Hodnocení únavy pomocí elektrookulografie

Rok / Year: 2014

Svazek / Volume: 16

Číslo / Number: 5

Hodnocení únavy pomocí elektrookulografie Fatigue evaluation using electrooculography Andrea Němcová, Oto Janoušek, Martin Vítek [email protected], [email protected], [email protected] Fakulta elektrotechniky a komunikačních technologií VUT v Brně

Abstrakt: Článek se zabývá možnostmi hodnocení únavy pomocí elektrookulografie. Je zde popsán průběh měření elektrookulogramu pomocí akvizičního systému Biopac včetně scén, které byly při měření promítány subjektům. Zpracováním signálů bylo získáno celkem 20 různých parametrů, které byly statisticky zpracovány. Výsledkem je vyhodnocení parametrů z hlediska jejich schopnosti detekovat únavu.

Abstract: The article deals with fatigue evaluation in electrooculography records (EOG). EOG recording using Biopac data acquisition system is described here. The EOG signals are recorded during the volunteers are watching prepared scenes. Recorded signals were processed and 20 parameters were acquired. These parameters were statistically evaluated. Then the parameters were discussed in terms of fatigue detection ability.

VOL.16, NO.5, OCTOBER 2014

Hodnocení únavy pomocí elektrookulografie Andrea Němcová, Oto Janoušek, Martin Vítek Fakulta elektrotechniky a komunikačních technologií VUT v Brně Email: [email protected], [email protected], [email protected] Abstrakt – Článek se zabývá možnostmi hodnocení únavy pomocí elektrookulografie. Je zde popsán průběh měření elektrookulogramu pomocí akvizičního systému Biopac včetně scén, které byly při měření promítány subjektům. Zpracováním signálů bylo získáno celkem 20 různých parametrů, které byly statisticky zpracovány. Výsledkem je vyhodnocení parametrů z hlediska jejich schopnosti detekovat únavu.

Následuje samotné zpracování, kterému se podrobněji věnuje kapitola 3. Získané parametry jsou statisticky zpracovány (kapitola 4) a na základě toho je rozhodnuto, zda se únava v daném parametru či u daného subjektu projevila (kapitola 5). Celkem bylo změřeno 10 dobrovolníků. Změření EOG neunaveného dobrovolníka

1 Úvod Únava je podle [1] a [2] obranný mechanismus, který se můţe projevovat mnoha psychickými i fyzickými příznaky. Únava můţe podle [3] způsobit problémy zejména u psychicky či fyzicky náročných profesí, ale i při běţných činnostech (např. při řízení automobilu), proto má smysl se jí zabývat a snaţit se ji detekovat. Podle [2] je únava zároveň subjektivní a tedy těţko měřitelná. Východisko spočívá v měření, analýze a porovnání biosignálů, ve kterých se únava projevuje, před únavou a po nástupu únavy (relativně) [2]. Signál EOG (elektrookulogram) byl vybrán z důvodu relativně snadné měřitelnosti a malé zátěţe pro měřeného (málo neinvazivních elektrod na přístupných místech). Výhodou je také jeho relativně vysoká výchylka a vysoký poměr signál/šum, díky čemuţ lze signál dobře zpracovat a spolehlivě vyhodnotit. [3] Kaţdý signál můţe mít různé parametry, pomocí kterých se únava hodnotí. Cílem této práce je získat různé parametry z nasnímaných signálů a následně je statisticky vyhodnotit z hlediska jejich schopnosti detekovat únavu.

Unavení dobrovolníka Změření EOG po únavě Předzpracování signálů Zpracování signálů Porovnání parametrů signálu před únavou a po únavě Rozhodnutí unavený/neunavený

Obrázek 1: Blokové schéma obecného postupu hodnocení únavy z EOG. 2.1 Akviziční systém Biopac

2 Postup záznamu EOG Obecný postup hodnocení únavy ze signálu EOG je naznačen v blokovém schématu na obrázku 1. Měřit a detekovat únavu lze v podstatě jen relativně [2]. To lze provést dvěma způsoby: (a) záznamem signálu před únavou, unavením subjektu a záznamem signálu po únavě, (b) kontinuálním měřením a zároveň unavováním subjektu. Způsob záznamu signálu EOG je blíţe popsán v kapitole 2.1 a scény, které má měřený subjekt sledovat, v kapitole 2.2. Snahou je unavit subjekt v co nejkratším čase, a proto je zde navrţen a realizován následující způsob unavování. Subjekt vykonává extrémní oční pohyby nepřetrţitě po dobu sedmi minut. Únava je ještě umocněna tím, ţe subjekt sedí proti zapnutému ventilátoru, coţ simuluje např. vliv klimatizace. Naměřené signály jsou nejprve předzpracovány, coţ znamená ořezány v čase na poţadovanou délku.

