Fatigue Driving Detection Based On Multimodal EEG Feature Fusion
تقترح هذه الورقة نموذج MEFD-Net، وهو نموذج لدمج ميزات تخطيط كهربية الدماغ (EEG) متعدد الوسائط يدمج بين شبكة BiLSTM المحسنة، والالتفافات متعددة المقاييس التكيفية مع آلية الانتباه الذاتي، والشبكات الالتفافية الصرفة لتحقيق كشف قوي وشامل لتعب القيادة مع تحسن ملحوظ في درجات الدقة والاستدعاء ومقياس F1 مقارنة بالطرق الحالية.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
في كل مرة يجلس فيها السائق خلف عجلة القيادة، يكون دماغه منخرطاً في حوار معقد ومستمر مع الطريق. يعتمد هذا الحوار الداخلي على إشارات كهربائية تتدفق عبر الجهاز العصبي، وتتغير في إيقاعها وكثافتها مع تراجع اليقظة وحلول التعب. لعدة عقود، عرف العلماء أن هذه الأنماط الكهربائية، التي تُسجل من فروة الرأس على شكل موجات دماغية، تحمل المفتاح لفهم الحالة الذهنية للسائق. ومع ذلك، فقد ثبت أن ترجمة هذه الإشارات الدقيقة والمتذبذبة إلى نظام تحذير موثوق أمر صعب؛ فالإشارات مشوشة، وتتغير من شخص لآخر ومن لحظة لأخرى، وغالباً ما تكافح الطرق التقليدية لفهم هذا الضجيج. ومع استمرار ارتفاع عدد المركبات على الطرق العالمية، أصبحت الحاجة إلى نظام يمكنه بدقة اكتشاف متى يكون السائق متعباً جداً لمواصلة القيادة أولوية سلامة حرجة.
اقترح فريق من الباحثين من عدة مؤسسات في الصين نهجاً جديداً لهذه المشكلة، مبتعدين عن الكشف البسيط القائم على طريقة واحدة نحو نظام أكثر شمولاً. يقدم عملهم، الذي نُشر في دراسة حديثة، نموذجاً مصمماً للاستماع إلى الدماغ بثلاث طرق مختلفة في آن واحد. فبدلاً من الاعتماد على نوع واحد فقط من التحليل، يفحص النظام الموجات الدماغية من خلال منظور الزمن، ومن خلال أنماطها المستقرة، ومن خلال ترتيبها المكاني عبر فروة الرأس. ومن خلال الجمع بين هذه المنظورات الثلاثة المتميزة، هدف الباحثون إلى إنشاء كاشف لا يتميز بدقة أكبر فحسب، بل أيضاً بقدرة أعلى على الصمود أمام الطبيعة غير المتوقعة للنشاط الدماغي البشري.
يكمن جوهر ابتكارهم في كيفية معالجة النظام للمعلومات. تخيل النشاط الكهربائي للدماغ كمناظر طبيعية شاسعة ومتغيرة؛ لقد بنى الباحثون إطاراً رقمياً ينظر إلى هذه المناظر من ثلاث زوايا مختلفة. أولاً، أنشأوا مكوناً يتتبع كيفية تغير الإشارات بمرور الوقت، تماماً مثل مشاهدة فيلم لفهم تسلسل القصة. صُمم هذا الجزء من النظام لالتقاط التحولات السماجة في النشاط الدماغي التي تحدث عندما ينتقل السائق من حالة اليقظة إلى حالة النعاس. وهو يستخدم نوعاً متخصصاً من الشبكات يمكنه النظر إلى البيانات للأمام وللخلف في الزمن، مما يضمن التقاط السياق الكامل للحالة الذهنية للسائق دون فقدان التفاصيل المهمة.
