بخشی از مقاله
تشخیص سطح استرس در طول رانندگی با استفاده از سیستم استنتاج فازی – عصبی
خلاصه
استرس پاسخ غیر مشخص بدن به هر تقاضا برای تغییر است و در صورتی که طولانی مدت شود و یا بدون درمان باقی بماند، درسلامت جسمی و روانی فرد تاثیر منفی گذاشته و باعث کاهش کارایی او می شود. بنابراین تشخیص موثر استرس در جهت یافتن راهی برای مدیریت آن بسیار سودمند خواهد بود. ایده استفاده از روش فازی در تشخیص استرس از آنجا شکل می گیرد که بیان احساسات در بشر به صورت فازی (کم، زیاد، خیلی زیاد و ...) می باشد. در روش پیشنهادی از سیستم استنتاج فازی عصبی- وفقی (ANFIS) استفاده شده است که با تلفیق دانش بشری (پایگاه قواعد) همراه با نگاشت غیر خطی عصبی- فازی استرس را به شکل موثری در رانندگان بازشناسی می کند. نتایج بیانگر آن است که روش طبقه بندی ANFIS دارای نرخ بازشناسی بالاتری نسبت به روش های مرسوم SVM و KNN بوده و عملکرد بهتری در تشخیص استرس دارد.
کلمات کلیدی: تشخیص استرس، سیستم استنتاج فازی- عصبی، سیگنال های فیزیولوژیکی، ماشین بردار پشتیبان
1. مقدمه
استرس "یک الگوی واکنشی پیچیده است که اغلب اجزای رفتاری، شناختی و روانی دارد".[1] استرس تاثیر شدیدی بر روی سیستم قلبی- عروقی و ایمنی بدن شخص می گذارد و در صورت مزمن شدن، شخص را در برابر بیماری های خاص و عفونی به شدت آسیب پذیر نموده و فرآیند بهبودی او را نیز کند می سازد.[2] به علاوه، استرس بار مالی زیادی برای جامعه به همراه دارد. به طور کلی، اندازه گیری استرس فرد کمک شایانی به سلامتی او و جامعه می کند. اگرچه نتایج این اندازه گیری برای اهداف کاربردی دیگری نیز استفاده می شود. به طور مثال می توان به بررسی سطح استرس رانندگان درشرایط واقعی جاده [3]، استرس رانندگان در مسابقات [4] و افزایش امنیت دسترسی کاربران در سیستم های بانکی[5] اشاره نمود.
اندازه گیری استرس بر مبنای اندازه گیری فیزیکی و فیزیولوژیکی می باشد. ویژگی اندازه فیزیکی آن است که تغییرات، بدون نیاز به تجهیزات و لوازم متصل به شخص تحت آزمایش مشاهده می شوند. در حالی که در اندازه فیزیولوژیکی به استفاده از ابزار و اتصال آن ها به شخص برای تشخیص تغییرات نیاز است. روش های رایج برای تشخیص استرس شامل تحلیل سیگنال های فیزیولوژیکی الکتروانسفالوگرافی (EEG)، فشار حجم خون (BVP)، الکتروکاردیوگرافی (ECG)، پاسخ الکتریکی پوست(GSR) 1، الکترومایوگرافی (EMG) و تنفس است. همچنین سیگنال های فیزیکی اندازه گیری استرس شامل حرکت چشم2 ، ضخامت مردمک3، مشخصات صدا4 و حرکت صورت5 هستند.
در دهه گذشته مقالات زیادی در زمینه تشخیص سطح استرس با استفاده از هر یک از این سیگنال ها ارائه شده است. [7-2] گاه ترکیبی از سیگنال های فیزیولوژیک[ 7]و گاه ترکیبی از سیگنال های فیزیکی و فیزیولوژیکی[6] برای تشخیص هر چه بهتر استرس در افراد به کار برده شده اند. البته استفاده از ترکیب سیگنال ها ممکن است موجب ایجاد حجم بزرگی از دادگان غیر ضروری و افزایش زمان پردازش گردد. بنابراین، هدف استفاده
از ترکیب بهینه ای از آن ها برای تشخیص استرس است .[1] در [8] ادعا شده است که با بهره گیری از سیگنال ECG به تنهایی، استرس در شرایط رانندگی به طور موثری تشخیص داده شده است.
