S'abonner

Optimized Tunable Q Wavelet Transform Based Drowsiness Detection from Electroencephalogram Signals - 04/08/20

Doi : 10.1016/j.irbm.2020.07.005 
S.K. Khare , V. Bajaj
 Discipline of Electronics and Communication Engineering, PDPM Indian Institute of Information Technology, Design and Manufacturing Jabalpur, Jabalpur 482005, India 

Corresponding author.
Sous presse. Épreuves corrigées par l'auteur. Disponible en ligne depuis le Tuesday 04 August 2020
Cet article a été publié dans un numéro de la revue, cliquez ici pour y accéder

Graphical abstract

Le texte complet de cet article est disponible en PDF.

Highlights

Optimized tunable Q wavelet transform (O-TQWT) for selecting tuning parameters.
Optimum tuning parameters are helpful for accurate signal analysis and synthesis.
Features are extracted from the sub-bands of O-TQWT.
Accuracy of 96.14% is achieved with least square support vector machine.

Le texte complet de cet article est disponible en PDF.

Abstract

Early discernment of drivers drowsy state may prevent numerous worldwide road accidents. Electroencephalogram (EEG) signals provide valuable information about the neurological changes for discrimination of alert and drowsy state. A signal is decomposed into multi-components for the analysis of the physiological state. Tunable Q wavelet transform (TQWT) decomposes the signal into low-pass and high-pass sub-bands without a choice of wavelet. The information content captured by these sub-bands depends on the choice of decomposition parameters. Due to the non-stationary nature of EEG signals, the predefined decomposition parameters of TQWT lead to information loss and degrade system performance. Hence it is required to automate the decomposition parameters in accordance with the nature of signals. In this paper, an optimized tunable Q wavelet transform (O-TQWT) is proposed for the adaptive selection of decomposition parameters by using different optimization algorithms. Objective function as a mean square error (MSE) of decomposition is minimized by optimization algorithms. Optimum decomposition parameters are used to decompose the signals into sub-bands. Time-domain based features are excerpted from the sub-bands of O-TQWT. Highly discriminant features selected by using Kruskal Wallis test are used as an input to different classification techniques. Classification accuracy of 96.14% is achieved by least square support vector machine with radial basis function kernel which is better than the other existing methodologies using the same database.

Le texte complet de cet article est disponible en PDF.

Keywords : Electroencephalogram (EEG) signals, Optimization algorithms, Optimized TQWT (O-TQWT), Least square support vector machine (LS-SVM), Drowsiness detection


Plan


© 2020  AGBM. Publié par Elsevier Masson SAS. Tous droits réservés.
Ajouter à ma bibliothèque Retirer de ma bibliothèque Imprimer
Export

    Export citations

  • Fichier

  • Contenu

Bienvenue sur EM-consulte, la référence des professionnels de santé.
L’accès au texte intégral de cet article nécessite un abonnement.

Déjà abonné à cette revue ?

Mon compte


Plateformes Elsevier Masson

Déclaration CNIL

EM-CONSULTE.COM est déclaré à la CNIL, déclaration n° 1286925.

En application de la loi nº78-17 du 6 janvier 1978 relative à l'informatique, aux fichiers et aux libertés, vous disposez des droits d'opposition (art.26 de la loi), d'accès (art.34 à 38 de la loi), et de rectification (art.36 de la loi) des données vous concernant. Ainsi, vous pouvez exiger que soient rectifiées, complétées, clarifiées, mises à jour ou effacées les informations vous concernant qui sont inexactes, incomplètes, équivoques, périmées ou dont la collecte ou l'utilisation ou la conservation est interdite.
Les informations personnelles concernant les visiteurs de notre site, y compris leur identité, sont confidentielles.
Le responsable du site s'engage sur l'honneur à respecter les conditions légales de confidentialité applicables en France et à ne pas divulguer ces informations à des tiers.


Tout le contenu de ce site: Copyright © 2024 Elsevier, ses concédants de licence et ses contributeurs. Tout les droits sont réservés, y compris ceux relatifs à l'exploration de textes et de données, a la formation en IA et aux technologies similaires. Pour tout contenu en libre accès, les conditions de licence Creative Commons s'appliquent.