선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 논문에서는 뇌파를 이용하여 운전자의 졸음을 감지하기 위하여 스펙트럼 분석을 통하여 알파파와 세타파를 이용하여 분석하였다. 이를 통해 졸음의 시작단계에서 피험자가 눈을 감을 시기에 후두부 알파파가 급격히 증가하다 떨어지는 것과 동시에 세타파가 줄현하여 점차 증가하는 현상을 캠을 통한 육안검사 결과와 일치하는 것을 확인하였다.
- 무엇보다도 파라미터 기반 신호 분석 방법으로 특징벡터의 정량적 데이터베이스를 만들 수 있고 알고리듬의 효율성과 단순성으로 인하여 실시간 시스템에 적합하다[16, 17]. 본 논문에서는 이러한 AR 모델의 장점이 뇌파신호의 특징벡터를 추출하는데 적합하다고 판단하여 AR 기반 선형예측(Linear Predictive coding, LPC) 계수와 MLP(Multi-Layer Perceptron) 네트워크를 이용한 운전자의 상태별 뇌파 판별 시스템을 제안한다.
가설 설정
- LPC는 현재 파형은 과거 값과 가중치의 곱을 합하여 추정될 수 있다는 것을 가정으로 한다. 전달 특성 필터는 All-pole 모델을 사용하여 식(1)과 같이 차분 방정식의 형태로 나타낼 수 있다.
제안 방법
- HoriH 기준에 의하면 각성상태에서 수면초기상태(sleep stagel)로 진입시 눈의 깜빡임이 둔화되며 후두부의 알파파(8T3Hz)의 활동이 줄어들고 세타파 (4-7Hz)가 전반적으로 출현한다[6-11]. 2명의 검사자가 동영상 육안검사를 통하여 피험자의 눈깜빡임을 모니터링 하였으며 피험자의 졸음이 오는 시간과 뇌파를 동기화하였다, 본 논문에 적용될 각성, 졸음, 수면의 세가지 상태에 대한 데이터 세그멘테이션 기준은 다음과 같다[12-14].
- 구축하였다. 구축된 데이터베이스를 바탕으로 학습과 테스트를 위한 데이터 설정은 특징 추출 알고리즘으로부터 추출한 특징 벡터의 70%를 학습 데이터로 30%를 테스트 데이터로 나누었고 최상의 학습 모델 선정과 학습 과정에서 조기 중단 (Early stopping)을 결정하기 위해 학습 데이터 집합의 하위 집합인 모델을 검증하는 데이터 집합을 나누었다. 제안한 시스템에서는 Kearns의 권장사항으로 학습 데이터의 20%를 검증을 위한 데이터로 나누었다[20].
- 만들었다. 구축된 데이터집합을 LPC 분석을 통해 LPC 계수를 8차로 하여 각 상태별 LPC 계수를 추출하였다. LPC 계수가 피험자의 각성상태, 졸음상태, 수면 상태를 구분 지을 수 있는 정량화된 특징벡터인지 판단하기 위하여 상태별 LPC Envelop을 그림 6에 나타내었다.
- MLP 신경망을 구성하는데 있어서 은닉 층의 뉴런 개수를 10개부터 3개까지 줄여가면서 실험하였고 그 결과 은닉 층의 뉴런 개수가 5개 이하부터는 분류 성능이 점점 줄어드는 것을 확인하였다. 그러므로 본 논문에서는 신경회로망의 크기의 최적화와 운전자 상태 분류 성능의 극대화를 동시에 만족시키는 은닉 층의 뉴런 개수를 6개로 결정하였다. 학습 알고리즘 (learning algorithm)은 비교적 성능이 뛰어나다고 알려진 Scaled conjugated gradient 알고리즘을 이용하였고 정 확한결과를 얻었다[19].
- 다음은 AR특징 벡터의 특징 중 하나인 적은 샘플수를 가지고도 높은 해상도를 가지는 것을 확인하기 위하여 차수를 12차로 고정시킨 후 데이터를 2초, 0.25초, 0.5초로 나누어 분류실험을 진행하였고 분류결과를 표 4에 나타내었다. 참고로 80km/h로 달리는 승용차의 제동거리는 1초일 때 22m, 0.
