دوره 14، شماره 4 - ( 12-1396 )                   جلد 14 شماره 4 صفحات 129-142 | برگشت به فهرست نسخه ها

XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

A Fuzzy C-means Clustering Approach for Continuous Stress Detection during Driving. JSDP. 2018; 14 (4) :129-142
URL: http://jsdp.rcisp.ac.ir/article-1-383-fa.html
پورمحمدی سارا، مالکی علی. تشخیص پیوسته میزان استرس در طول رانندگی با استفاده از روش خوشه‌بندی Fuzzy c-means. پردازش علائم و داده‌ها. 1396; 14 (4) :129-142

URL: http://jsdp.rcisp.ac.ir/article-1-383-fa.html


استادیار دانشگاه سمنان
چکیده:   (320 مشاهده)

استرس یکی از مهم‌ترین علل بروز اختلالات جسمی و روانی است که منشأ بسیاری از بیماری‌ها به‌شمار می‌رود. در دو دهه اخیر تشخیص سطح استرس در حین رانندگی به‌منظور پیش‌گیری از سوانح مورد اقبال جدی پژوهش‌گران بوده است. نکته‌ای که در پژوهش‌های پیشین در خصوص اندازه‌گیری استرس در طول رانندگی مورد توجه قرار نگرفته، این است که سطح استرس در حین رانندگی با توجه به وقایع غیر قابل پیش‌بینی تغییر می‌کند. در این مقاله نشان داده شده است که سطح استرس را در یک دوره زمانی طولانی، به طور مثال مدت زمان رانندگی در بزرگراه، ثابت نمی‌توان در نظر گرفت؛ سپس براساس این فرض، ایده جدیدی برای تشخیص سطح استرس بر مبنای روش خوشه‌بندی fuzzy c-means و برچسب‌زدن به خوشه‌ها توسط خبره پیشنهاد شده است. در الگوریتم پیشنهادی، با تلفیق میزان تعلق خوشه و ضریب وزنی متناظر با برچسب هر خوشه، معیاری کمی از استرس برای فواصل زمانی بسیار کوتاه حاصل می‌شود. در‌واقع دادگان استرس در رانندگی برچسب هایی نادقیقی دارند که روش پیشنهادی با استفاده از دانش نهادینه‌شده در دادگان و به شیوه‌ای قاعده‌مند، استرس را به‌صورت پیوسته تخمین می‌زند. در این مقاله، علاوه‌بر ارزیابی کیفی نتایج بر اساس شواهد حین آزمایش، از معیار کمی همبستگی بین معیار استرس حاصل از روش پیشنهادی با رتبه‌بندی عینی شرکت‌کنندگان استفاده شده است. ارزیابی‌های کیفی و کمی نشانگر کارآیی روش پیشنهادی در افزایش دقت و صحت تشخیص میزان استرس است.
 

متن کامل [PDF 5606 kb]   (64 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: مقالات گروه علائم حیاتی ( مرتبط با مهندسی پزشکی)
دریافت: ۱۳۹۴/۳/۲۸ | پذیرش: ۱۳۹۶/۸/۳ | انتشار: ۱۳۹۶/۱۲/۲۲ | انتشار الکترونیک: ۱۳۹۶/۱۲/۲۲

