadas utilizando algoritmos genéticos. Os parâmetros de entrada foram calculados para grupos de 256 amostras (janelas de 1 segundo) do canal AF7 de um headset de EEG portátil denominado Muse. A aplicação do método proposto resultou em 13,42% de erro na classificação das amostras (confusão), 14,49% de erro quadrático médio, 85,21% de sensitividade e 87,95% de especificidade, a partir da utilização de dados adquiridos durante sessões em um simulador de direção.
id UCB-2_19dd022d4d4dc80593d69d40fe7ca047
oai_identifier_str oai:localhost:riufcg/26979
network_acronym_str UCB-2
network_name_str Repositório Institucional da UCB
repository_id_str
spelling Classificação do estado de sonolência para motoristas com base em eletroencefalograma, redes neurais artificiais e algoritmos genéticos.Drowsy state rating for drivers based on electroencephalogram, artificial neural networks and genetic algorithms.SonolênciaEletroencefalogramaMotoristasTrânsitoSomnolenceElectroencephalogramDriversTrafficEngenharia ElétricaO cérebro humano está, na maior parte do tempo, processando informações para reagir de acordo com os estímulos recebidos pelo conjunto sensorial do corpo humano. A fadiga men- tal é um estado de sonolência e baixa atenção que aumenta o tempo de reação do indivíduo. No trânsito, o baixo tempo de reação é crucial para evitar acidentes, o que torna a fadiga mental um fator de risco para os motoristas, principalmente ao trafegar em rodovias, as quais normalmente permitem velocidades mais altas. Neste trabalho, é descrito um método de classificação de sinais de eletroencefalograma (EEG) em sonolência, utilizando redes neu- rais artificiais otimizadas utilizando algoritmos genéticos. Os parâmetros de entrada foram calculados para grupos de 256 amostras (janelas de 1 segundo) do canal AF7 de um headset de EEG portátil denominado Muse. A aplicação do método proposto resultou em 13,42% de erro na classificação das amostras (confusão), 14,49% de erro quadrático médio, 85,21% de sensitividade e 87,95% de especificidade, a partir da utilização de dados adquiridos durante sessões em um simulador de direção.Most of the time, the human brain is processing information to react according to the stim- uli received through the sensory nervous system. The mental fatigue is a state of drowsiness and low attention that increases the reaction time of an individual. In the traffic, the short reaction time is crucial to avoid accidents, what means that mental fatigue is a risk factor for drivers, especially when driving through highways in which higher speeds are normally al- lowed. This work describes a method to classify EEG signals in drowsiness by using artificial neural networks optimized by genetic algorithms. The input parameters were calculated for groups of 256 samples (1 second window) of channel AF7 of a Muse portable EEG headset. The application of the proposed method resulted in 13.42% of classification error (confu- sion), 14.49% of mean squared error, 85.21% of sensitivity and 87.95% of specificity, using data acquired during sessions in a driving simulator.Universidade Federal de Campina GrandeBrasilCentro de Engenharia Elétrica e Informática - CEEIPÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICAUFCGPERKUSICH, Angelo.Perkusich, Angelo.Perkusich, A.Angelo Perkusic.http://lattes.cnpq.br/9439858291700830ROCHA NETO, José Sérgio da.ROCHA NETO, J. S.ROCHA NETO, J S DA.DA ROCHA NETO, JOSE SERGIO.http://lattes.cnpq.br/9085919442313408SILVA, Jaidilson Jó da.SILVA, J. J.Da Silva, J. J.Silva, Jaidilson Jó.http://lattes.cnpq.br/9247322786251981XAVIER, Felipe Porge.2018-08-082022-09-06T19:00:05Z2022-09-062022-09-06T19:00:05Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesishttp://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/26979XAVIER, Felipe Porge. Classificação do estado de sonolência para motoristas com base em eletroencefalograma, redes neurais artificiais e algoritmos genéticos. 2018. 73 fl. Dissertação (Mestrado em Engenharia Elétrica), Programa de Pós-Graduação em Engenharia Elétrica, Centro de Engenharia Elétrica e Informática, Universidade Federal de Campina Grande - Paraíba - Brasil, 2018.porinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UCBinstname:Universidade Católica de Brasília (UCB)instacron:UCB2022-09-06T19:00:05Zoai:localhost:riufcg/26979Repositório InstitucionalPRIhttps://repositorio.ucb.br/oai/requestsara.ribeiro@ucb.bropendoar:2022-09-06T19:00:05Repositório Institucional da UCB - Universidade Católica de Brasília (UCB)false
dc.title.none.fl_str_mv Classificação do estado de sonolência para motoristas com base em eletroencefalograma, redes neurais artificiais e algoritmos genéticos.
Drowsy state rating for drivers based on electroencephalogram, artificial neural networks and genetic algorithms.
title Classificação do estado de sonolência para motoristas com base em eletroencefalograma, redes neurais artificiais e algoritmos genéticos.
spellingShingle Classificação do estado de sonolência para motoristas com base em eletroencefalograma, redes neurais artificiais e algoritmos genéticos.