ثانياً، يتضمن النظام وحدة تركز على الأنماط التي تظل ثابتة بغض النظر عن وقت حدوثها. يعمل هذا الجزء كمرشح يتجاهل اللحظات العابرة ويسلط الضوء على البنية الأساسية لاستجابة الدماغ للتعب. وهو يستخدم تقنية تعدل حساسيتها الخاصة، مما يسمح لها بوزن أجزاء مختلفة من الإشارة بناءً على أهميتها. يضمن ذلك أن ينتبه النظام إلى الميزات الأكثر صلة، حتى لو كانت الإشارة مشوشة أو غير مكتملة. وأخيراً، يفحص المكون الثالث الخصائص المكانية والترددية للإشارات. وهذا يشبه النظر إلى تضاريس المناظر الطبيعية لرؤية كيفية توزيع الإشارات عبر سطح الدماغ وكيف تهتز بسرعات مختلفة. ومن خلال تحليل هذه الخصائص الفيزيائية والإيقاعية، يكتسب النظام فهماً أعمق لحالة السائق.
لتدريب هذا النظام، واجه الباحثون تحدياً شائعاً في البيانات الطبية وبيانات السلامة: وهو نقص الأمثلة الكافية للسائقين المتعبين لتعليم الكمبيوتر ما يجب البحث عنه. ولحل هذه المشكلة، استخدموا طريقة لتوليد أمثلة إضافية وواقعية لإشارات التعب، مما أدى فعلياً إلى موازنة مجموعة البيانات حتى يتمكن النموذج من التعلم من مجموعة واسعة من السيناريوهات. وقد اختبروا ابتكارهم باستخدام مجموعة معروفة من تسجيلات الموجات الدماغية لسائقين في بيئة محاكية. تضمنت مجموعة البيانات هذه ساعات من التسجيلات لعشرات الأفراد، مما وفر أساساً قوياً للتقييم.
كانت نتائج اختباراتهم واضحة؛ فالنظام الجديد، الذي أطلقوا عليه اسم MEFD-Net، تفوق على الأساليب الموجودة التي تعتمد على أنواع واحدة من التحليل أو تقنيات التعلم العميق القديمة. وفي تجاربهم، حقق النموذج معدل دقة بلغ حوالي 82.6 بالمائة، حيث حدد حالات التعب بشكل صحيح في كثير من الأحيان أكثر من الخوارزميات السابقة. كما أظهر تحسناً كبيراً في قدرته على رصد كل حالات التعب، مما قلل من عدد عمليات الكشف المفقودة. وعند مقارنته بالنماذج الشهيرة الأخرى المستخدمة في هذا المجال، قدم النهج الجديد باستمرار درجات أعلى عبر مقاييس أداء متعددة.
أكد الباحثون أن نجاح نموذجهم يأتي من الطريقة التي يتم بها دمج هذه الرؤى الثلاث المختلفة للدماغ. فمن خلال دمج التغيرات القائمة على الزمن، والأنماط المستقرة، وتفاصيل التردد والمكان، يخلق النظام صورة أغنى بكثير لحالة السائق مما يمكن لأي طريقة منفردة توفيره بمفردها. ويسمح هذا النهج متعدد الطبقات للنموذج بالتعامل مع الطبيعة المعقدة وغير الخطية لإشارات الدماغ بشكل أكثر فعالية، مما يجعله أقل عرضة للخداع بواسطة الضوضاء العشوائية أو الاختلافات الفردية بين السائقين.
بينما تُظهر الدراسة خطوة هامة للأمام في تكنولوجيا اكتشاف التعب، يشير الباحثون إلى أن عملهم هو أساس للتطوير المستقبلي. فقد تم اختبار النموذج الحالي في بيئة مضبوطة باستخدام بيانات قيادة محاكية. وتتمثل الخطوات التالية في تحسين النظام ليعمل في ظروف القيادة الواقعية في الوقت الفعلي، وجعله صغيراً وفعالاً بما يكفي لاستخدامه في المركبات اليومية. والهدف هو الانتقال من أداة مختبرية قوية إلى جهاز سلامة عملي يمكنه منع الحوادث بنشاط من خلال التعرف على العلامات الخفية للإرهاق قبل أن تؤدي إلى وقوع حادث. ومن خلال هذا العمل، أظهر الفريق أنه من خلال الاستماع إلى الدماغ بطرق متعددة في آن واحد، يمكننا بناء مستقبل أكثر أماناً للجميع على الطريق.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.