[論文レビュー] Hearables: Ear EEG Based Driver Fatigue Detection

Metin Yarıcı, Pierluigi Vito Amadori+5 more|arXiv (Cornell University)|Jan 16, 2023

Sleep and Work-Related FatiguePsychology被引用数 3

ひとこと要約

本研究では、ウェアラブルなハーバブルを用いた耳-EEGが、従来の頭皮-EEGと同等の精度（70%の正解率、MCC 0.4）でドライバーの精神的疲労を検出できることを示している。機械学習を用いてデルタ、スレータ、アルファ、ベータ帯域のパワー特徴量を分析した結果、耳-EEGが頭皮-EEGと整合する疲労関連のEEG変化を捉えている最初の実証的証拠を提供し、リアルタイムで超ウェアラブルな疲労モニタリングを可能にした。

ABSTRACT

Ear EEG based driver fatigue monitoring systems have the potential to provide a seamless, efficient, and feasibly deployable alternative to existing scalp EEG based systems, which are often cumbersome and impractical. However, the feasibility of detecting the relevant delta, theta, alpha, and beta band EEG activity through the ear EEG is yet to be investigated. Through measurements of scalp and ear EEG on ten subjects during a simulated, monotonous driving experiment, this study provides statistical analysis of characteristic ear EEG changes that are associated with the transition from alert to mentally fatigued states, and subsequent testing of a machine learning based automatic fatigue detection model. Novel numerical evidence is provided to support the feasibility of detection of mental fatigue with ear EEG that is in agreement with widely reported scalp EEG findings. This study paves the way for the development of ultra-wearable and readily deployable hearables based driver fatigue monitoring systems.

研究の動機と目的

• 耳-EEGを頭皮-EEGのより侵襲性の低い代替手段として、ドライバーの精神的疲労を検出できるかの妥当性を調査すること。
• 疲労関連のEEG帯域変化を検出するにあたり、耳-EEGの性能を従来の頭皮-EEGと比較すること。
• 耳-EEGからの生体的に意味のあるEEG特徴量のみを用いて、自動疲労分類のための機械学習モデルを構築・評価すること。

提案手法

• 10名の被験者が耳-EEGおよび頭皮-EEGセンサーを装着したシミュレート走行タスク（単調な運転）を実施した。
• 1チャンネルあたり14のEEG特徴量を抽出：デルタ、スレータ、アルファ、ベータ帯域の平均パワーおよびピーク周波数（EMGノイズのためベータ帯域は除外）。
• 疲労検出性能を評価するために、勾配ブースティングを用いたXGBoost分類器と5分割交差検証を用いた。
• 正解率とマチューズ相関係数（MCC）を用いてモデル性能を評価し、MCCはバランスの取れた二値分類において好ましい指標であるとされた。
• 疲労予測に最も寄与するEEG特徴量を特定するために、特徴量の重要度を分析した。
• モデルベンチマークのため、単一チャンネルの耳-EEG性能を標準的な頭皮-EEGチャンネル（Fz、Cz、POz）と比較した。

実験結果

リサーチクエスチョン

• RQ1 単調な運転中、耳-EEGは頭皮-EEGと同様に疲労関連のEEG帯域変化（デルタ、スレータ、アルファ）を検出できるか？
• RQ2 耳-EEGで学習した機械学習モデルの疲労分類性能は、頭皮-EEGで学習したモデルと比べてどうか？
• RQ3 耳-EEGにおける疲労検出に最も有用なEEG特徴量（平均パワー対ピーク周波数）は何か？
• RQ4 耳-EEG信号は十分に頑健で、脳活動を代表するものであり、リアルタイムの疲労モニタリングを可能にするか？
• RQ5 単一耳のEEGチャンネルは、標準的な頭皮-EEGチャンネルと同等の疲労検出性能を達成できるか？

主な発見

• 耳-EEGは疲労分類の正解率70%、MCC 0.4を達成し、3チャンネルの頭皮-EEG（正解率74%、MCC 0.48）と同等の性能を示した。
• 耳-EEGモデルで最も優れた性能を示した特徴量は、周波数帯域全体の平均パワー特徴量であり、疲労検出においてパワーのレベルがピーク周波数よりもより情報量が多いことを示唆している。
• 特徴量の重要度分析から、複数の平均パワー特徴量が予測に顕著に寄与していることが判明し、耳-EEG信号に豊富な情報が含まれていることが示された。
• 単一耳のEEG性能は、標準的な頭皮-EEGチャンネルと同等であった：Fz（正解率69%、MCC 0.39）、Cz（正解率68%、MCC 0.68）、POz（正解率70%、MCC 0.4）。
• 本研究は、耳-EEGが頭皮-EEGで観察されるのと同様の主要なEEG変化（特にスレータおよびアルファ帯域パワーの上昇）を反映しているという、新たな数値的証拠を提供した。
• 10秒の測定ウィンドウを用いたモデルはリアルタイム実装の可能性を示し、実用的で継続的な監視システムへの展開を支持するものとなった。