Die überwiegende Zahl der Verkehrsunfälle ist durch Humanfaktoren bedingt. Hierbei sind extreme Hypovigilanz, plötzliche Aufmerksamkeitsverluste und Mikroschlafepisoden (MSE) besonders gefährlich. Zu ihrer Vermeidung nehmen unter den technischen Gegenmaßnahmen vor allem die automatische Erkennung und die Prognose solcher Spontanzustände eine zentrale Stellung ein. Auf dem Markt aktuell vorliegende Geräte basieren überwiegend auf der kontaktlosen Messung von okulomotorischen Variablen, insbesondere Lidschlagvariablen. Zur Validierung dieser Geräte wird eine Labor-Referenzmethode benötigt. Ziel dieser Arbeit ist deren Entwicklung, Optimierung und Validierung. Die Auswertung der wissenschaftlichen Literatur der letzten Jahrzente zeigt, dass die Themenstellung komplex ist und dass eine umfassende Theorie zu den psychophysiologischen Bedingungen und zu den Abläufen noch im Entstehen ist. Es wird begründet, warum sich elektrophysiologische Signale wie das Elektroenzephalogramm (EEG) und das Elektrookulogramm (EOG), als aussichtsreiche Zugänge für die Detektion von MSE erweisen. Die Befundung, das heißt die Begutachtung des Probandenverhaltens, insbesondere vor und während Mikroschlafereignissen, wird in dieser Arbeit durch visuelle Beobachtungen von mehreren Experten ausgeführt. Dabei gehören Video-Nahaufnahmen des Auges und Videoaufnahmen der Fahrtszene zu den wichtigsten Informationsquellen. Es wurden nur evidente Ereignisse und evidente Gegenbeispiele befundet; Episoden mit unsicherer Befundung wurden verworfen. Die Extraktion von Merkmalen aus EEG und EOG wurde im Wesentlichen durch Methoden zur Schätzung der spektralen Leistungsdichten und einer kürzlich eingeführten Methode im Zustandsraum, der Delay-Vektor-Varianz, realisiert. Erstere Methodik nimmt an, dass die Signale linear sind, während letztere auch nichtlineare Signalanteile und Stochastizität parametrisiert. Es wird gezeigt, dass für die Minimierung der empirischen Klassifikationsfehler die zeitliche Region der Signalanalyse exakt zu optimieren ist und neben der Fusion vieler Merkmale aus allen Signalen auch eine Reduktion korrelierender Merkmale auszuführen ist. Für die automatische Klassifikation wurden sowohl einfache, lokale und einfache, globale Methoden als auch lernfähige Methoden verwendet, die mit und ohne Regularisierung der Diskriminanzfunktion arbeiten. Zudem wurden Klassifikatoren mit automatisch adaptierter Metrik eingesetzt, die sich zur Wissensextraktion eignen. Stark gewichtete Merkmale besitzen hohe Relevanz, denn sie dominieren die Distanzberechnungen. Am erfolgreichsten erwies sich in der vorliegenden Anwendungsdomäne die Support-Vektor-Maschine (SVM), deren Hyperparameter für verschiedene Kernfunktionen empirisch optimiert werden mussten. Für eine Probandengruppe (N=22) konnten mittlere Testfehler von 9,8% erreicht werden. Die nahezu verzerrungsfreie Leave-One-Out-Validierung konnte effizient für die rechenaufwendige SVM verwendet werden. Hold-Out-Strategien wurden auch auf Datensätze kompletter Versuchsnächte und einzelner Probanden angewendet. Mit ersterer wurde die zeitliche Stabilität und mit letzterer die Personenunabhängigkeit validiert. Es zeigte sich, dass sich die klassenbedingten Verteilungsdichten inter-individuell stark unterscheiden. Für einzelne Probanden wurde an evidenten Datenbeispielen eine SVM adaptert und optimiert und anschließend an fortlaufenden Datensegmenten abgerufen. Diese fortlaufende Klassifikation konnte positiv validiert und damit die Hypothese bestätigt werden, dass eine Sensorapplikation basierend auf elektrophysiologischen Signalen möglich ist. Die Ergebnisse wurden mit denen einer anderen Forschungsgruppe verglichen. Zusammenfassend lässt sich feststellen, dass die vorgeschlagene Lösung das Potenzial für einen Labor-Referenzstandard besitzt, um einerseits MSE sicher erkennen und andererseits extreme Hypovigilanz objektiv einschätzen zu können.
