Automatic detection of driver's abnormal state based on physiological signals

Kuljettajan epänormaali tila, joka vaikuttaa hänen ympäristönsä havainnointiin, päätöksentekoon ja toimintaan, on yksi suurimmista liikenneonnettomuuksien syistä. Fysiologisia signaaleja, jotka heijastavat kuljettajan sisäistä tilaa, käytetään poikkeavuuksien havaitsemiseen. Aika- ja taajuusalueen piirteitä käytetään yleisesti kuljettajan tilan tutkimiseen, mutta ne ovat herkkiä jälkiäänelle eivätkä erota signaalien monimutkaisuutta. Lisäksi korkea ajallinen resoluutio on tarpeen kuljettajan tilan muutoksen havaitsemiseksi ja analysoimiseksi tiettynä aikana, mutta se lisää näkörataa ja saattaa vähentää laskennallista tehokkuutta. Pitkäkestoisen ajon aikana pitkäaikainen ajallinen riippuvuus on myös elintärkeää kuljettajan poikkeavan tilan automaattiselle havaitsemiselle. Näköradan optimointiin liittyy kuitenkin vaikeuksia, kun otetaan huomioon fysiologisten signaalien aikavaativuus ja automaattinen kuljettajan poikkeavan tilan havaitseminen suhteessa pitkän aikavälin kontekstitietoon. Tämä väitöskirja keskittyy edellä mainittuihin haasteisiin ja ehdottaa kuljettajan poikkeavan tilan havaitsemista fysiologisten signaalien moniskaalaentropian ja kaksisuuntaisen pitkäaikaisen lyhyen aikavälin muistin verkoston avulla. Artikkeli I tutkii elektroenkefalografian (EEG) moniskaalaentropian avulla suhteellisia aikaskaaloja käyttäen aivojen monimutkaisuutta ja informaatiokorvaustapaa ominaisuuksien välillä häiriön havaitsemiseksi. Artikkeli II tutkii moniskaalaentropian vaihtelumalleja ja ottaa huomioon pitkäaikaisen riippuvuuden ominaisuuksissa kaksisuuntaisen pitkäaikaisen lyhyen aikavälin muistin avulla häiriön havaitsemiseksi. Artikkeli III tutkii sopivaa näkörataa laskemalla moniskaalaentropiaa absoluuttisilla aikaskaaloilla ja häiriötietoa useissa fysiologisissa signaaleissa häiriön havaitsemiseksi. Artikkelit II ja III analysoivat myös käyttäytymis-signaaleja varmistaakseen häiriön aiheuttamat muutokset ajosuorituksessa. Artikkelissa IV esitetään monitieteellinen tunteidentunnistuskehys, joka perustuu sulautettuihin entropioihin ja kaksisuuntaiseen pitkäaikaiseen lyhyen aikavälin muistiin, jotta voidaan integroida eri piirteiden edut ja oppia EEG:n kontekstitietoa.