Ανίχνευση νοητικής κόπωσης (mental fatigue) με συλλογή και επεξεργασία μετρήσεων του σήματος ECG από χρήση φορετής συσκευής

 
Το τεκμήριο παρέχεται από τον φορέα :

Αποθετήριο :
Ιδρυματικό Αποθετήριο Ελλάνικος (Hellanicus)
δείτε την πρωτότυπη σελίδα τεκμηρίου
στον ιστότοπο του αποθετηρίου του φορέα για περισσότερες πληροφορίες και για να δείτε όλα τα ψηφιακά αρχεία του τεκμηρίου*
κοινοποιήστε το τεκμήριο





Ανίχνευση νοητικής κόπωσης (mental fatigue) με συλλογή και επεξεργασία μετρήσεων του σήματος ECG από χρήση φορετής συσκευής (EL)

Στεργιόπουλος, Νικόλαος
Stergiopoulos, Nikolaos

aegean

Η έρευνα ξεκινάει τον καθορισμό του πλαισίου και του περιβάλλοντος στο οποίο διεξάγεται. Σε πρώτο στάδιο περιγράφει την φυσιολογία του προβλήματος της νοητικής κόπωσης και στην μελέτη του σήματος ECG με σκοπό την ανίχνευση της νοητικής κόπωσης σε πραγματικό χρόνο χρησιμοποιώντας τέτοιου είδους βιοσήματα. Για να αποθηκεύσουμε τα δεδομένα χρησιμοποιούμε τον αισθητήρα καρδιακών παλμών Zephyr HxM BT. Έπειτα, πραγματοποιήθηκε η συλλογή των δεδομένων με τον σχεδιασμό και την διεξαγωγή του πειράματος προσομοίωσης της νοητικής κόπωσης. Στο πείραμα προσομοιώνονται δύο καταστάσεις, η κατάσταση νοητικής κόπωσης και η ξεκούραστη κατάσταση. Για την προσομοίωση της κατάστασης νοητικής κόπωσης αναπτύχθηκε μια εφαρμογή η οποία προκαλεί αυξημένη γνωστική δραστηριότητα στον υποψήφιο ώστε να γίνει η συλλογή των δεδομένων για εκείνη την κατάσταση. Η ξεκούραστη κατάσταση προσομοιώνεται δημιουργώντας ένα ευχάριστο περιβάλλον στον χρήστη. Στο επόμενο στάδιο έγινε η επεξεργασία των δεδομένων που αποθηκεύτηκαν για τις δύο καταστάσεις και ο υπολογισμός των χαρακτηριστικών από το σήμα ECG που θα χρησιμοποιηθούν από τους αλγορίθμους μηχανικής μάθησης . Έπειτα, ακολούθησε η αξιολόγηση των χαρακτηριστικών αυτών και ο υπολογισμός της μεταξύ τους συσχέτισης ώστε να διερευνηθεί ποια από αυτά είναι σημαντικό να χρησιμοποιηθούν στο μοντέλο ανίχνευσης που αναπτύξαμε. Στο τελευταίο στάδιο της έρευνας έγινε η ανάπτυξη του μοντέλου χρησιμοποιώντας αλγορίθμου μηχανικής μάθησης για όλους τους πιθανούς συνδυασμούς των χαρακτηριστικών που υπολογίστηκαν από το σήμα ECG και έτσι καταλήξαμε στην βέλτιστη ακρίβεια στο σύστημα μας που είναι 75 %.

bachelorThesis

wearable device (EN)
ταξινόμηση (EN)
mental fatigue (EN)
biosignal (EN)
βιοσήμα (EN)
ecg (EN)
μηχανική μάθηση (EN)
νοητική κόπωση (EN)
καρδιογράφημα (EN)
machine learning (EN)
classification (EN)
φορετή συσκευή (EN)


2020-02-06


2020-03-26T13:19:08Z

Σάμος




*Η εύρυθμη και αδιάλειπτη λειτουργία των διαδικτυακών διευθύνσεων των συλλογών (ψηφιακό αρχείο, καρτέλα τεκμηρίου στο αποθετήριο) είναι αποκλειστική ευθύνη των αντίστοιχων Φορέων περιεχομένου.