[논문]비접촉식 심전도 신호를 이용한 운전자 졸음 검출 시스템

최민호; 정재진; 김상우

문제 정의

SVM은 집단 사이의 margin을 최대화 하는 방향으로 분류 경계를 정하는 기법으로 두 가지 집단을 분류하는 이진분류문제에 있어서 높은 정확도를 갖는다 [7]. 또한 SVM은 분류를 위해 고차원의 특징으로 이루어진 벡터를 사용할 수 있기 때문에 SVM을 해당 시스템에서 이용하고자 하였다.
본 논문을 비접촉식 심전도를 활용하여 운전자의 졸음을 검출하는 실용적인 시스템을 제안하였다. 이를 위해 실내에 운전석과 유사한 가상의 주행환경을 구성하고 의자에 비접촉식 심전도 센서를 결합하여 실험자의 심전도를 측정하였다.
이러한 방법에 비하여 높은 정확도와 적은 환경의 영향 그리고 사전 검출이 가능하다는 장점을 가진 생체 신호 기반의 방법들도 제안이 되었으나 생체 신호의 측정을 위해 운전자의 몸에 별도의 장비를 부착하여야 한다는 점이 실용성의 한계로 지적되었다. 하지만 최근 센서 기술의 발달로 심전도를 비접촉식으로 측정할 수 있게 되었고 본 연구에서는 비 접촉식 심전도 센서를 이용하여 실용성과 검출 정확도가 높은 졸음 감지 시스템을 개발하고자 한다.

제안 방법

비접촉식 센서로 측정된 심전도 신호는 기존의 심전도 신호에 비하여 신호의 감도가 낮고 잡음에 영향을 많이 받는다. 따라서 본 시스템은 비접촉식 심전도 신호에 알맞고 잡음에 영향을 덜 받는 특징들을 추출 및 선택하고 support vector machine (SVM)을 이용한 졸음검출을 수행 한다. 실험은 실내에 가상의 운전 환경을 구성하여 수행 되었으며 10명의 실험자를 통한 실험의 결과, 실험자 개개인의 데이터를 사용해서는 평균 91.
실험은 각 특징 벡터에 따라서 50번 반복하여 검출율의 평균을 최종적인 검출율로 산출하였다. 또한 실험은 학습과 졸음 검출 테스트를 동일한 실험자의 데이터로 수행하는 10명의 실험자에 대한 10번의 실험과 모든 실험자의 데이터를 이용하는 실험으로 나누어 수행하였다.
실제로 자동차 주행 중에 심전도를 측정하여 졸음을 검출하는 것은 안전상의 문제가 발생하므로 실내에서 의자에 비접촉식 심전도 측정 시스템을 구현하고 그림 1과 같이 가상으로 구성된 주행 상황에서 각성과 졸음 상태가 모두 측정 될 수 있도록 3시간 동안 심전도를 측정하였다. 또한 운전자의 졸음에 대한 정보를 알기위해 카메라를 설치하여 실험자의 각성과 졸음 상태를 구분하였다.
실제로 자동차 주행 중에 심전도를 측정하여 졸음을 검출하는 것은 안전상의 문제가 발생하므로 실내에서 의자에 비접촉식 심전도 측정 시스템을 구현하고 그림 1과 같이 가상으로 구성된 주행 상황에서 각성과 졸음 상태가 모두 측정 될 수 있도록 3시간 동안 심전도를 측정하였다. 또한 운전자의 졸음에 대한 정보를 알기위해 카메라를 설치하여 실험자의 각성과 졸음 상태를 구분하였다.
실험은 우선 그림 1과 같은 유사 주행 상황에서 측정된 비접촉식 심전도 신호를 측정자의 상태에 따라 졸음과 각성 상태일 때의 심전도 신호로 분류하였다. 그 후 각 심전도 신호에서 이용하고자 하는 특징들을 추출하여 특징 벡터를 구성하고, 구성된 데이터의 70%를 SVM을 학습시키는 데에 사용하고 나머지 30%의 데이터를 졸음 검출의 정확도를 확인하기 위한 테스트 데이터로 사용하였다.
따라서 특징 1, 2, 3, 16, 17이 졸음 검출을 위한 주요 특성으로 사용 될 가능성이 높다고 할 수 있다. 위의 결과를 바탕으로 모든 구간에서 0.001 이하의 값을 갖지 않은 특징 4, 5, 6, 14를 제외하고 특징 1, 2, 3, 16, 17을 중심으로 그리고 특징 7, 8, 9, 10, 11, 12, 13, 15, 18, 19를 일부 조합하여 고차원의 특징 벡터를 구성하였고 이를 통해 졸음 검출 시스템을 구성하고자 하였다.
특징을 추출하기 위한 신호의 길이를 달리하여 각 특징들에 대하여 t-test를 수행한 결과는 표2와 같다. 이때 추출 시간은 졸음 검출의 특성 상 온라인 검출을 필요로 하므로 이에 알맞게 30초 이내의 짧은 신호 구간을 고려하였다.
본 논문을 비접촉식 심전도를 활용하여 운전자의 졸음을 검출하는 실용적인 시스템을 제안하였다. 이를 위해 실내에 운전석과 유사한 가상의 주행환경을 구성하고 의자에 비접촉식 심전도 센서를 결합하여 실험자의 심전도를 측정하였다. 그리고 측정된 비접촉식 심전도 센서에 알맞은 특징들을 추출 한 후 t-test를 통해 졸음 검출에 사용할 특징들을 선택하였다.
따라서 비접촉식 심전도를 졸음 검출에 이용하기 위해서는 낮은 신호감도에서도 추출 가능한 특성을 사용하여야 한다. 이를 위해 심전도 신호에서 가장 두드러지게 나타나는 R 파를 기반으로 한 특성들을 표 1과 같이 추출하였다.

