Ανάπτυξη συστήματος ανίχνευσης νοητικής κόπωσης κατά την οδήγηση με τεχνικές μηχανικής μάθησης

Abstract

Mental fatigue during driving refers to the cognitive strain experienced by drivers over extended periods, which can impair attention, reaction times, and overall driving performance. Driving fatigue presents significant risks to road safety and requires accurate assessment methods to mitigate potential hazards. This dissertation focuses on the development and evaluation of innovative methods for detecting mental fatigue during driving, emphasizing individualized approaches and advanced techniques for brain network analysis. Utilizing EEG signals and Phase Lag Index (PLI), combined with machine learning algorithms, the research highlights the importance of understanding individual connectivity patterns in predicting fatigue dynamics. The incorporation of source localization techniques provided high-resolution mapping of specific brain regions involved in fatigue processes, revealing the critical role of the alpha frequency band in identifying mental fatigue. Additionally, sensor-level analyses offered practical solutions for real-time applications due to their simplicity and efficiency. These findings underscore the potential for advancing fatigue detection methodologies through the integration of neuroscientific insights and application-driven strategies

Η νοητική κόπωση κατά την οδήγηση αναφέρεται στην γνωστική επιβάρυνση που βιώνουν οι οδηγοί κατά τη διάρκεια παρατεταμένων περιόδων, επηρεάζοντας την προσοχή, τους χρόνους αντίδρασης και τη συνολική τους απόδοση. Η κόπωση κατά την οδήγηση εγκυμονεί σημαντικούς κινδύνους για την οδική ασφάλεια και απαιτεί ακριβείς μεθόδους αξιολόγησης για τον μετριασμό των πιθανών κινδύνων. Η παρούσα διατριβή επικεντρώθηκε στην ανάπτυξη και αξιολόγηση καινοτόμων μεθόδων ανίχνευσης νοητικής κόπωσης κατά την οδήγηση, δίνοντας έμφαση στις εξατομικευμένες προσεγγίσεις και στη χρήση προηγμένων τεχνικών ανάλυσης εγκεφαλικών δικτύων. Μέσω της αξιοποίησης των σημάτων EEG και του Δείκτη Καθυστέρησης Φάσης (PLI), σε συνδυασμό με τους αλγορίθμους μηχανικής μάθησης, η έρευνα ανέδειξε τη σημασία της κατανόησης των ατομικών μοτίβων συνδεσιμότητας για την πρόβλεψη της κόπωσης. Η ενσωμάτωση των τεχνικών εντοπισμού πηγών προσέφερε λεπτομερή χαρτογράφηση συγκεκριμένων περιοχών του εγκεφάλου που εμπλέκονται στη νοητική κόπωση, δίνοντας ιδιαίτερη έμφαση στη ζώνη συχνοτήτων άλφα. Επιπρόσθετα, οι αναλύσεις επιπέδου των αισθητήρων απέδειξαν την αξία τους ως πρακτικές λύσεις για εφαρμογές σε πραγματικό χρόνο λόγω της απλότητας και της ταχύτητάς τους. Τέλος, τα αποτελέσματα αναδεικνύουν τη σημασία της ενσωμάτωσης των νευροεπιστημονικών γνώσεων και προσεγγίσεων που εστιάζουν στις απαιτήσεις των πρακτικών εφαρμογών.