[논문 리뷰] Hearables: Ear EEG Based Driver Fatigue Detection

Metin Yarıcı, Pierluigi Vito Amadori외 5명|arXiv (Cornell University)|2023. 01. 16.

Sleep and Work-Related FatiguePsychology인용 수 3

한 줄 요약

이 연구는 착용형 헤러블을 사용한 귀-EEG가 전통적인 두피-EEG와 유사한 정확도(70% 정확도, MCC 0.4)로 운전자 정신적 피로를 탐지할 수 있음을 입증한다. 기계학습을 통해 델타, 테타, 알파, 베타 대역의 파wer 특징을 활용한 결과이며, 귀-EEG가 두피-EEG와 일치하는 피로 관련 EEG 변화를 캡처함으로써 실시간, 초경량 피로 모니터링을 가능하게 한다. 이는 귀-EEG가 피로 관련 뇌파 변화를 실질적으로 반영함을 처음으로 경험적으로 입증한 것이다.

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.

연구 동기 및 목표

• 귀-EEG를 두피-EEG에 비해 더 비침습적인 대안으로 사용하여 운전자 정신적 피로를 탐지할 수 있는지의 가능성을 조사하는 것.
• 피로 관련 EEG 대역 변화 탐지에서 귀-EEG 성능을 전통적인 두피-EEG와 비교하는 것.
• 귀-EEG에서 유의미한 생리학적 EEG 특징만을 사용하여 자동 피로 분류를 위한 기계학습 모델을 개발하고 평가하는 것.

제안 방법

• 10명의 참가자가 귀-EEG 및 두피-EEG 센서를 착용한 시뮬레이션 단조로운 운전 과제를 실시하였다.
• 채널당 14개의 EEG 특징을 추출: 델타, 테타, 알파, 베타 대역의 평균 파워 및 피크 주파수(EMG 노이즈로 인해 베타는 제외함).
• 피로 탐지 성능 평가를 위해 5개의 교차 검증을 수행한 기울기 부스팅 XGBoost 분류기 사용.
• 정확도와 매튜스 상관계수(MCC)를 사용하여 모델 성능 평가. MCC는 균형 잡힌 이진 분류에 더 적합하다고 판단됨.
• 피로 예측에 기여한 특징의 중요도 분석을 수행하여 어떤 EEG 특징이 가장 기여했는지 파악.
• 모델 기준 비교를 위해 단일 채널 귀-EEG 성능을 표준 두피-EEG 채널(Fz, Cz, POz)과 비교함.

실험 결과

연구 질문

• RQ1 단조로운 운전 중에 귀-EEG는 두피-EEG와 동일한 피로 관련 EEG 대역 변화(델타, 테타, 알파)를 탐지할 수 있는가?
• RQ2 귀-EEG에서 학습한 기계학습 모델의 성능은 두피-EEG에서 학습한 모델과 비교해 어떻게 되는가?
• RQ3 EEG 특징 중에서 평균 파워와 피크 주파수 중 어떤 것이 귀-EEG에서 피로 탐지에 더 유용한가?
• RQ4 귀-EEG 신호는 뇌 활동을 충분히 잘 반영하고, 실시간 피로 모니터링에 적합한가?
• RQ5 단일 귀-EEG 채널이 표준 두피-EEG 채널과 유사한 피로 탐지 성능을 달성할 수 있는가?

주요 결과

• 귀-EEG는 70%의 정확도와 MCC 0.4의 성능을 기록하여, 3채널 두피-EEG 설정(74% 정확도, MCC 0.48)과 유사한 성능을 보였다.
• 귀-EEG 모델에서 가장 높은 성능을 보인 특징은 주파수 대역 전반의 평균 파워 특징이었으며, 이는 파워 수준이 피로 탐지에 더 유용하다는 것을 시사한다.
• 특징 중요도 분석 결과, 여러 평균 파워 특징이 예측에 크게 기여하여 귀-EEG 신호에 풍부한 정보가 포함되어 있음을 시사한다.
• 단일 귀-EEG 성능은 표준 두피-EEG 채널과 유사했다: Fz(69% 정확도, MCC 0.39), Cz(68% 정확도, MCC 0.68), POz(70% 정확도, MCC 0.4).
• 본 연구는 귀-EEG가 두피-EEG에서 관찰되는 정신적 피로와 관련된 핵심 EEG 변화—특히 증가한 테타 및 알파 파wer—를 반영함을 새로운 수치적 증거로 제시하였다.
• 모델은 10초 측정 윈도우를 사용하여 실시간 적용 가능성을 입증하였으며, 실질적인 지속적 모니터링 시스템에의 구현 가능성을 뒷받침한다.