대상 데이터

실험은 우선 그림 1과 같은 유사 주행 상황에서 측정된 비접촉식 심전도 신호를 측정자의 상태에 따라 졸음과 각성 상태일 때의 심전도 신호로 분류하였다. 그 후 각 심전도 신호에서 이용하고자 하는 특징들을 추출하여 특징 벡터를 구성하고, 구성된 데이터의 70%를 SVM을 학습시키는 데에 사용하고 나머지 30%의 데이터를 졸음 검출의 정확도를 확인하기 위한 테스트 데이터로 사용하였다. 실험은 각 특징 벡터에 따라서 50번 반복하여 검출율의 평균을 최종적인 검출율로 산출하였다.

데이터처리

19개의 특징들 중에 졸음 검출에 적합한 특징을 가려내기 위하여 t-test를 이용하였다. T-test는 두 집단 간의 통계적인 유사성을 분석하는 기법으로 두 집단에 대하여 t-test를 수행하였을 때 p 값이 작을수록 두 집단이 통계적으로 분리되어 있다고 말할 수 있다.
이를 위해 실내에 운전석과 유사한 가상의 주행환경을 구성하고 의자에 비접촉식 심전도 센서를 결합하여 실험자의 심전도를 측정하였다. 그리고 측정된 비접촉식 심전도 센서에 알맞은 특징들을 추출 한 후 t-test를 통해 졸음 검출에 사용할 특징들을 선택하였다. 졸음 검출을 위한 분류기로는 SVM을 사용하여 10명의 실험자를 대상으로 각 실험자의 데이터에 대해서는 평균 91.
그 후 각 심전도 신호에서 이용하고자 하는 특징들을 추출하여 특징 벡터를 구성하고, 구성된 데이터의 70%를 SVM을 학습시키는 데에 사용하고 나머지 30%의 데이터를 졸음 검출의 정확도를 확인하기 위한 테스트 데이터로 사용하였다. 실험은 각 특징 벡터에 따라서 50번 반복하여 검출율의 평균을 최종적인 검출율로 산출하였다. 또한 실험은 학습과 졸음 검출 테스트를 동일한 실험자의 데이터로 수행하는 10명의 실험자에 대한 10번의 실험과 모든 실험자의 데이터를 이용하는 실험으로 나누어 수행하였다.

성능/효과

다양한 길이의 신호와 그에 대한 여러 특징들을 표 2의 결과를 참고 하여 조합한 후 실험에 사용한 결과, 가장 높은 검출 정확도를 보인 특징들의 조합은 30초의 심전도 신호에서 추출 된 특징 1, 2, 3, 7, 9, 16, 17의 조합이었다. 그리고 해당 특징들을 SVM의 입력으로 하여 졸음을 검출한 결과, 동일한 실험자에 대한 실험에서 평균 졸음 검출 정확도는 91.25 % 그리고 모든 실험자의 데이터를 바탕으로 진행한 실험에서는 81.29 %의 정확도를 보였다.
다양한 길이의 신호와 그에 대한 여러 특징들을 표 2의 결과를 참고 하여 조합한 후 실험에 사용한 결과, 가장 높은 검출 정확도를 보인 특징들의 조합은 30초의 심전도 신호에서 추출 된 특징 1, 2, 3, 7, 9, 16, 17의 조합이었다. 그리고 해당 특징들을 SVM의 입력으로 하여 졸음을 검출한 결과, 동일한 실험자에 대한 실험에서 평균 졸음 검출 정확도는 91.
따라서 본 시스템은 비접촉식 심전도 신호에 알맞고 잡음에 영향을 덜 받는 특징들을 추출 및 선택하고 support vector machine (SVM)을 이용한 졸음검출을 수행 한다. 실험은 실내에 가상의 운전 환경을 구성하여 수행 되었으며 10명의 실험자를 통한 실험의 결과, 실험자 개개인의 데이터를 사용해서는 평균 91.25 %, 모든 실험자의 데이터를 바탕으로 한 실험에서는 81.29 %의 정확도를 보였다.
그리고 측정된 비접촉식 심전도 센서에 알맞은 특징들을 추출 한 후 t-test를 통해 졸음 검출에 사용할 특징들을 선택하였다. 졸음 검출을 위한 분류기로는 SVM을 사용하여 10명의 실험자를 대상으로 각 실험자의 데이터에 대해서는 평균 91.25 % 그리고 모든 실험자의 데이터를 대상으로는 81.29 %의 졸음 검출 정확도를 달성하였다.

후속연구

따라서 졸음 검출의 정확도를 높이고 좀 더 범용성 있는 졸음 검출 시스템을 만들기 위해서 각 개인의 차이를 고려한 시스템을 구성하여야 한다. 또한 본 논문에서 제안된 특징들 이외에 졸음과 각성을 명확하게 구분 지을 수 있는 다른 특징들을 고안하여 사용한다면 더 높은 정확도의 시스템을 구성하는 것이 가능할 것이다.

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

비접촉식 심전도 신호를 이용한 운전자 졸음 검출 시스템
Drivers' Drowsiness Detection System using the ECG measured by Non Contact Sensors 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

성능/효과

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

비접촉식 심전도 신호를 이용한 운전자 졸음 검출 시스템 Drivers' Drowsiness Detection System using the ECG measured by Non Contact Sensors 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

성능/효과

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

비접촉식 심전도 신호를 이용한 운전자 졸음 검출 시스템
Drivers' Drowsiness Detection System using the ECG measured by Non Contact Sensors 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper