Beágyazott leírókiválasztó algoritmus tervezése EEG jelen alapuló fáradtságdetektáló modellhez

Napjainkban a közúti balesetek nagy része a vezető fáradtsága okozta hibáknak tudható be. Ez amellett, hogy a hagyományos vezetés biztonságosságát nagymértékben csökkenti, az önvezető autók széleskörű elterjedését is megnehezíti. Éppen ezért, a vezetés automatizálásának folyamatában kulcs szerepet tölt be a vezető fáradtságának megfigyelése és korai észlelése.

A fáradtságnak több releváns mutatója is van, ilyenek a szubjektív önértékelésből, szakember értékeléséből, reakcióidőből és fiziológiai jelekből (EKG, EEG, légzés, stb.) származtatott információk, melyek a gyakorlatban mind nagyméretű leíróvektorokkal (feature-vektor) reprezentálhatók. Ezekben magasfokú redundancia található - hiszen a mérési modalitások ugyanazt a jelenséget, vagy a hozzá kapcsolódó jellemzőket hivatottak leírni –, ami amellett, hogy megnehezíti a feladathoz az egyes gépi tanulással támogatott modellek illeszthetőségét, rontja a feladat áttekinthetőségét és a rendszer későbbi vizsgálhatóságát, fejlesztését. A gyakorlati alkalmazásban a dimenzióredukció emiatt rendkívül fontos szerepet játszik.

Munkám célja egy olyan robosztus leírókiválasztó algoritmus megtervezése és megvalósítása, mely a későbbiekben építőelemként szolgálhat egy fáradtságfelismerő-rendszer fejlesztése során és elősegítheti azt azzal, hogy képes kiemelni a felismerés pontosságához legnagyobb mértékben hozzájáruló leírók halmazát. Tekintve, hogy az irodalomban található leírások alapján, a fáradtságot számszerűsíthetően reprezentáló tulajdonságok származtathatók az EEG-ből, valamint a mérésére használt szenzor felépítéséből adódóan ebből nyerhető a legtöbb, agyi működést reprezentáló leíró, ezzel a fiziológiai jellel dolgozom. A felhasznált publikus adatbázis kétállapotú fáradtság detektálását teszi lehetővé, melyből az irodalomban megjelenő, fáradtság detektálásához alkalmazott EEG leírókat számítom ki. A tervezett leírókiválasztóval szembeni elvárás, hogy segítségével meghatározható legyen az legkisebb méretű leírók részhalmaza, mellyel a kiválasztott neurális háló modell hasonlóan jó teljesítményt tud elérni, mint az összes leíró felhasználásával.

A probléma megoldásához egy SOTA megoldás ihlette beágyazott leírókiválasztó algoritmust tervezek. A módszer egy tetszőleges neurális háló elé illeszthető ún. FeaturePrune rétegen alapszik, melynek súlyai a bemeneti leírókkal pont-pont kapcsolatban állnak, így egy-egy súly a hozzá tartozó leíró fontosságát hivatott képviselni. A FeaturePrune réteg súlyai a modell tanítása során, a neurális hálók tanításának törvényei értelmében, a bemenet fontosságának függvényében változnak. A súlyok iteratívan, meghatározott feltételek teljesülése esetén törlésre kerülnek addig, amíg a kívánt leírószámot el nem érjük. A módszer ezért lehetővé teszi, hogy a detektor háló tanításával egyidőben komplex, nemlineáris összefüggéseket tárjunk fel a leírók között.

Az elvégzett munka magában foglalja a kiindulási pontnak felhasznált módszer működési logikájának célirányos módosítását, a fiziológiás idősorok pillanatnyi leíróinak kinyerését, végül a tanítások teljesítményének kértékelését. Az elért eredmények az eredeti és a redukált leírók halmazán tanított detektor modellek teljesítményének összehasonlítása mellett a választott leírók irodalmilag alátámasztott hitelessége szerint kerülnek kiértékelésre.

szerző

• 
  Bencsik Blanka
  Villamosmérnöki szak, alapképzés
  alapképzés (BA/BSc)
  

konzulensek

• 
  Reményi István
  Vezető Mérnök, Robert Bosch Kft. (külső)
• 
  Dr. Szemenyei Márton
  Adjunktus, Irányítástechnika és Informatika Tanszék

helyezés