Uneliaisuuden tunnistaminen objektiivisten mittausten perusteella koneoppimista hyödyntämällä

Abstract

Kuljettajan uneliaisuus on merkittävä riskitekijä tieliikenteessä, ja se on osasyynä jopa 15-30 %:ssa liikenneonnettomuuksista. Heinäkuusta 2024 alkaen väsymyksen ja tarkkaavaisuuden tunnistusjärjestelmät tulevat pakollisiksi Euroopan unionin alueella rekisteröitävissä moottoriajoneuvoissa. Tämän pohjalta on kehitetty liikenneturvallisuutta parantavia järjestelmiä, jotka tarkkailevat kuljettajan vireystilaa. Järjestelmät voivat kerätä tietoa ajoneuvosta, kuljettajan fysiologisista signaaleista sekä käyttäytymisestä. Monet näistä järjestelmistä käyttävät Karolinska Sleepiness Scale -mittaria (KSS) vertailupohjana uneliaisuuden objektiivisille mittauksille.

Tämän opinnäytetyön tavoitteena oli tutkia, kuinka hyvin eri koneoppimismallit pystyvät ennustamaan KSS:lla mitattua subjektiivista uneliaisuutta objektiivisten mittausten perusteella. Tutkimuksessa käytettiin avoimesti saatavilla olevaa valmista aineistoa, joka sisälsi 18 koehenkilön 40 tuntia kestäneen valvontajakson aikana kerättyjä subjektiivisia ja objektiivisia uneliaisuuden mittauksia. Aineisto sisälsi elektroenkefalografian (EEG), elektro-okulografian (EOG) ja tarkkaavuus-testin (PVT) mittaustuloksia, joita käytettiin koneoppimismallien opettamisessa.

Opinnäytetyö on konstruktiivinen tutkimus, jossa yhdisteltiin teoriatietoa ja empiiristä tutkimusta. Aineisto esikäsiteltiin ja analysoitiin Python-ohjelmointikielellä. Mallien rakentamisessa vertailtiin kuutta eri luokittelualgoritmia: K-lähimmän naapurin luokitin, Naiivi Bayesin luokitin, tukivektorikone, logistinen regressio, päätöspuu ja satunnaismetsä. Mallien suorituskykyä arvioitiin binäärisessä ja moniluokkaisessa luokittelutehtävässä sekaannusmatriisiin pohjautuvien tunnuslukujen avulla, kuten tarkkuus, herkkyys, täsmällisyys, F1-arvo ja Cohenin kappa.

Naiivi Bayesin-luokitin osoittautui parhaaksi binäärisessä tehtävässä tarkkuudella 84 %. Moniluokkaisessa tehtävässä kaikkien mallien suorituskyky heikkeni, ja logistisella regressiolla saavutettiin 66 % tarkkuus. Tulosten perusteella koneoppimismalleilla on potentiaalia tunnistaa uneliaisuus objektiivisten mittausten perusteella, mutta moniluokkainen tehtävä on huomattavasti haastavampi. Yksittäisistä attribuuteista EEG:n vaikutus mallin tarkkuuteen oli tärkein. Tuloksia voidaan hyödyntää uneliaisuuden tunnistusjärjestelmien kehittämisessä ja liikenneturvallisuuden parantamisessa sekä terveydenhuollon toimintaympäristössä.

Driver drowsiness is a significant risk factor in road traffic and contributes to 15–30 % of traffic accidents. From July 2024, drowsiness and attention detection systems will become mandatory in motor vehicles registered in the European Union. Systems have been developed to objectively monitor the driver's alertness level, enhancing traffic safety. These systems can collect information from the vehicle, driver's physiological signals, and behavior. Many of these systems use the Karolinska Sleepiness Scale (KSS) as a ground truth for objective measurements of drowsiness.

The goal of this thesis was to investigate how well different machine learning models can predict subjective drowsiness measured by the KSS based on objective measurements. The study used publicly available data, which included subjective and objective drowsiness measurements collected during a 40-hour sleep deprivation period from 18 subjects. The data included measurements from electroencephalography (EEG), electrooculography (EOG), and a vigilance test (PVT), which were used to train the machine learning models.

This thesis is a constructive study that combined theoretical knowledge and empirical research. The original data was preprocessed and analyzed using Python programming. In model building, six different classification algorithms were compared: K-nearest neighbors, Naive Bayes, support vector machine, logistic regression, decision tree, and random forest. Model performance was evaluated in binary and multi-class classification tasks using confusion matrix based metrics, such as accuracy, sensitivity, precision, F1-score, and Cohen's kappa.

Based on the results, the Naïve Bayes model proved to be the best in predicting KSS classifications in the binary task with 84 % accuracy. In the multiclass task, the performance of all models was weaker. Logistic Regression achieved 66 % accuracy. The results showed that machine learning models have potential to identify drowsiness based on objective measurements, but the multiclass task is significantly more challenging. It was also found that EEG was more valuable in improving prediction accuracy than other attributes.

The research provided new insights into applying machine learning models in detecting driver drowsiness. The results can be utilized in the development of drowsiness detection systems and in improving traffic safety as well as in healthcare environments.