| Data
코드를 실행하기 위해서는 다음의 Python 3 라이브러리들이 필요합니다. 코드 실행 전에 반드시 설치해 주세요.
- Keras
- matplotlib
- numpy
- imageio
- configargparse
- scikit-learn
- pandas
- PyTorch
- scipy
- pickle
- random
pip를 사용하여 의존성을 설치할 수 있습니다:
pip install keras matplotlib numpy imageio configargparse scikit-learn pandas torch scipy
- 본 연구의 참가자(25세-32세 사이 남성) 7명은 졸음에 영향을 미치는 화학물질의 섭취를 통제하는 데에 동의했다. 실험전에 참가자들에게 카페인이 함유된 음료와 알코올을 5 시간, 24시간 동안 마시지 않도록 요청하였다. 또한 배고픔 으로 인한 졸음 억제를 피하기 위해 모든 참가자들은 식사 후 40분–70분에 실험을 시작했다. 일상적인 조건에서 생리 적 신호를 측정하기 위해 기상 후 시간, 일주기 리듬 변화, 생리적 활동을 고려하지 않고 자원자를 모집했으며 대부분 의 참가자들은 실험 전 날 노동 또는 운동 같은 많은 체력 이 소모되는 신체 활동을 수행하지 않았다고 답했다. 모든 참가자는 연구에 참여하기 전, 연구계획 (서울대학교 IRB No. C-1509-074-704)에 동의했고, 졸음 검출 실험을 진행하기 이전에 참가자들은 시뮬레이터와 작업에 익숙해지도록 하기 위해 5분동안 운전해 본 뒤 실험에 참여했다.
- 그 중 프로젝트에 사용된 데이터프레임은 각각 data_event 와 sync_data_bio
- data_event : 랜덤하게 차량이 흔들린 이벤트시점, 그로부터 반응시간, 흔들린 면적
- sync_data_bio : ECG신호, 즉 심전도 데이터를 비롯한 중심부 혈압계, 호흡 등등 다양한 데이터가 포함된 프레임
- 이상치가 제거된 반응시간을 Reaction Time(RT)이라고 하면, RT 는 운전자가 운전 중 일 때 졸음과 깬 상태에 따라 다르게 나타난다.
- 그림과 같이 Response – Forced move = Reaction Time (RT)으로 정의할 수 있으며, 반응시간이 클수록 졸음 상태에 가깝고 반응시간이 적을수록 깬 상태에 가깝다. 따라 서 우리는 깨어 있을 때 = 0, 졸았을 때 = 1로 label을 설정 하여 연구를 진행한다[4]. RT를 변수로 설정하여 x축은 RT(s)로, y축은 RT에 2를 빼고 2를 더한 값에 5를 나눈 평균값인 5-averaged RT(s)로 설정한다. 그림 4과 같이 실험자가 RT와 RT의 평균값이 1.4 를 초과하면 졸음상태(drowsiness)로 판단하여 빨간색으로 표시되고, RT와 RT의 평균값이 1미만이면 깬 상태(Alertness) 로 판단하여 파란색을 표시된다.
전기 심박도(ECG)는 일정 기간 동안 심장의 전기 활동을 기록하는 검사입니다. ECG의 시간 영역(time-domain) 표현이 가장 일반적이지만, 푸리에 변환을 적용하면 ECG 신호에 존재하는 주파수 성분을 살펴볼 수 있습니다.
푸리에 변환을 통해 복잡한 ECG 신호를 구성 성분인 사인파와 코사인파로 분해할 수 있습니다. 이러한 주파수 영역(frequency-domain) 표현은 다음과 같은 분석에 유용할 수 있습니다:
- 노이즈 감소
- 신호 필터링
- 이상 리듬 식별
- 전처리: 원시 ECG 데이터는 노이즈를 제거하기 위해 전처리될 수 있습니다.
- 푸리에 변환: 푸리에 변환 알고리즘을 적용하여 ECG 데이터를 시간 영역에서 주파수 영역으로 변환합니다.
- 분석: 결과로 나온 주파수 스펙트럼은 중요한 특징과 패턴을 식별하기 위해 분석됩니다.
푸리에 변환을 통해 ECG 신호에서 지배적인 주파수를 명확하게 확인할 수 있으며, 이는 시간 영역 표현에서 바로 알아차리기 어려운 통찰력을 제공할 수 있습니다.
- 데이터 EDA
- 데이터 전처리
- 데이터 모델링
- 모델 평가