- 동영상 분석과 알파파와 세타파의 분석을 통하여 측정데이터를 각성상태, 졸음상태, 수면상태로 분류하여 데이터 집합을 만들었다. 구축된 데이터집합을 LPC 분석을 통해 LPC 계수를 8차로 하여 각 상태별 LPC 계수를 추출하였다.
- 이를 통해 졸음의 시작단계에서 피험자가 눈을 감을 시기에 후두부 알파파가 급격히 증가하다 떨어지는 것과 동시에 세타파가 줄현하여 점차 증가하는 현상을 캠을 통한 육안검사 결과와 일치하는 것을 확인하였다. 또한 각성 상태, 졸음 상태, 수면 상태를 구분 짓기 위하여 LPC 분석방법을 제안 하였다. LPC Envelop을 통해 LPC 계수가 각 상태별 신호의 대표성을 가진다는 것을 확인하였고 신경회로망과의 결합을 통해 높은 분류 결과를 보였다 기존의 뇌파 분석 연구에서 전체 스펙트럼 분석 또는 알파파, 베타파, 세타파, 감마파와 같은 주파수 대역별 분석을 통해 상태별 특징벡터 추출에 국한되었다면 본 연구에서 시도된 AR (Autoregressive) 모델기반 LPC 분석을 통해 추정된 LPC 계수는 각성 상태, 졸음 상태, 수면 상태를 확실히 구분 하였고 스펙트럼 분석보다 더 정량화된 특징 벡터를 얻는다.
- 신경회로망 기반의 감지 시스템에 적절한 특징 벡터를 선정하기 위하여 각기 운전자로부터 뇌파 신호를 취득하였고 LPC 분석으로부터 추출한 계수를 MLP 신경회로망의 입력 특징벡터로 하여 샘플크기에 따른 분류 결과를 비교분석하였다.
- 근래의 졸음 연구에 따르면 운전 시 졸음은 운전자가 각성상태를 유지하려고 노력하는 점에서 일반적인 졸음 연구와 차이가 있었고 운전시의 발생하는 각성과 졸음 상태의 천이 단계는 Hori's 수면 1단계와 깊은 연관이 있다는 것을 보였다[12-14]. 이러한 연구결과를 토대로 본연구는 뇌파분석이 운전자의 졸음상태를 근본적으로 분석하기에 적합하다고 판단하여 실험 프로토콜을 바탕으로 상태별 뇌파를 측정하고 분석하였다.
- 구축된 데이터베이스를 바탕으로 학습과 테스트를 위한 데이터 설정은 특징 추출 알고리즘으로부터 추출한 특징 벡터의 70%를 학습 데이터로 30%를 테스트 데이터로 나누었고 최상의 학습 모델 선정과 학습 과정에서 조기 중단 (Early stopping)을 결정하기 위해 학습 데이터 집합의 하위 집합인 모델을 검증하는 데이터 집합을 나누었다. 제안한 시스템에서는 Kearns의 권장사항으로 학습 데이터의 20%를 검증을 위한 데이터로 나누었다[20]. 논문에서 적용한 MLP 신경회로망설계 및 학습은 Math Works 사 Matlab 7.
- 제안한 알고리즘에 의해 추출된 각각의 특징 벡터의 분류 성능을 판단하기 위하여 그림 2에서 보는 바와 같이 무향실에서 여러 가지 방향 신호를 보는 피험자로부터 뇌파가 취득되었으며, 이 취득된 데이터를 바탕으로 특징 벡터를 추출하여 데이터베이스를 구축하였다. 구축된 데이터베이스를 바탕으로 학습과 테스트를 위한 데이터 설정은 특징 추출 알고리즘으로부터 추출한 특징 벡터의 70%를 학습 데이터로 30%를 테스트 데이터로 나누었고 최상의 학습 모델 선정과 학습 과정에서 조기 중단 (Early stopping)을 결정하기 위해 학습 데이터 집합의 하위 집합인 모델을 검증하는 데이터 집합을 나누었다.