فهرست منابع
1. [1] یونسی هروی محمد امین، خلیل زاده محمد علی، صرافان رسول و آذرنوش مهدی، "تشخیص دروغ بر مبنای سیگنال‎های فوتوپلتیسموگراف و مقاومت الکتریکی پوست با استفاده از شبکه‎ی عصبی"، پردازش علائم و داده‌ها، شماره ۹ (پیاپی ۲) ، صفحات ۴۹-۶۰، 1391.
2. [1] M. A. Younesi Heravi, M. A. Khalilzadeh, R. Sarafan, and M. Azarnoosh, "Lie detector system based on PhotoPlethysmoGraph (PPG) and Galvanic Skin Response (GSR) signals by means of neural network," Signal and Data processing, vol. 9, no. 2, pp. 49-60, 2013.
3. [2] C. S. Segerstrom and E. G. Miller, "Psychological stress and the human immune system: a meta-analytic study of 30 years of inquiry," Psychological Bulletin, vol. 130, no. 4, pp.601-630, 2004. [DOI:10.1037/0033-2909.130.4.601] [PMID] [PMCID]
4. [3] J. Healey and R. W. Picard, "Detecting stress during real-world driving tasks using physiological sensors," IEEE Transactions on Intelligent Transportation Systems, vol. 6, no. 2, pp.156–166, 2005. [DOI:10.1109/TITS.2005.848368]
5. [4] C. D. Katsis, N. Katertsidis, G. Ganiatsas, and D. I. Fotiadis, "Toward Emotion Recognition in Car-Racing Drivers: A Biosignal Processing Approach," IEEE Transaction on systems, man, and cybernetics-part a: systems and humans, vol. 38, no. 3, pp. 502-512, 2008. [PMCID]
6. [5] J. Zhai and A. Barreto, "Stress detection in computer users through non-invasive monitoring of physiological signals," Biomedical Science Instrumentation, vol. 42, pp.495–500, 2006. [PMID]
7. [6] S. de Sierra, C. S. Avila, G. Bailador, and J.G. Casanova, "A stress detection system based on physiological signals and fuzzy logic," IEEE Transactions on Industrial Electronics, vol. 58, no. 10, pp. 4857-4865, 2011. [DOI:10.1109/TIE.2010.2103538]
8. [7] N. Sharma and T. Gedeon, "Objective measures, sensors and computational techniques for stress recognition and classification: A survey," computer methods and programs in biomedicine, vol. 108, pp. 1287–1301, 2012.
9. [8] J.J.G. de Vries, S. C. Pauws, and M. Biehl, "Insightful stress detection from physiology modalities using Learning Vector Quantization," Neurocomputing, vol. 151, pp. 873–882, 2015. [DOI:10.1016/j.neucom.2014.10.008]
10. [9] B. Park, E. Jang, M. Chung, and S. Kim, "Design of Prototype-Based Emotion Recognizer Using Physiological Signals," ETRI Journal, vol. 35, no. 5, pp. 869-879, 2013. [DOI:10.4218/etrij.13.0112.0751]
11. [10] S.A. Hosseini and M.A. Khalilzadeh, "Emotional stressrecognition system using EEG and psychophysiological signals: using new labelling process of EEG signals in emotional stress state," International Conference of Biomedical Engineering and Computer Science (ICBECS), pp.1–6, 2010.
12. [11] T. Lin, M. Omata, W. Hu, and A. Imamiya, "Do physiological data relate to traditional usability indexes?" Proceeding of the 17th Australia Conference on Computer–Human Interaction: Citizens Online: Considerations for Today and the Future, pp.1–10, 2005.
13. [12] M. Kumar, M. Weippert, R. Vilbrandt, S. Kreuzfeld, and R. Stoll, "Fuzzy Evaluation of Heart Rate Signals for Mental Stress Assessment," IEEE Transactions on fuzzy systems, vol. 15, no. 5, pp. 791-808, 2007. [DOI:10.1109/TFUZZ.2006.889825]
14. [13] J. Wang, Ch. Lin, and Y. Yang, "A k-nearest-neighbor classifier with heart rate variability feature-based transformation algorithm for driving stress recognition," Neurocomputing, vol. 116, pp. 136–143, 2013. [DOI:10.1016/j.neucom.2011.10.047]