همچنین روش های طبقه بندی رایج را می توان برای تشخیص سطوح مختلف استرس به کار برد. اما در عمل مقایسه های زیادی برای ارزیابی مدل های استرس ارائه نشده است. بردار ماشین پشتیبان( SVM) 1 یکی از پرکاربردترین روش های طبقه بندی در تشخیص استرس محسوب می شود 5]، 9، 10، .[11 نتایج حاصل از این روش بالاترین نرخ تشخیص را بر روی مجموعه دادگان مختلف ایجاد کرده است.[1] از جمله روش های طبقه بندی دیگر می توان 3] ANOVA Analysis، 6، [12، 5] k-NN، 8، [13، 5] Fisher Analysis، 6، [13و 8] Fuzzy Logic، [14 را نام برد.
ادامه این مقاله به ترتیب زیر سازمان یافته است: در بخش دوم ابتدا مجموعه دادگان مورداستفاده در تشخیص سطح استرس معرفی شده و ویژگی های استغراج شده از آن ها توصیف می شود. بخش سوم به توصیف روش های به کار رفته در طبقه بندی سطح استرس شامل ماشین بردار پشتیبان (SVM) و سیستم استنتاج فازی عصبی- وفقی(ANFIS) 2 اختصاص دارد. بخش چهارم شامل تشریح نتایج به دست آمده از پیاده سازی الگوریتم پیشنهادی و تحلیل و مقایسه آن ها است. نتایج به دست آمده بیانگر این حقیقت هستند که ANFIS کارایی بالایی در تشخیص استرس ایجاد می کند و نتایج حاصل از آن بهتر از روش های طبقه بندی رایج می باشد. همچنین بررسی ماتریس بهم ریختگی نیز این امر را تائید می کند. در پاین، بخش ششم به جمع بندی مباحث مطرح شده اختصاص یافته است.
2. مجموعه دادگان و استخراج ویژگی
2.1. پایگاه دادگان
ثبت و اندازه گیری سیگنال های فیزیولوژیک در شرایط استرس زا مستلزم وقت و هزینه زیادی است. خوشبختانه یک مجموعه از دادگان در شرایط رانندگی در [15] در دسترس می باشد. این مجموعه توسط Picard & Healy در MIT Media Lab تهیه شده است . [6]
در این مجموعه دادگان آزمایشاتی در شرایط رانندگی در شهر و بزرگراه طراحی شده است تا واکنش فیزیولوژیکی راننده در موقعیت های واقعی دنبال شود. اجرای آزمایشات در شرایط واقعی این اطمینان را ایجاد می کند که نتایج کاربردی تر خواهند بود. مجموع 17 راننده در آزمایش شرکت کرده اند که اطلاعات فیزیولوژیک آن ها شامل شامل سیگنال های ECG، EMG، GSR و تنفس می باشد.[3] اما با بررسی مجموعه دادگان منتشر شده در [15] مشخص می شود که تمامی این مجموعه دادگان قابل استفاده نمی باشد، زیرا تنها دادگان مربوط به 7 راننده (رانندگان 6، 7، 8، 10، 11، 12 و (15 کامل هستند.[7] واضح است که استفاده از تمامی سیگنال های موجود در مجموعه دادگان مورد نیاز نمی باشد زیرا هر چه سیگنال های فیزیولوژیک مورد استفاده و ویژگی های استخراج شده از آنها بیشتر باشند، هزینه محاسباتی بیشتری باید پرداخته شود. ایده آل آن است که حداقل سیگنال و ویژگی با بالاترین کارآیی در تشخیص سطح استرس استفاده شود. با بررسی مقالات قبلی به نظر می رسد استفاده از سیگنال های تغییرات نرخ ضربان قلب3HRV و پاسخ الکتریکی پوست GSR از میان سیگنال های فیزیولوژیک، بیشترین همبستگی را با استرس فرد دارند[1] و در نتیجه استفاده از آن ها تاثیر معنی داری در سیستم تشخیص و بازشناسی استرس ایجاد می کند.