데이터처리
- 학습 알고리즘 (learning algorithm)은 비교적 성능이 뛰어나다고 알려진 Scaled conjugated gradient 알고리즘을 이용하였고 정 확한결과를 얻었다[19]. 학습 정도는 학습 횟수(epochs)보다 표준오차 평균(MSE: mean squared error)를 우선으로 하여 학습 임계값을 1.00E-05로 정하였다. 또한 300번 이상의 학습에도 불구하고 수렴하지 못하면 자동으로 학습 종료를 시켰다.
이론/모형
- 제안한 시스템에서는 Kearns의 권장사항으로 학습 데이터의 20%를 검증을 위한 데이터로 나누었다[20]. 논문에서 적용한 MLP 신경회로망설계 및 학습은 Math Works 사 Matlab 7.6.0 의 Neural Network Toolbox를 이용하였다. 본 실험은 아래의 두 가지 방향으로 진행하였다.
- 또한 은닉 층 뉴런 개수는 해결하고자 하는 문제에 따라 뉴런 개수의 최적화가 달라지기 때문에 시스템에 맞게 적절한 은닉 뉴런 개수를 선정해야 한다[20]. 본 논문에서는 신경회로망의 크기를 최적화하기 위해 은닉 층의 개수를 범용 근사화 이론 (universal approximation)에 따라 1개로 설정하였다. MLP 신경망을 구성하는데 있어서 은닉 층의 뉴런 개수를 10개부터 3개까지 줄여가면서 실험하였고 그 결과 은닉 층의 뉴런 개수가 5개 이하부터는 분류 성능이 점점 줄어드는 것을 확인하였다.
- 본 연구에서는 각성상태와 졸음상태에 대한 정의를 Hori's 기준에 맞추었다. HoriH 기준에 의하면 각성상태에서 수면초기상태(sleep stagel)로 진입시 눈의 깜빡임이 둔화되며 후두부의 알파파(8T3Hz)의 활동이 줄어들고 세타파 (4-7Hz)가 전반적으로 출현한다[6-11].
- 여기서Φn(i,j)는 LPC 방정식이라 부르며 본 논문은 이 방정식의 해인 p개의 aj를 구하기 위하여 Durbin 알고리즘을 이용하였다.
- 그러므로 본 논문에서는 신경회로망의 크기의 최적화와 운전자 상태 분류 성능의 극대화를 동시에 만족시키는 은닉 층의 뉴런 개수를 6개로 결정하였다. 학습 알고리즘 (learning algorithm)은 비교적 성능이 뛰어나다고 알려진 Scaled conjugated gradient 알고리즘을 이용하였고 정 확한결과를 얻었다[19]. 학습 정도는 학습 횟수(epochs)보다 표준오차 평균(MSE: mean squared error)를 우선으로 하여 학습 임계값을 1.
성능/효과
- 또한 각성 상태, 졸음 상태, 수면 상태를 구분 짓기 위하여 LPC 분석방법을 제안 하였다. LPC Envelop을 통해 LPC 계수가 각 상태별 신호의 대표성을 가진다는 것을 확인하였고 신경회로망과의 결합을 통해 높은 분류 결과를 보였다 기존의 뇌파 분석 연구에서 전체 스펙트럼 분석 또는 알파파, 베타파, 세타파, 감마파와 같은 주파수 대역별 분석을 통해 상태별 특징벡터 추출에 국한되었다면 본 연구에서 시도된 AR (Autoregressive) 모델기반 LPC 분석을 통해 추정된 LPC 계수는 각성 상태, 졸음 상태, 수면 상태를 확실히 구분 하였고 스펙트럼 분석보다 더 정량화된 특징 벡터를 얻는다. LPC 분석은 단시간 샘플에 대해서 스펙트럼분석보다 높은 해상도를 가지기 때문에 향후 차량에 적용할 때 운전자의 졸음에 대한 빠른 응답과 빠른 경고조치를 취할 수 있을 것이다.
