Avaluació de l'impacte de les dades EEG generades artificialment en la detecció de fatiga en la conducció

Abstract

La fatiga és una causa principal d’accidents de trànsit, tot i que ja hi ha diversos estudis que han investigat la detecció de fatiga mitjançant electroencefalografia (EEG), aquests sovint presenten limitacions en la recopilació de dades. L’ús de senyals EEG generats artificialment pot ajudar a superar aquestes limitacions. Aquest Treball de Final de Grau se centra en avaluar l’ús de senyals EEG generats artificialment per la detecció de la fatiga en conductors. Es treballa amb senyals EEG d’un sol canal, enregistrats de 16 subjectes diferents. A partir d’aquests senyals, es generen senyals artificials mitjançant Descomposició Empírica de Mode (EMD). S’extreuen diverses característiques dels senyals, com RMS i diverses mesures d’entropia i complexitat, que s’utilitzen per entrenar models de Machine Learning, incloent Ensemble Bagged Tree, SVM, K-nearest neighbor i xarxes neuronals. Els resultats amb dades reals mostren una precisió màxima del 70,91% amb el model Ensemble. La combinació de dades reals i artificials, ajustada per diversos paràmetres d'IMFs, demostra ser una estratègia prometedora per millorar la precisió dels models de detecció de fatiga. També s’exploren les diferències en la precisió de detecció de la fatiga segons el gènere, trobant que les dones tenen una predicció més alta que els homes. Aquest treball contribueix a la investigació sobre l’ús de dades artificials per millorar la fiabilitat dels models de detecció de fatiga en la conducció.

Fatigue is a major cause of traffic accidents. Although several studies have investigated the detection of fatigue using electroencephalography (EEG), these studies often have limitations in data collection. The use of artificially generated EEG signals can help to overcome these limitations. This Thesis focuses on evaluating the use of artificially generated EEG signals for the detection of fatigue in drivers. It works with single-channel EEG signals, recorded from 16 different subjects. From these signals, artificial signals are generated using Empirical Mode Decomposition (EMD). Different signal characteristics, such as RMS and various measures of entropy and complexity, are used to train Machine Learning models, including Ensemble Bagged Tree, SVM, K-nearest neighbour and neural networks. The results with real data show a maximum accuracy of 70.91% with the Ensemble model. The combination of real and artificial data, adjusted by different MFI parameters, proves to be a promising strategy to improve the accuracy of fatigue detection models. It also explores gender differences in fatigue detection accuracy, finding that women have a higher prediction than men. This work contributes to research on the use of artificial data to improve the reliability of fatigue detection models in driving.