GSR یکی از انواع پاسخ های الکتریکی پوستEDR 4 می باشد. سیگنال EDR ناشی از تغییرات در ویژگی های الکتریکی پوست انسان است که به علت اتفاقات محیطی و وضعیت روانی شخص روی می دهد. وقتی شخص تحت استرس است، رطوبت روی سطح پوست افزایش می یابد و به دلیل افزایش رطوبت، هدایت الکتریکی پوست زیاد شده و در نتیجه GSR افزایش می یابد. الکترود های GSR معمولا روی انگشتان اشاره و وسط دست قرار می گیرند.
ECG تجسم الکتریکی فعالیت های انقباضی قلب است و می تواند به سادگی توسط الکترودها سطحی روی سینه یا دست ها ثبت شود. تغییرات نرخ ضربان قلب با محاسبه زمان بین پیک های R روی سیگنال ECG مطابق شکل .1 اندازه گیری می شود. در حقیقت HRV یک اندازه رایج غیر تهاجمی برای تشخیص شرایط قلبی – عروقی شخص است.
شکل -1 روش اندازه گیری HRV
وقتی شخص تحت استرس است تغییرات محسوسی در سیگنال قلبی به خصوص در تغییرات نرخ ضربان قلب وی رخ می دهد. به همین جهت استفاده از HRV در تشخیص استرس بسیار موثر خواهد بود.
2.2. استخراج ویژگی
بعضی از ویژگی های استخراج شده از GSR به محاسبات حداقلی مانند میانگین و انحراف معیار نیاز دارند، اما بعضی ویژگی های دیگر پیچیده ترند مثل تعداد پاسخ های جهت دار در قطعه مورد نظراز سیگنال، جمع دامنه های جهش1، جمع طول پاسخ ها و جمع فضای تخمین زده شده پاسخ ها 3]، .[6 اگر چه مشخص نیست که این اندازه های پیچیده، نمایشی بهتر از استرس را نسبت به محاسبات حداقلی ارائه دهند.[1]
محاسبات ویژگی های مربوط به GSR با بررسی سیگنال و یافتن جهش های آن طبق شکل .2 اندازه گیری می شوند. به این ترتیب که ابتدا مطابق شکل OM ها و OD ها محاسبه می شوند. تعداد جهش ها یک ویژگی محسوب می شود. همچنین Σ OM ویژگی جمع دامنه های جهش و Σ OD ویژگی جمع طول پاسخ ها هستند، با محاسبه ½ Σ OM ×OD، ویژگی فضای تخمین زده شده پاسخ ها به دست می آید.
شکل - 2 نمایش قطعه ای از سیگنال GSR برای استخراج ویژگی[3]
ویژگی های استخراج شده از سیگنال HRV شامل ویژگی های حوزه زمان و حوزه فرکانس است. ویژگی های حوزه زمان مثل میانگین و انحراف معیار و ویژگی های حوزه فرکانس شامل باند های فرکانسی پائین (LF) و فرکانس بالا (HF) می باشند. محدوده فرکانسی پائینربابر با -0/04 0/15 هرتز[16] و یا 0/15 - 0/05 هرتز[12] و محدوده فرکانسی بالا 0/5 -0/15 هرتز [3] و یا 0/4 -0/15 هرتز[11] در نظر گرفته می شوند. همچنین انتظار داریم که با افزایش سطح استرس، نسبت LF/HF افزایش یابد. این تناسب به عنوان یک ویژگی در 12]، [3 استفاده شده است.
3. طبقه بندی
شدت استرس را می توان به سطوح خیلی استرسی، استرسی، گاهی استرسی، خوب، گاهی آرام، آرام و خیلی آرام طبقه بندی کرد.[1] سطح استرس در کاربرهای کامپیوتر به صورت استرس و بدون استرس طبقه بندی می شود.[11] سطح استرس رانندگان نیز به سه دسته کم ، متوسط و زیاد طبقه بندی می شود. استرس کم2 مربوط به دوره زمانی استراحت 15) دقیقه قبل و بعد از رانندگی)، استرس متوسط3 مربوط به دوره زمانی رانندگی بدون توقف در
بزرگراه و استرس زیاد1 مربوط به دوره رانندگی در خیابان های اصلی و شلوغ شهر می باشند3]، .[6 در ادامه این بخش، SVM به عنوان یک طبقه بندی کننده رایج در تشخیص استرس و ANFIS به عنوان طبقه بندی کننده مورد استفاده در الگوریتم پیشنهادی شرح داده می شوند.