Pro záznam signálů EOG byla podle návodů [4] a [5] pouţita akviziční jednotka Biopac MP35, svodové kabely k elektrodám SS2L, Ag/AgCl elektrody, počítač s nainstalovaným softwarem Biopac Student Lab (BSL) 3.7.7 PRO, druhý počítač pro promítání scén měřenému a 2 monitory. Měřenému bylo nalepeno kolem očí 6 Ag/AgCl elektrod podle návodu [4], které byly svodovými kabely připojeny k akviziční jednotce Biopac MP35. Měření probíhalo bipolárně, a to ve dvou kanálech – horizontálním a vertikálním [4]. Měřený subjekt seděl na ţidli a ze vzdálenosti 40 cm sledoval střed monitoru, resp. zobrazené scény (kapitola 2.2). Pro účely záznamu EOG u dobrovolníků byla vytvořena lekce BSL s přednastavenými parametry snímání podle [5], které jsou uvedeny v tabulce 1.

171


Tabulka 1: Hodnoty akvizičních parametrů pro záznam EOG u dobrovolníků pomocí systému Biopac. Název parametru

Hodnota parametru

Počet kanálů

2 (horizontální a vertikální)

Reţim měření podle BSL

Elektrookulogram (EOG) 0,05 Hz–35 Hz

Rozsah měřených frekvencí

0,05 Hz–35 Hz

Vzorkovací frekvence

100 Hz

Zesílení

2 000×

Offset

0 mV

Vstupní vazba

AC (Alternating Current)

Hardwarový filtr

Horní propust (HP = HighPass) 0,05 Hz

Softwarový filtr

Není

okna je po kaţdé iteraci nastavena podle předchozího maxima či minima tak, aby byl nalezen správný extrém i v případě, ţe by došlo k větší nepřesnosti při odhadu periody, nebo kdyby došlo k výchylkám v periodicitě signálu. Z maxima a minima v jedné periodě se pak vypočítá rozsah špička-špička (značeno také jako min-max). Dále se vypočítá vzdálenost sousedních maxim a vzdálenost sousedních minim. Horizontální kanál EOG

Odhad periody

2.2 Navržené scény

Nalezení maxima a jeho pozice

Nalezení minima a jeho pozice

Obrázek 2: Blokové schéma algoritmu pro zpracování signálu nasnímaného při sledování rotující kuličky. U kaţdého měřeného subjektu byly zpracovány dva signály, které jsou vidět na obrázku 3 – jeden měřený před únavou (nahoře) a druhý po únavě (dole). Signál je vykreslen modře, v kaţdé periodě jsou zelenými krouţky vyznačeny kladné extrémy a červenými krouţky záporné extrémy. Fialovou svislou čárou je vyznačena první perioda signálu, kterou je potřeba ze signálu odhadnout. Horizontální kanál před únavou

3 Zpracování signálů

Signál

0.5

Maxima

Minima

Perioda

0

-0.5

Kaţdý ze tří typů naměřených signálů je zpracován jiným způsobem s ohledem na scénu, kterou měřený sledoval. Díky tomu jsou získány různé parametry.

0

500

1000

1500

2000

2500

3000

3500

4000

4500

5000

Napětí [mV]

Vzorky Horizontální kanál po únavě

3.1 Algoritmus - rotující kulička Algoritmus pro zpracování signálu nasnímaného při sledování kuličky je znázorněn v blokovém schématu na obrázku 2. Vstupem tohoto algoritmu je horizontální kanál signálu EOG, kde nejsou patrná mrknutí. Dalším krokem je odhad periody signálu, který lze provést přímo ze signálu. Následně je signál procházen oknem o délce jedné periody, které má střed v předpokládaném maximu či minimu. V tomto okně se hledá maximum či minimum včetně jeho pozice (času). Pozice

Procházení signálu oknem o délce jedné periody a středem v předpokládaném minimu

Výpočet rozsahu špička-špička, vzdálenosti sousedních maxim a vzdálenosti sousedních minim

Napětí [mV]

Pro tuto práci byly vymyšleny a vytvořeny celkem 3 různé scény, které má měřený subjekt za úkol sledovat za současného měření signálu EOG. Cílem kaţdé scény je specificky vést oči měřeného subjektu a následně sledovat, jaký vliv můţe mít konkrétní scéna, resp. různé oční pohyby na únavu. První dynamickou scénou je kulička pohybující se po kruhové trajektorii (rotující kulička). