tsta

فارسی

Home / سی و دومین کنفرانس ملی و دهمین کنفرانس بین المللی مهندسی زیست پزشکی ایران

Multi-Level Driver Fatigue Detection Using EEG Signals with CNN–LSTM Models in a Compressed Sensing Framework

Authors :

Sobhan Sheykhivand¹ Nastaran Khaleghi²

1- Department of Biomedical Engineering Faculty of Interdisciplinary sciences and technologies Bonab, Iran 2- Department of Biomedical Engineering Faculty of Electrical and Computer Tabriz, Iran khaleghi@gmail.com

Keywords :

driver fatigue،multi-level classification،CNN،LSTM،compressed sensing,،EEG

Abstract :

Driver fatigue is a major contributor to road accidents, leading to reduced attention, slower reaction times, and impaired decision-making. This study presents a multi-level fatigue detection framework based on electroencephalography (EEG) signals, in which a Convolutional Neural Network (CNN) is employed to extract spatial patterns, and a Long Short-Term Memory (LSTM) network is used to model temporal dynamics in a cascaded architecture. To handle the high dimensionality and redundancy of EEG data, Compressed Sensing (CS) is applied with various compression ratios. Experimental results demonstrate that the proposed system achieves over 90% accuracy and an F1-score above 90% in multi-level fatigue classification. Even at a compression ratio of CR = 40%, the accuracy remains above 90%, while reducing the data volume by approximately 40%. Additional analyses using sensitivity, specificity, Cohen’s kappa, and ROC curves confirm the superiority of the proposed approach compared to baseline models (without CS or with simpler architectures). These findings indicate that the proposed framework is well-suited for real-time, portable driver monitoring systems.

List of archived papers

تحلیل مقایسه‌ای الگوریتم‌های یادگیری ماشین در تحلیل داده‌ها: دسته‌بندی، کاربردها و چالش‌ها

کیانا سادات تقوی - آزیتا شیرازی پور - سید جواد میر عابدینی

بررسی رابطه بین کیفیت حسابرسی و ویژگی های کیفی سود و هزینه سرمایه در شرکت های پذیرفته شده در بورس اوراق بهادار تهران

مهدی شامی زاده - حیدر محمدزاده سالطه

حسابداری مصرف منابع

مهدی هاتفی - صبا نورالهی

Performance Evaluation of Supervised Machine Learning Algorithms for Customer Classification in E-Commerce

Somayeh Ebrahimi Emamchai

هیدروژل‌های نانوکامپوزیتی تقویت‌شده با نانوالیاف آرامید عامل‌دار شده: راهبردی نوآورانه در راستای گسترش ساختارهای پیشرفته مورد استفاده در پزشکی بازساختی

فرهاد اسمعیل زاده - شهره مشایخان - اکبر شجاعی

یش‌بینی فرار مالیاتی مؤدیان حقوقی با تاکید بر مولفه‌های اقتصادی، مؤدیان و حسابرسان مالیاتی؛ با تکیه بر هوش مصنوعی

حسین بوذری

An Attention-Guided Convolutional Neural Network for Predicting Neoadjuvant Chemotherapy Response in Breast Cancer Patients

Parisa Donyaei - Javad Haddadnia

مکان یابی ایستگاه‌های آتش‌نشانی با استفاده از الگوریتم بهینه‌سازی ازدحام ذرات

مهدی عزیزمحمدی - سید محسن میرحسینی - آرش شعبانی

مطالعه ای بر نقش نوآوری و روش های فناوری اطلاعات (بلاک چین، اینترنت اشیا، حسابداری ابری، کلان داده) در کیفیت سیستم های اطلاعات حسابداری

فاطمه سپهوند - محمود همت فر

Predicting Sleep Efficiency and Apnea Index Using ECG-Derived and Sleep Quality Features: A Machine Learning Approach

Mahla Khodaverdi - Raheleh Davoodi

more

Samin Hamayesh - Version 42.4.1