순환인공신경망과 EEG 기반 운전자 졸음 감지 시스템 = Detecting Driver’s Drowsiness Based on Recurrent Neural Network & EEG

국문 초록 (Abstract)

본 연구는 졸음운전으로 인한 사건, 사고를 미연에 방지하기 위해 운전자의 졸음 상태를 뇌전도(Electroencephalography, EEG)를 이용하여 판단하는 정확하고 효율적인 학습 모델을 제안한다. EEG의 측정은 OpenBCI 웹사이트에서 판매하고 있는 Mark IV 모델을 사용하였다. 졸음의 판단 기준은 얕은 수면과 관계있는 고주파 대역에서 알파파의 변화량을 사용하였고, EEG 데이터에 고속 푸리에 변환(Fast Fourier Transform, FFT)과 연속 웨이블릿 변환(Continuous Wavelet Transform, CWT)을 적용 및 비교 하였다. 그리고 순환 인공신경망(Recurrent Neural Network, RNN)을 기반으로 한 학습 모델을 이용하였을 때 높은 분류 정확도를 보였다. 따라서 본 연구가 제안한 학습 모델은 졸음 상태 판단에 적합하다는 것을 보여준다.

다국어 초록 (Multilingual Abstract)

In this study, we propose an accurate and efficient learning model to determine driver"s drowsiness using electroencephalography (EEG) in order to prevent accidents caused by drowsiness during driving. EEG measurements were made using the Mark IV headset model, which is available on the OpenBCI website. The criterion of drowsiness was the change of the alpha wave in the high frequency band related to light sleep where Fast Fourier Transform (FFT) and Continuous Wavelet Transform (CWT) were applied for tagging the sleep and awake regions which was then classified using a model based on Recurrent Neural Network (RNN) that showed high classification accuracy. Therefore, this study suggests that the proposed learning model is suitable for drowsiness detection..

목차 (Table of Contents)

• 요약
• Abstract
• Ⅰ. 서론
• Ⅱ. 선행 연구
• Ⅲ. 제안한 운전자 졸음 감지 시스템
• Ⅳ. 실험 결과
• Ⅴ. 결론 및 향후 과제
• 참고문헌