SSVEP 기반 졸음 퇴치 도로시설물 개발

한형섭,류장협,정의필,Han, Hyungseob,Ryu, Janghyub,Chong, Uipil 한국융합신호처리학회 2016 융합신호처리학회 논문지 (JISPS) Vol.17 No.2

운전자에게 각성뇌파를 생성할 수 있는 SSVEP기반의 졸음퇴치 도로시설물 시제품 개발을 위하여 실험을 통한 표준 인터페이스 모델의 개발 및 실험 검증 자료를 구축하는데 있다. 먼저 프로그램 시뮬레이션으로 SSVEP 자극 프로그램을 만들어서 체커 보드의 자극패턴을 만들었고 SSVEP의 주파수를 베타파 영역(13~30Hz) 내에 설정하였다. 고속도로 졸음취약지점에서 설치하여 운전중에 SSVEP 광자극에 대한 효과검증에 관한 실험 결과 주간과 야간 모두 고속도로 운전 중 SSVEP 광자극을 받으면 순간 베타파가 증가하는 것을 확인하였고, 5분 유지기 동안 보다 높은 각성상태를 유지하는 것으로 확인되었다. The purpose of this paper is to develop the algorithm of human arousal inducing interface using steady-state visual evoked potential(SSVEP) and its verification through experiments. In order to develop the model, computer-based SSVEP program simulation is preliminary performed. From the results of the simulation, stimulus pattern is decided to checkerboard and SSVEP frequency range is set into beta wave (13~30Hz). After the experiment on proving the effect of SSVEP flashing stimulation while driving by installing it at the location of people mostly falling asleep in the highway, the result confirms that both during the night and the day, after SSVEP flashing stimulation, a wave Beta immediately increases and the subjects keep high stimulation for the 5 minute maintaining stage.

근전도 센서를 이용한 운동관리 방법 및 시스템

한형섭(Hyungseob Han),권오국(Oh-Kuk Kwon),김종관(Jong-Kwan Kim),송경영(Kyoung-Young Song) 한국통신학회 2019 한국통신학회 학술대회논문집 Vol.2019 No.1

저탄소 녹색성장을 위한 콘크리트 혼화제산업의 미래

한형섭(Hyan-Sub Han),진용만(Yong-Man Jin) 한국콘크리트학회 2009 콘크리트학회지 Vol.21 No.4

신경회로망 기반 고장 진단 시스템을 위한 고장 신호별 특징 벡터 결정 방법

한형섭(Han, Hyung-Seob),조상진(Cho, Sang-Jin),정의필(Chong, Ui-Pil) 한국소음진동공학회 2010 한국소음진동공학회 논문집 Vol.20 No.11

As rotating machines play an important role in industrial applications such as aeronautical, naval and automotive industries, many researchers have developed various condition monitoring system and fault diagnosis system by applying various techniques such as signal processing and pattern recognition. Recently, fault diagnosis systems using artificial neural network have been proposed. For effective fault diagnosis, this paper used MLP(multi-layer perceptron) network which is widely used in pattern classification. Since using obtained signals without preprocessing as inputs of neural network can decrease performance of fault classification, it is very important to extract significant features of captured signals and to apply suitable features into diagnosis system according to the kinds of obtained signals. Therefore, this paper proposes the decision method of the proper feature vectors about each fault signal for neural-network-based fault diagnosis system. We applied LPC coefficients, maximum magnitudes of each spectral section in FFT and RMS(root mean square) and variance of wavelet coefficients as feature vectors and selected appropriate feature vectors as comparing error ratios of fault diagnosis for sound, vibration and current fault signals. From experiment results, LPC coefficients and maximum magnitudes of each spectral section showed 100 % diagnosis ratios for each fault and the method using wavelet coefficients had noise-robust characteristic.

친환경 나노 콘크리트의 기술현황 및 방향

한형섭(Han Hyan Sub) 대한건축학회 2008 建築 Vol.52 No.12

DWT를 적용한 EEG 기반 졸음 감지 시스템의 성능 향상

한형섭(Hyungseob Han),송경영(Kyoung-Young Song) 한국통신학회 2015 韓國通信學會論文誌 Vol.40 No.9

EIV를 이용한 신경회로망 기반 고장진단 방법

한형섭(Han, Hyung-Seob),조상진(Cho, Sang-Jin),정의필(Chong, Ui-Pil) 한국소음진동공학회 2011 한국소음진동공학회 논문집 Vol.21 No.11

As rotating machines play an important role in industrial applications such as aeronautical, naval and automotive industries, many researchers have developed various condition monitoring system and fault diagnosis system by applying artificial neural network. Since using obtained signals without preprocessing as inputs of neural network can decrease performance of fault classification, it is very important to extract significant features of captured signals and to apply suitable features into diagnosis system according to the kinds of obtained signals. Therefore, this paper proposes a neural-network-based fault diagnosis system using AR coefficients as feature vectors by LPC(linear predictive coding) and EIV(errors-in variables) analysis. We extracted feature vectors from sound, vibration and current faulty signals and evaluated the suitability of feature vectors depending on the classification results and training error rates by changing AR order and adding noise. From experimental results, we conclude that classification results using feature vectors by EIV analysis indicate more than 90 % stably for less than 10 orders and noise effect comparing to LPC.

