Schneider, C. (2012). Classification of vigilance using Hidden Markov Models on EOG data [Diploma Thesis, Technische Universität Wien]. reposiTUm. https://resolver.obvsg.at/urn:nbn:at:at-ubtuw:1-55948
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.<br />
de
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.