بررسي تغييرات ريتم آلفا به منظور رديابي خستگي ذهني راننده در روي شبيه ساز رانندگي

Investigating EEG Alpha Variations for Mental Fatigue Detection on Car Driving Simulator

مقدمه: خستگي ذهني يكي از علل اصلي حوادث جاده اي است. بيش از 30 درصد حوادث به علت خواب آلودگي و خستگي راننده اتفاق مي افتد، لذا شناسايي ابزارها و روش هايي به منظور تشخيص زود هنگام خستگي و خواب آلودگي از اهميت بسياري در پيشگيري از حوادث برخورداراست. در اين ميان استفاده از روش هاي بيولوژيكي مانند EEG مي تواند از معتبرترين روش ها باشد. مواد و روش ها: مطالعه حاضر به روش توصيفي-تحليلي در روي 19 نفر از رانندگان سواري مرد انجام گرديد. به منظور القاي بيشتر خستگي از رانندگان خواسته شد كه حداقل 18 ساعت قبل از آزمايش نخوابند و 12 ساعت پيش از آن از خوردن نوشيدني هاي كافيين-دار و مواد محرك خودداري نمايند. وضعيت خواب رانندگان از طريق فرم يادداشت خواب از يك هفته قبل كنترل مي شد. رانندگان مي-بايست يك جاده 110 كيلومتري را با سرعت 90 كيلومتر در ساعت با حفظ مسير حركت طي كنند. ميزان خستگي ذهني در هر 10 دقيقه با مقياس خواب آلودگي كرولينسكا ثبت مي شد. همچنين ارزشيابي ويديويي از چهره راننده از لحاظ خستگي در هر 10 دقيقه توسط دو نفر از پژوهشگران آموزش ديده انجام مي شد. در طول رانندگي روي شبيه ساز، امواج مغزي با 16 كانال ثبت مي شد. پس از فيلتركردن و حذف سيگنال هاي مزاحم، توان نسبي و مطلق آلفا در كانال هاي مختلف محاسبه گرديد. سپس از آمار توصيفي و ضريب همبستگي اسپيرمن و آزمون تي زوجي براي آزمون همبستگي و مقايسه ميانگين ها در 10 دقيقه ابتدايي و انتهايي رانندگي استفاده شد. يافته ها: اين مطالعه نشان داد كه بين ميزان خودارزيابي خستگي در 10 دقيقه ابتدايي و انتهايي مسير اختلاف معنادار وجود داشت(001/0 > P). اين امر در مورد ارزشيابي ويديويي نيز صدق مي كرد. ميانگين توان مطلق آلفا در 10 دقيقه انتهايي نسبت به 10 دقيقه ابتدايي مسير افزايش معنادار داشت(001/0 > P) ، در حالي كه توان نسبي آلفا در 10 دقيقه انتهايي نسبت به 10 دقيقه ابتدايي مسير تفاوتي نداشت. نتيجه گيري: خستگي ذهني راننده يكي از مشكلات بسيار مهم رانندگان از ديدگاه ايمني جاده به حساب مي آيد. اين مطالعه حاكي است كه امواج مغزي و بويژه توان مطلق آلفا مي تواند شاخص خوبي براي پيش بيني زودهنگام خستگي ذهني راننده باشد.

Introduction: Driver fatigue is one of the major causes of accidents in roads. It is suggested that driver fatigue and drowsiness accounted for more than 30% of road accidents. Therefore, it is important to use features for real-time detection of driver mental fatigue to minimize transportation fatalities. The purpose of this study was to explore the EEG alpha power variations in sleep deprived drivers on a car driving simulator. Materials and Methods: The present descriptive-analytical study was achieved on nineteen healthy male car drivers. After taking informed written consent, the subjects were requested to stay awake 18 hrs before the experiments and refrain from caffeinated drinks or any other stimulant as well as cigarette smoking for 12 hrs prior to the experiments. The drivers sleep patterns were studied through sleep diary for one week before the experiment. The participants performed a simulated driving task in a 110 Km monotonous route at the fixed speed of 90 km/hr. The subjective self-assessment of fatigue was performed in every 10 minute interval during the driving using Karolinska Sleepiness Scale (KSS). At the same time, video recordings from the drivers face and their behaviors were achieved in lateral and front views and rated by two trained observers. Continuous EEG and EOG records were taken with 16 channels during driving. After filtering and artifact removal, power spectrum density and fast Fourier transform (FFT) were used to determine the absolute and relative alpha powers in the initial and final 10 minutes of driving. To analyze the data, descriptive statistics, Pearson and Spearman coefficients and paired-sample T test were employed to describe and compare the variables. Results: The findings showed a significant increase in KSS scores in the final 10 minutes of driving (p < 0.001). Similar results were obtained concerning video rating scores. Meanwhile, there was a significant increase in the absolute alpha power during the final section of driving (p=0.006). Conclusion: Driver mental fatigue is considered as one of the major implications for road safety. This study suggests that alpha brain wave rhythm can be a good indicator for early prediction of driver fatigue.