EEG-based worker's stress recognition at Construction Sites
Paper Information.
- YEAR : 2018
- AUTHOR : Houtan Jebelli 외 2명
- JOURNAL : Automation in Construction / SCIE
Abstract
과도한 스트레스에 시달리는 많은 건설 노동자가 안전과 건강에 악영향을 미치기 때문에 스트레스를 미리 인지하는 것은 중요하다고 할 수 있습니다. 본 연구에서는 뇌파 신호를 이용하여 건설 현장에서 작업자의 스트레스를 자동으로 인식하는 모델을 개발하였습니다.
Method / Results
Procedure
14개의 다른 채널을 통해 EEG 신호를 측정하였습니다. EEG 신호는 1초에 128개의 데이터 포인트를 가지고 있습니다. EEG 신호의 눈 움직임, 숨쉬기 등과 같은 노이즈는 저자의 이전 연구에서 제안한 EEG 신호 전처리 방법으로 제거하였습니다. 이후 시간 및 주파수 영역의 뇌파 특징을 추출하였습니다. 이후, 스트레스를 가장 잘 나타내는 클래스를 선택하기 위해, 여러 가지 지도 학습 알고리즘의 성능을 비교하였습니다.
< Fig. 1. Overview of stress recognition procedure >
Feature Selection
본 연구에서 사용한 특징 추출법은 Correlation-based Method(상관 관계 기반)과 Wrapper Method입니다. 540개의 특징들 중 Correlation-based Method를 사용하여 예측 정확도와의 연관성이 가장 적은 특징들을 필터링하고 Wrapper Method를 사용하여 분류 정확도를 최대화하는 특징들의 하위 집합을 조사하여 80개의 최종 특징을 추출하였습니다.
< Fig. 2. Time and Frequency domains features, extracted from EEG signals >
EEG Classification
본 연구에서는 k-NN, GDA, SVM, HMM, DT, Logistic 머신 러닝 기법을 통해 성능 평가를 진행하였습니다. 훈련 데이터와 테스트 데이터는 9:1의 비율로 나누었습니다. 고정 윈도우 방식과 슬라이딩 윈도우 방식에서 모두 GDA가 80.32%의 정확도로 가장 우수한 성능을 나타내었습니다.
< Fig. 3. Classification accuracies of each tested algorithm >
Summary
본 연구는 아래와 같은 순서로 다음과 같은 결과를 나타내었습니다.
- 14채널 EEG 장비를 통해 EEG 신호를 측정하였습니다.
- EEG 신호의 노이즈는 ICA를 적용하여 제거하였습니다.
- EEG 신호를 시간 및 주파수 영역으로 구분하여 뇌파 특징을 추출하였습니다.
- 특징 추출에는 Correlation-based Method와 Wrapper-Based Method가 사용되었습니다.
>> 최초 540개의 특징을 위의 2가지 방법을 사용하여 80개로 축소하였습니다. - 추출된 특징을 5개의 머신 러닝 알고리즘에 적용하였습니다.
>> GDA 알고리즘이 고정 윈도우, 슬라이딩 윈도우에서 모두 우수한 성능을 나타냈습니다.