تشخيص استرس برمبناي همجوشي سيگنال هاي فيزيولوژيكي چندگانه با استفاده از نظريه شواهد دمپستر- شفر

Stress Detection Based on Fusion of Multimodal Physiological signals using Dempster-Shafer Evidence Theory

تشخيص و كنترل سطح استرس در رانندگان به ­منظور كاهش خطرات ناشي از آن، از اهميت ويژه­اي برخوردار است. در اين مطالعه سيستمي براي تشخيص چهار سطح استرس كم، متوسط، زياد و خيلي زياد در رانندگان براساس سيگنال­ هاي فيزيولوژيكي ارائه شده است. در روش پيشنهادي از پايگاه داده­ drivedb استفاده شده كه شامل ثبت سيگنال ­هاي فيزيولوژيكي از هفده نفر داوطلب سالم هنگام رانندگي در مسيرهاي مشخص از جمله خيابان­هاي شهر و بزرگراه است. مجموعه ­اي از ويژگي­ هاي آماري و آنتروپي به­ همراه ويژگي­هاي ريخت­ شناسي كه فقط براي سيگنال ECG محاسبه شدند، به ­كار رفته است. ويژگي­ هاي تعيين شده به ­عنوان ورودي واحدهاي طبقه ­بندي براي تشخيص سطوح استرس اعمال شدند. ماشين بردار پشتيبان (SVM)، k نزديكترين همسايه (kNN) و درخت تصميم (DT) به­عنوان روش­هاي طبقه ­بندي مورد ارزيابي قرار گرفتند. هدف اصلي اين مطالعه، بهبود دقت تشخيص سطوح استرس با استفاده از ايده همجوشي در سطح نتايج واحدهاي طبقه ­بندي است. به ­اين منظور تركيب واحدهاي طبقه ­بندي منفرد، كه هركدام تنها از ويژگي ­هاي يكي از سيگنال ­هاي قلبي (ECG)، عضلات (EMG) و هدايت پوست (GSR) بهره گرفتند، توسط روش دمپستر-شفر انجام شد. با انتخاب ويژگي­هاي مؤثر با الگوريتم ژنتيك، طبقه ­بندي كننده SVM و روش همجوشي دمپستر-شفر، بهترين دقت تشخيص سطوح استرس برابر با 96/9 درصد به ­دست آمد. در حالي­كه بالاترين دقت تشخيص بين طبقه­ بندهاي منفرد 75 درصد بود و توسط زير سيستمي كه از ويژگي هاي سيگنال ECG استفاده كرده بود به­ دست آمد. نتايج به­ دست آمده عملكرد قابل توجه روش پيشنهادي را نسبت به مطالعات گذشته كه از مجموعه داده مشابه استفاده كرده ­اند، نشان مي­ دهد.

Detecting and controlling stress levels in drivers is especially important to reduce the potential risks while driving. Accordingly, in this study, a detection system was presented to identify four levels of stress (low, neutral, high and very high) in drivers based on physiological signals. The proposed method used the drivedb database, which includes the recording of physiological signals from 17 healthy volunteers while driving on specific routes on city streets and highways. A set of statistical and entropy features along with morphological features that were calculated only for the ECG signals, were used. The calculated features were applied as inputs to the classification units to detect stress levels. Support vector machine (SVM), k nearest neighbors (kNN) and decision tree (DT) were evaluated as classification methods. The main purpose of this study was to improve the accuracy of stress level detectionusing the idea of classifiers fusion. To achieve this goal, the combination of individual classification units, each of which used only the features of one of the ECG, EMG and GSR signals, was performed by the Demster-Shafer method. Using genetic algorithm as feature selection method, SVM classifier and Dempster-Shafer fusion strategy, the best stress detection accuracy of 96.9% was obtained. While the highest detection accuracy among individual classifiers was 75% and obtained by a subsystem that used ECG features.The results show significant performance of the proposed method compared to previous studies that used the same dataset.