خستگی حالت بسیار رایجی است که افراد در طول زندگی تجربه می کنند. به عبارتی هر کس می داند چگونه این حالت برای او رخ می دهد. بسیاری از افراد این احساس را به عنوان "خستگی ذهنی" یا "خواب آلودگی" بیان می کنند. رانندگی بر تاثیرات کم خوابی و خستگی ذهنی، کم بودن توانایی راننده در زمان مواجه با شرایط یا وضعیت های اورژانسی یا اضطراری آسیب‌ وارد می کند. تجزیه و تحلیل فعالیت مغزی و فیزیولوژیکی می‌تواند به درک چگونگی ارائه بازخورد مفید و سیگنال های هشدار یا اعلام خطر به راننده برای اجتناب از تصادفات اتومبیل کمک کند. در این تحقیق، ما خستگی ذهنی یا خواب الودگی را با استفاده از تکنیک های تحلیل EEG مورد تجزیه و تحلیل و بررسی قرار می دهیم. ما در این پروژه از تبدیل موجک به عنوان یک روش استخراج ویژگی که ویژگیهای زمان و فرکانسی را می تواند از سیگنال استخراج کند استفاده کرده ایم. تعداد سطوح استخراج ویژگی با استفاده از تبدیل موجک ۶ سطح بود که ما از ضرایب بدست آمده از سطوح۴ ، ۵و ۶ برای طبقه بندی خستگی ذهنی استفاده کرده ایم. این سطوح بدلیل استخراج فرکانس های معنی دار سیگنال مغزی انتخاب شده اند. سپس از یک معیار به نام تست شاپیرو ویلک جهت کاهش ویژگی ها استفاده کردیم. در نهایت با استفاده از الگوریتم پیشنهادی فازی-عصبی جهت طبقه بندی خستگی ذهنی استفاده شد. به منظور ارزیابی الگوریتم پیشنهادی از الگوریتم ماشین بردار پشتیبان به عنوان یک روش طبقه بندی دیگر استفاده شد. نتایج بدست آمده نشان می دهد که سیستم فازی-عصبی یک شبکه نسبتا مناسب جهت کلاس بندی ویژگی های شناختی خستگی ذهنی است. نوآوری این پروژه استفاده از یک طبقه بندی کننده ترکیبی متشکل از الگوریتم خوشه بندی فازی و شبکه عصبی برای دسته بندی کردن حالت شناختی خستگی ذهنی است.

***

سمیرا افشارمنش، دانشجو کارشناسی ارشد موسسه آموزش عالی زند
سرکارخانم دکتر رضایی، استاد راهنما
جناب آقای دکتر امیرحسین راسخ، استاد مشاور