ترجمه مقاله بررسی حرکت آهسته چشم در تشخیص خستگی راننده با روش یادگیری ماشینی - نشریه IEEE

قیمت خرید این محصول

۳۳,۰۰۰ تومان

دانلود رایگان نمونه دانلود مقاله انگلیسی

عنوان فارسی

بررسی حرکت آهسته چشم در تشخیص خستگی راننده با روش یادگیری ماشینی

عنوان انگلیسی

Recognizing Slow Eye Movement for Driver Fatigue Detection with Machine Learning Approach

صفحات مقاله فارسی

19

صفحات مقاله انگلیسی

7

سال انتشار

2014

نشریه

آی تریپل ای - IEEE

فرمت مقاله انگلیسی

PDF

فرمت ترجمه مقاله

ورد تایپ شده

رفرنس

دارد

کد محصول

7365

وضعیت ترجمه عناوین تصاویر و جداول

ترجمه شده است

وضعیت ترجمه متون داخل تصاویر

ترجمه نشده است

وضعیت فرمولها و محاسبات در فایل ترجمه

به صورت عکس، درج شده است

رشته های مرتبط با این مقاله

مهندسی کامپیوتر

گرایش های مرتبط با این مقاله

هوش مصنوعی و مهندسی الگوریتم ها و محاسبات

مجله

کنفرانس بین المللی مشترک در شبکه های عصبی - International Joint Conference on Neural Networks

دانشگاه

گروه علوم کامپیوتر و مهندسی، آزمایشگاه کلیدی هیئت آموزش شانگهای، دانشگاه شانگهای جیائو تونگ، چین

فهرست مطالب

چکیده
1.مقدمه
2. روش تحلیل کامپیوتری
3. مواد
4.نتیجه گیری

نمونه چکیده متن اصلی انگلیسی

Abstract

Slow eye movement (SEM) regarded as a sign of onset of sleep is very significant for detecting driver fatigue, but its characteristics and detection algorithm have been rarely involved in the study of driver fatigue detection. In this study, some new features were extracted based on wavelet singularity analysis and statistics to detect SEMs. Six subjects participated in this simulated driving experiment, and for each subject, a more than 2 hours electro-oculogram (EOG) session was recorded. Each session was divided into SEM epochs and non-SEM epochs according to the common judgments made by the two of three experts by the visual recognition criteria of SEMs. Regarding the problem of detecting SEMs as an imbalance classification problem, and through the under-sampling and over-sampling methods a 2s horizontal electro-oculogram (HEO) signal could finally be recognized as the category of SEMs or non-SEMs with the classifiers SVM, GELM, and KNN respectively. Results prove that the proposed features was a little better than the wavelet energy features, and through the combination of the wavelet energy features and the new features based on wavelet singularity analysis and statistics, the classification results were improved obviously

نمونه چکیده ترجمه متن فارسی

چکیده
حرکت آهسته چشم به عنوان نشانه ای برای خواب در نظر گرفته می شود و برای تشخیص خواب آلودگی راننده اهمیت دارد اما مشخصه ها و الگوریتم های تشخیص آن به مطالعه بر روی انواع خستگی ایجاد شده در رانندگان بستگی دارد. در این مقاله برخی ویژگی های استخراج شده بر اساس تحلیل های آماری و برای تشخیص SEM وجود دارد. 6 نفر در این آزمایش شبیه سازی رانندگی شرکت کردند و برای هر فرد، بیش از دو ساعت نمودارهای الکتریکی (EOG) ثبت شد. هر جلسه به بررسی رفتارهای SEM و NON-SEM برای بررسی های متداول با کمک دو یا سه متخصص و با معیار تخصیص بصری صورت گرفت. در ارتباط با مسائل تشخیص SEM به عنوان مسائل طبقه بندی نامتعادل، و از طریق روش های زیر نمونه و پیش نمونه گیری، روش سیگنال نمودار الکتریکی افقی در نهایت به عنوان روشی برای طبقه بندی و تشخیص SEM و NON-SEM با طبقه بندی SVM، HELM و KNN به ترتیب استفاده گردید. نتایج نشان می دهد ویژگی های مورد نظر یافت شده کمی دارای نتایج بهتری نسبت به ویژگی های انرژی های موجی بود، و در مورد ترکیب ویژگی های موج انرژی و وِزگی های جدید بر اساس تحلیل و آماره تکینگی موجی، طبقه بندی نتایج بهبود یافته بود.

برچسب‌ها: دانلود رایگان مقالات انگلیسی مهندسی کامپیوتر