15. [14] C. Setz, B. Arnrich, J. Schumm, R. La Marca, G. Troster, and U. Ehlert, " Discriminating Stress From Cognitive Load Using a Wearable EDA Device," IEEE Transactions on information technology in biomedicine, vol. 14, no. 2, pp. 410-417, 2010. [DOI:10.1109/TITB.2009.2036164] [PMID]
16. [15] Z. Dharmawan, "Analysis of Computer Games Player Stress Level Using EEG Data," M.S. thesis, Dep. Elect. Eng., Delft Univ., Netherlands, 2007.
17. [16] M. Kumar, S. Neubert, S. Behrendt, A. Rieger, M. Weippert, and N. Stoll, "Stress Monitoring Based on Stochastic Fuzzy Analysis of Heartbeat Intervals," IEEE Transactions on fuzzy systems, vol. 20, no. 4, pp. 746-759, 2012. [DOI:10.1109/TFUZZ.2012.2183602]
18. [17] M. Jiang and Z. Wang, "A method for stress detection based on FCM algorithm," 2nd International Congress on Image and Signal Processing, CISP. , pp. 1 – 5, 2009. [DOI:10.1109/CISP.2009.5304150]
19. [18] J. Healey, "Wearable and automotive systems for affect recognition from physiology," PhD thesis Dep. Elect. Eng. and comp. science, MIT Univ., 2000.
20. [19] PHYSIONET, Stress Recognition in Automobile Drivers (drivedb), http://physionet.org/
21. [20] K. Plarre, A. Raij, S.M. Hossain, A. Ahsan Ali, M. Nakajimaz, M. al'Absiz, E. Ertin, T. Kamarck, S. Kumar, M. Scott, D. Siewioreky, A. Smailagicy, E. Wittmers, and z. Jr, "Continuous Inference of Psychological Stress from Sensory Measurements Collected in the Natural Environment," 10th International Conference on Information Processing in Sensor Networks (IPSN), pp.12-14, 2011.
22. [21] Y. Deng, Z. Wu, Ch. Chu, and T. Yang, "Evaluating Feature Selection for Stress Identification," 13th International Conference on Information Reuse and Integration (IRI), pp.584-591, 2012. [DOI:10.1109/IRI.2012.6303062]
23. [22] L. H. Miller and B. M. Shmavonian, "Replicability of two GSR indices as a function of stress and cognitive activity," Journal of Personality and Social Psychology, pp.753–756, 1965. [DOI:10.1037/h0022680] [PMID]
24. [23] B.S. McEwen and R.M. Sapolsky, "Stress and cognitive function," Journal of Current Opinion in Neurobiology, vol. 5, pp. 205–216, 1995. [DOI:10.1016/0959-4388(95)80028-X]
25. [24] U. R. Acharya, K. P. Joseph, N. Kannathal, C. M. Lim, J. S. Suri, "Heart rate variability: a review," Medical and biological engineering and computing, vol. 44, no. 12, pp. 1031-51, 2006. [DOI:10.1007/s11517-006-0119-0] [PMID]
26. [25] D. Giakoumis, D. Tzovarasa, and G. Hassapis, "Subject-dependent biosignal features for increased accuracy in psychological stress detection," International Journal of Human-Computer Studies, vol. 71, pp. 425–439, 2013. [DOI:10.1016/j.ijhcs.2012.10.016]
27. [26] M. Li, S. Yi-chun, L. Yin, Y. Hong, and X. Wei, "Research of Improved Fuzzy c-means Algorithm Based on a New Metric Norm," Journal of Shanghai Jiaotong Univ. (Sci.), vol. 20, no.1, pp. 51-55, 2015. [DOI:10.1007/s12204-015-1587-x]
28. [27] M. Singh and A. Queyam, "Stress Detection in Automobile Drivers using Physiological Parameters: A Review," International Journal of Electronics Engineering, vol. 5, no. 2, pp. 1-5, 2013.
29. [28] A. Akbas, "Evaluation of the Physiological Data Indicating the Dynamic Stress Level of Drivers," Scientific Research and Essays, vol.6, no.2, pp.430-439, 2006.

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
کد امنیتی را در کادر بنویسید

ارسال پیام به نویسنده مسئول


کلیه حقوق این وب سایت متعلق به فصل‌نامة علمی - پژوهشی پردازش علائم و داده‌ها می باشد.