Title: Classification of vigilance using Hidden Markov Models on EOG data
Language: English
Authors: Schneider, Christoph
Qualification level: Diploma
Keywords: Hidden Markov Modelle; EOG; Electrooculogramm; Vigilanz; Fahrsimulator; Wachheit
Hidden Markov Models; EOG; electrooculogram; vigilance; driving simulator; wakefulness
Advisor: Breitenecker, Felix
Assisting Advisor: Kropf, Johannes
Issue Date: 2012
Number of Pages: 123
Qualification level: Diploma
Abstract: 
Verminderte Aufmerksamkeit ist heutzutage einer der häufigsten Gründe für schwere Unfälle, und wird durch unseren modernen Lebenswandel begünstigt. Gefährliche Situationen können aber oftmals mit rechtzeitigen Warnungen entschärft werden. Deshalb wurde ein Gauss'sches Hidden Markov Modell (GHMM) auf Basis von elektrookulographischen (EOG) und fahrzeugspezifischen Features entwickelt, welche im Zuge des SENSATION-Projekts aufgezeichnet wurden. Es wird gezeigt, dass es im Offline-Experiment möglich ist, eine grobe Aufteilung der Daten in sinnvolle Vigilanzniveaus (wach, neutral, müde) vorzunehmen. Die vorliegenden Resultate ermutigen weitere Forschungsarbeit auf diesem Gebiet, mit dem Ziel (mit erweiterter Feature-Menge) Online-Monitoring-Anwendungen zu konstruieren.

A lack of vigilance is nowadays one of the most frequent reasons for severe accidents, and this is even enhanced by our modern way of life. Hazardous situations can often be prevented when warning from a high level of fatigue. Therefore a Gaussian Hidden Markov Model (GHMM) was developed and implemented which takes electrooculography recordings (EOG) and additional car-based features of the SENSATION study in account to estimate the actual level of vigilance. It is shown that this is possible in the offline experiment for three coarse states - awake, neutral, sleepy. The results encourage to pursue that subject (with extended feature set) for the purpose of developing an online-monitoring system.
URI: https://resolver.obvsg.at/urn:nbn:at:at-ubtuw:1-55948
http://hdl.handle.net/20.500.12708/12938
Library ID: AC07814300
Organisation: E101 - Institut für Analysis und Scientific Computing 
Publication Type: Thesis
Hochschulschrift
Appears in Collections:Thesis

Files in this item:

Show full item record

Page view(s)

11
checked on Feb 18, 2021

Download(s)

55
checked on Feb 18, 2021

Google ScholarTM

Check


Items in reposiTUm are protected by copyright, with all rights reserved, unless otherwise indicated.