3.1. ماشین بردار پشتیبان (SVM)
ماشین بردار پشتیبان (SVM) به عنوان روشی کارآمد در طبقه بندی شناخته میشود. این روش دارای سرعت زیاد و حجم محاسبات کم در مراحل آزمون و آموزش میباشد. می توان شیوه طبقه بندی SVM را با مرز خطی در نظر گرفت. در این حالت مرز تصمیم گیری توسط یک ابر صفحه بهینه مشخص میشود و معیار شباهت برابر با فاصله تا این صفحه است که توسط ضرب داخلی محاسبه میشود. در دنیای واقعی رسیدن به یک مرز خطی بین کلاس ها، مستلزم بدست آوردن ویژگی های مناسب و دقیق است و این عمل نیازمند آگاهی کامل از نحوه تولید داده ها یا انتخاب تعداد ویژگی های زیاد است. در این صورت کارکردن بر روی دادههای ناکامل و بدست آوردن مرزهای غیر خطی بین داده ها، تنها راهکار مورد پذیرش در مسائل است.
طبقه بندی براساس SVM شامل آموزش و آزمون است که هر کدام از آن ها شامل تعدادی نمونه از مجموعه دادگان می باشند. هرنمونه در مجموعه آموزش شامل یک "مقدار هدف" (برچسب کلاس) و چندین "صفت " می باشد. هدف از SVM تولید یک مدل است که مقدار هدف نمونه های داده شده در مجموعه آزمون را در حالتی پیش بینی کند که فقط صفات داده شده باشند.[4]
3.2. سیستم استنتاج فازی عصبی- وفقی (ANFIS)
ANFIS به کمک مجموعه ای از داده های ورودی- خروجی، یک سیستم استنتاج فازی(FIS) 2 ایجاد می کند. پارامترهای توابع عضویت این سیستم از طریق الگوریتم پس انتشار یا ترکیب آن با روش حداقل مربعات تنظیم می شوند.این عملیات تنظیم به سیستم های فازی اجازه می دهد تا ساختار خود را از مجموعه داده ها فرا بگیرد. برای تغییر نگاشت بین ورودی و خروجی می توان از ساختاری شبیه به شبکه های عصبی استفاده کرد. در واقع می توان برای نگاشت ورودی ها به توابع عضویت و پارامترهای آن و سپس نگاشت توابع عضویت خروجی به خروجی ها، از شبکه عصبی استفاده نمود. پارامترهای مربوط به توابع عضویت طی فرآیند یادگیری تغییر می کنند. محاسبه این پارامترها و یا تنظیم آن ها از طریق یک بردار گرادیان تسهیل می شود. این بردار گرادیان یک معیار اندازه گیری برای مطلوبیت مدل سازی پارامترهای سیستم استنتاج فازی فراهم می آورد. پس از فراهم آمدن بردار گرادیان، می توان از روال بهینه سازی دیگری برای بهینه سازی پارامترها و کاهش خطا استفاده نمود. ارزیابی میزان خطا با استفاده از قانون مجموع مربعات انجام می شود.[17] جهت ارائه ساختار ANFIS دو قانون اگر– آنگاه فازی براساس مدل Sugeno درجه اول خواهیم داشت:
(1) then (f1 = p1x + q1y + r1 ) Rule1 : If (x is A1 )and(yis B1 )
(2) then (f2 = p2x + q2 y + r2 ) Rule2 : If (x is A2 )and(yis B2 )
که در آن x و y ورودی، Ai و Bi مجموعه های فازی، fi خروجی های فازی و pi ، qi و ri پارامترهای طراحی هستند که در طول فرآیند آموزش تعیین می شوند. ساختار ANFIS که این دو قانون را پیاده کرده در شکل .3 نشان داده شده است.
شکل -3 ساختار [4] ANFIS