- 본 논문에서는 신경회로망의 크기를 최적화하기 위해 은닉 층의 개수를 범용 근사화 이론 (universal approximation)에 따라 1개로 설정하였다. MLP 신경망을 구성하는데 있어서 은닉 층의 뉴런 개수를 10개부터 3개까지 줄여가면서 실험하였고 그 결과 은닉 층의 뉴런 개수가 5개 이하부터는 분류 성능이 점점 줄어드는 것을 확인하였다. 그러므로 본 논문에서는 신경회로망의 크기의 최적화와 운전자 상태 분류 성능의 극대화를 동시에 만족시키는 은닉 층의 뉴런 개수를 6개로 결정하였다.
- M Yeo 논문에서는 10초(2560 samples) 길이의 신호를 이용한 졸음검출 시스템을 제안한 것에 비교하여 분류 결과 측면뿐만 아니라 적은 샘플을 가지고도 상당히 우수한 결과이다. 두 가지 실험에 의하여 제안 시스템이 짧은 순간에 일어날 수 있는 운전 시 돌발 상황을 실시간으로 검출 가능하다는 것을 확인하였다.
- 제안 시스템을 차량에 적용하기 위하이 데이터의 크기는 상당히 중요하다. 실험결과 0.25초까지 실험 데이터를 줄여도 안정적인 분류 결과를 보였다. 이는 2009, V.
- 연구결과를 발표하였다[6]. 운전자는 정신적 피로감이 증가할 때 높은 각성 상태를 유지할 수 없으며 이는 뇌파의 알파와 세타파의 활동량의 일관된 변화와 상관관계가 높다는 것을 보였다. 뇌파분석은 주로 스펙트럼 성분들의 변화를 관찰하는 연구가 주로 진행되었으며 많은 연구자들이 스펙트럼 분석을 기반으로 하여 뇌파의 델타파, 세타파, 알파파, 베타파와 운전 중 졸음의 상호연관관계를 발견하였다[7-11].
- 분석하였다. 이를 통해 졸음의 시작단계에서 피험자가 눈을 감을 시기에 후두부 알파파가 급격히 증가하다 떨어지는 것과 동시에 세타파가 줄현하여 점차 증가하는 현상을 캠을 통한 육안검사 결과와 일치하는 것을 확인하였다. 또한 각성 상태, 졸음 상태, 수면 상태를 구분 짓기 위하여 LPC 분석방법을 제안 하였다.
후속연구
- LPC Envelop을 통해 LPC 계수가 각 상태별 신호의 대표성을 가진다는 것을 확인하였고 신경회로망과의 결합을 통해 높은 분류 결과를 보였다 기존의 뇌파 분석 연구에서 전체 스펙트럼 분석 또는 알파파, 베타파, 세타파, 감마파와 같은 주파수 대역별 분석을 통해 상태별 특징벡터 추출에 국한되었다면 본 연구에서 시도된 AR (Autoregressive) 모델기반 LPC 분석을 통해 추정된 LPC 계수는 각성 상태, 졸음 상태, 수면 상태를 확실히 구분 하였고 스펙트럼 분석보다 더 정량화된 특징 벡터를 얻는다. LPC 분석은 단시간 샘플에 대해서 스펙트럼분석보다 높은 해상도를 가지기 때문에 향후 차량에 적용할 때 운전자의 졸음에 대한 빠른 응답과 빠른 경고조치를 취할 수 있을 것이다. 본 연구의 향후 과제는 더 많은 피험자집단에 대한 데이터베이스구축, 무선 뇌파센서를 이용한 데이터 취득, 차량 안에서 발생되는 노이즈 제거 등 실제 운전자에게 적용할 수 있는 시스템을 구축하는 것이다.
- LPC 분석은 단시간 샘플에 대해서 스펙트럼분석보다 높은 해상도를 가지기 때문에 향후 차량에 적용할 때 운전자의 졸음에 대한 빠른 응답과 빠른 경고조치를 취할 수 있을 것이다. 본 연구의 향후 과제는 더 많은 피험자집단에 대한 데이터베이스구축, 무선 뇌파센서를 이용한 데이터 취득, 차량 안에서 발생되는 노이즈 제거 등 실제 운전자에게 적용할 수 있는 시스템을 구축하는 것이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.