Beyin Sinyali Tanima Kullanilarak Uyuşukluk Algilama Derin Sinir Aği (BSRDNN)

Abstract

Tek kanallı elektroensefalografi (EEG) verilerinden uyuşukluk tespiti için tek boyutlu evrişimli nöral ağ modeli (1D-CNN) ve yapay nöral ağ (ANN) temelli yeni bir derin öğrenme mimarisi olan BSRDNN (beyin sinyali tanıma derin nöral ağı) önerilmiştir. Yöntemin etkinliği, tek bir elektrot tarafından toplanan 80 saatten uzun süreli EEG verisi içeren MIT/BIH polisomnografik EEG veri kümesi (MIT/BIH-PED) kullanılarak gösterilmiştir. 16 denek için EEG sinyalleri BSRDNN tarafından uyanıklık, uyuşukluk ve uyku olarak sınıflandırılmıştır. BSRDNN iki yaklaşımla kullanılmıştır: Seçenek 1, derin öğrenme ile özellik çıkarma ve sınıflandırmadan oluşur; Seçenek 2'de özellik ve sınıflandırma, makine öğrenimi algoritmaları, naif Bayes (NB), k-en yakın komşular (KNN), rastgele orman (RF) ve stokastik gradyan inişi (SGD) ile gerçekleştirilir. Önerilen tekniğin performansını artırmak için birleştirilmiş denek doğrulaması uygulanmıştır. Simülasyonlar, aynı veri setine uygulanan en son tekniklerle karşılaştırıldığında doğruluk, geri çağırma, F1 puanı ve kesinlik açısından daha iyi performans gözlenmiştir: Seçenek 1'de %92,31 genel doğruluk ve Seçenek 2'de %94,8-100 doğruluk elde edilmiştir. Önerilen yeni BSRDNN modeli, aynı MIT/BIH-PED veri setini kullanan yayınlanmış araştırmalarda yer alan modellere göre açık bir üstünlük göstermektedir. Diğer modellere kıyasla daha az eğitilebilir parametre ve aritmetik işlemle belirlenmiş görevini gerçekleştirebildiği ve dolayısıyla daha hızlı eğitim ve test aşamalarıyla sonuçlandığı gösterilmiştir. Bu gelişmiş hız ile, daha hızlı uyuşukluk tespiti sağlanmış ve süreç için gereken genel süre azaltılmıştır.

A novel deep learning architecture, BSRDNN (brain signal recognition deep neural network), based on a one-dimensional convolutional neural network model (1D-CNN) and artificial neural network (ANN), is proposed for drowsiness detection from single-channel electroencephalographic (EEG) data. The effectiveness of the method is shown using the MIT/BIH polysomnographic EEG dataset (MIT/BIH-PED) with more than 80h long-term EEG data collected by a single electrode. EEG signals for 16 subjects were classified by BSRDNN as wakefulness, drowsiness, and sleep. BSRDNN was used via two approaches: Option 1 consists of feature extraction and classification by deep learning; in Option 2, feature and classification are performed by machine learning algorithms, naïve Bayes (NB), k-nearest neighbours (KNN), random forest (RF), and stochastic gradient descent (SGD). Combined-subject validation was applied extraction to enhance the performance of the proposed technique. Simulations demonstrated better performance in terms of accuracy, recall, F1-score and precision compared to the current state-of-the-art techniques applied to the same dataset: We obtained 92.31% overall accuracy in Option 1, and 94.8–100% in Option 2. The proposed novel BSRDNN model demonstrates clear superiority over those featured in published research that used the same MIT/BIH-PED dataset. It can perform its designated task with less trainable parameters and arithmetic operations compared to other models, resulting in faster training and testing phases. This enhanced speed facilitates quicker drowsiness detection, thereby reducing the overall time required for the process.