Convolution Neural Network을 이용한 EEG 기반 졸음 감지 시스템의 성능 향상

한형섭(Hyungseob Han),권오국(Oh-Kuk Kwon),송경영(Kyoung-Young Song) 한국통신학회 2018 한국통신학회 학술대회논문집 Vol.2018 No.1

EIV와 MLP를 이용한 뇌파 기반 운전자의 졸음 감지 시스템

한형섭(Hyungseob Han),송경영(Kyoung-Young Song) 한국통신학회 2014 韓國通信學會論文誌 Vol.39 No.10(융합기술)

졸음운전은 전체 교통사고 원인 중 큰 비중을 차지하며 그 위험성이 음주운전보다도 크다고 알려져 있다. 따라서 운전자의 졸음을 판단하고 경고하는 시스템 개발에 대한 관심이 높아지고 있으며, 뇌파를 분석하는 것이 운전자의 피로와 졸음을 감지하는데 효과적이라는 연구결과들이 발표되었다. 본 논문은 짧은 시간에 높은 해상도를 가지는 auto-regressive 모델 기법 중 잡음에 강인한 errors-in-variables(EIV) 방법을 이용하여 특징벡터를 추출하고, 다층신경망(multilayer perceptron; MLP)에 적용하여 운전자의 상태를 각성, 천이, 졸음의 세 가지 상태로 분류하는 졸음 감지 시스템을 제안한다. 생체신호의 측정 환경에 따른 성능을 평가하기 위해 높은 진단률을 갖도록 하는 EIV차수를 결정하고, 잡음에 대한 강인성을 확인하기 위해 신호대 잡음비(signal-to-noise ratio; SNR)에 따른 성능을 선형 예측 부호화(linear predictive coding; LPC) 방법과 비교하였다. 이 결과로부터 제안한 EIV와 MLP를 결합한 졸음 감지 시스템은 기존의 LPC와 MLP를 이용한 시스템에 대해 우수한 성능을 얻을 수 있음을 확인하였다. Drowsy driving is a large proportion of the total car accidents. For this reason, drowsiness detection and warning system for drivers has recently become a very important issue. Monitoring physiological signals provides the possibility of detecting features of drowsiness and fatigue of drivers. Many researches have been published that to measure electroencephalogram(EEG) signals is the effective way in order to be aware of fatigue and drowsiness of drivers. The aim of this study is to extract drowsiness-related features from a set of EEG signals and to classify the features into three states: alertness, transition, and drowsiness. This paper proposes a drowsiness detection system using errors-in-variables(EIV) for extraction of feature vectors and multilayer perceptron (MLP) for classification. The proposed method evaluates robustness for noise and compares to the previous one using linear predictive coding (LPC) combined with MLP. From evaluation results, we conclude that the proposed scheme outperforms the previous one in the low signal-to-noise ratio regime.

AR계수와 SVM을 이용한 뇌파 기반 운전자의 졸음 감지 시스템

한형섭(Hyungseob Han),정의필(Uipil Chong) 한국지능시스템학회 2012 한국지능시스템학회논문지 Vol.22 No.6

운전 중 운전자의 졸음은 교통 사망사고를 일으키는 중요한 요인이며 음주운전보다도 더 위험할 수 도 있다. 이러한 이유로 운전자의 졸음을 판별하고 경고하는 시스템 개발이 최근에 매우 중요한 이슈로 떠올랐다. 그중에서도 졸음과 가장 밀접한 관련이 있는 생체 신호 분석이 많이 적용되는데 그중에서도 뇌파(Electroencephalogram, EEG)와 안구전도(Electrooculogram, EOG)를 분석하는 연구가 주류를 이루고 있다. 본 논문에서는 실험 프로토콜를 바탕으로 측정된 뇌파를 주파수별로 분석하여 운전자의 상태별 뇌파 데이터베이스를 구축하였고 선형예측(Linear Predictive Coding, LPC) 계수와 Support Vector Machine(SVM)을 이용한 운전자 졸음감지 시스템을 제안한다. 실험결과로 졸음의 뇌파분석에서 알파파가 감소하며 세타파가 증가하는 추세를 보였으며, LPC 계수가 각성, 졸음 및 수면상태의 특징을 잘 반영하였다. 특히 제안한 시스템은 적은 샘플(250ms)에서도 96.5%의 높은 분류 결과를 얻어 짧은 순간에 일어날 운전시 돌발 상황을 실시간으로 예측할 수 있는 가능성을 보였다. One of the main reasons for serious road accidents is driving while drowsy. For this reason, drowsiness detection and warning system for drivers has recently become a very important issue. Monitoring physiological signals provides the possibility of detecting features of drowsiness and fatigue of drivers. One of the effective signals is to measure electroencephalogram (EEG) signals and electrooculogram (EOG) signals. The aim of this study is to extract drowsiness-related features from a set of EEG signals and to classify the features into three states: alertness, drowsiness, sleepiness. This paper proposes a drowsiness detection system using Linear Predictive Coding (LPC) coefficients and Support Vector Machine (SVM). Samples of EEG data from each predefined state were used to train the SVM program by using the proposed feature extraction algorithms. The trained SVM program was tested on unclassified EEG data and subsequently reviewed according to manual classification. The classification rate of the proposed system is over 96.5% for only very small number of samples (250ms, 64 samples). Therefore, it can be applied to real driving incident situation that can occur for a split second.