Road accidents are predominantly caused by human factors. Here extreme hypovigilance, sudden attention losses and microsleep episodes (MSE) are notedly dangerous. Among technological countermeasures the automatic recognition and prognosis of such spontaneous states play a major role. Devices actually available on the market are mostly based on contactless measurements of oculomotoric variables, in particular eye-lid variables. In order to validate such devices a laboratory reference standard is needed. The aim of this thesis is to develop, optimize and validate such reference standard. A review over scientific publications of the last decades offers that this area is complex and that a comprehensive theory of psychophysiological terms and sequences of states is still under development. It will be explained why electrophysiological signals, like electroencephalography (EEG) and electrooculography (EOG), show promise for detection of MSE. Scoring of MSE based on subject behaviour, in particular before and during MSE, is proposed to be executed by visual observations of several experts. For this purpose video recordings of driver's eyes and of a driving scene turned out to be most important resources. Only evident events and evident counter-examples were scored; episodes of unconfident scoring were discarded. Feature extraction of EEG and of EOG were performed firstly by methods estimating spectral power densities and secondly by a recently introduced state space method, namely the delay-vector variance. Former methods are based on the assumption of linear signals whereas latter is able to parameterize nonlinear signal components and also stochasticity. In order to gain minimal empirical classification errors it is shown that exact optimization of temporal location of region of interest, that fusion of many features of all signals and that reduction of correlative features are necessary steps of signal analysis. Automatic classification has been performed both by simple local and by simple global methods. Furthermore, adaptive methods have been utilized, both with and without regularization of discriminant function. Classifiers utilizing automatically adapting metrics have also been applied in order to extract knowledge automatically. Strongly weighted features have high relevance, because they dominate calculations of distances. Support-Vector Maschines (SVM) proved to be most successful in the application domain at hand, if hyperparameters of several kernel functions were optimized empirically. Mean test errors of 9.8% were gained for data of 22 subjects. Leave-One-Out validation which is almost unbiased proved to be efficient in case of SVM despite their relative high computational load. Hold-Out strategies were applied to data sets of complete experimental nights and of single subjects. Former strategy provides a basis for estimation of temporal stability and latter for validation of independence of subjects. In conclusion, class-related distribution densities turned out to have strong inter-individual differences. Based on evident MSE examples of single subjects, SVM were adapted, optimized, and subsequently recalled by consecutive data segments. This way, consecutive classification was performed. Their validation was positive. So, the hypothesis was verified that sensor applications based on electrophysiological signals are possible in principle. Results were compared to another team. In summary, the conclusion can be made that the proposed methodology has the capability to establish a laboratory reference standard (gold standard). On the one hand, it is possible to get reliable detections of MSE, and on the other hand, it is possible to judge objectively whether subjects are under extreme hypovigilance or not.
Analyse des Mikroschlafs mit Methoden der computergestützten Intelligenz
Analysis of microshort shuteye by means of computer aided intelligence
2009
181 Seiten, Bilder, Tabellen, Quellen
Hochschulschrift
Deutsch
Mikrosekundenbereich , Schlaf , Aufmerksamkeit , Straßenverkehr , Unfallursachenforschung , Unfallverhütung , Psychophysiologie , mathematisches Verfahren , EEG (Elektroencephalographie) , EOG (Elektrookulographie) , Klassifizierung , automatisches System , Warngerät , Referenzmethode , Signalanalyse
Methoden und Werkzeuge zur computergestützten Optimierung der Fahrbarkeit
Tema Archiv | 2010
|Reihenfolgeoptimierung mit Methoden der 'Künstlichen Intelligenz'
Tema Archiv | 1990
|Zur computergestützten Berechnung von Luftkanalnetzen
Tema Archiv | 1990
|Simulation des Aktivitätenplanungsprozesses mit Methoden der Künstlichen Intelligenz
Online Contents | 2005
|