XAVIER, Felipe Porge.
Sonolência
Eletroencefalograma
Motoristas
Trânsito
Somnolence
Electroencephalogram
Drivers
Traffic
Engenharia Elétrica
title_short Classificação do estado de sonolência para motoristas com base em eletroencefalograma, redes neurais artificiais e algoritmos genéticos.
title_full Classificação do estado de sonolência para motoristas com base em eletroencefalograma, redes neurais artificiais e algoritmos genéticos.
title_fullStr Classificação do estado de sonolência para motoristas com base em eletroencefalograma, redes neurais artificiais e algoritmos genéticos.
title_full_unstemmed Classificação do estado de sonolência para motoristas com base em eletroencefalograma, redes neurais artificiais e algoritmos genéticos.
title_sort Classificação do estado de sonolência para motoristas com base em eletroencefalograma, redes neurais artificiais e algoritmos genéticos.
author XAVIER, Felipe Porge.
author_facet XAVIER, Felipe Porge.
author_role author
dc.contributor.none.fl_str_mv PERKUSICH, Angelo.
Perkusich, Angelo.
Perkusich, A.
Angelo Perkusic.
http://lattes.cnpq.br/9439858291700830
ROCHA NETO, José Sérgio da.
ROCHA NETO, J. S.
ROCHA NETO, J S DA.
DA ROCHA NETO, JOSE SERGIO.
http://lattes.cnpq.br/9085919442313408
SILVA, Jaidilson Jó da.
SILVA, J. J.
Da Silva, J. J.
Silva, Jaidilson Jó.
http://lattes.cnpq.br/9247322786251981
dc.contributor.author.fl_str_mv XAVIER, Felipe Porge.
dc.subject.por.fl_str_mv Sonolência
Eletroencefalograma
Motoristas
Trânsito
Somnolence
Electroencephalogram
Drivers
Traffic
Engenharia Elétrica
topic Sonolência
Eletroencefalograma
Motoristas
Trânsito
Somnolence
Electroencephalogram
Drivers
Traffic
Engenharia Elétrica
description O cérebro humano está, na maior parte do tempo, processando informações para reagir de acordo com os estímulos recebidos pelo conjunto sensorial do corpo humano. A fadiga men- tal é um estado de sonolência e baixa atenção que aumenta o tempo de reação do indivíduo. No trânsito, o baixo tempo de reação é crucial para evitar acidentes, o que torna a fadiga mental um fator de risco para os motoristas, principalmente ao trafegar em rodovias, as quais normalmente permitem velocidades mais altas. Neste trabalho, é descrito um método de classificação de sinais de eletroencefalograma (EEG) em sonolência, utilizando redes neu- rais artificiais otimizadas utilizando algoritmos genéticos. Os parâmetros de entrada foram calculados para grupos de 256 amostras (janelas de 1 segundo) do canal AF7 de um headset de EEG portátil denominado Muse. A aplicação do método proposto resultou em 13,42% de erro na classificação das amostras (confusão), 14,49% de erro quadrático médio, 85,21% de sensitividade e 87,95% de especificidade, a partir da utilização de dados adquiridos durante sessões em um simulador de direção.
publishDate 2018
dc.date.none.fl_str_mv 2018-08-08
2022-09-06T19:00:05Z
2022-09-06
2022-09-06T19:00:05Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/26979
XAVIER, Felipe Porge. Classificação do estado de sonolência para motoristas com base em eletroencefalograma, redes neurais artificiais e algoritmos genéticos. 2018. 73 fl. Dissertação (Mestrado em Engenharia Elétrica), Programa de Pós-Graduação em Engenharia Elétrica, Centro de Engenharia Elétrica e Informática, Universidade Federal de Campina Grande - Paraíba - Brasil, 2018.
url http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/26979
identifier_str_mv XAVIER, Felipe Porge. Classificação do estado de sonolência para motoristas com base em eletroencefalograma, redes neurais artificiais e algoritmos genéticos. 2018. 73 fl. Dissertação (Mestrado em Engenharia Elétrica), Programa de Pós-Graduação em Engenharia Elétrica, Centro de Engenharia Elétrica e Informática, Universidade Federal de Campina Grande - Paraíba - Brasil, 2018.
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.publisher.none.fl_str_mv Universidade Federal de Campina Grande
Brasil
Centro de Engenharia Elétrica e Informática - CEEI
PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA
UFCG
publisher.none.fl_str_mv Universidade Federal de Campina Grande
Brasil
Centro de Engenharia Elétrica e Informática - CEEI
PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA
UFCG
dc.source.none.fl_str_mv reponame:Repositório Institucional da UCB
instname:Universidade Católica de Brasília (UCB)
instacron:UCB
instname_str Universidade Católica de Brasília (UCB)
instacron_str UCB
institution UCB
reponame_str Repositório Institucional da UCB
collection Repositório Institucional da UCB
repository.name.fl_str_mv Repositório Institucional da UCB - Universidade Católica de Brasília (UCB)
repository.mail.fl_str_mv sara.ribeiro@ucb.br
_version_ 1834013214358110208

Registros relacionados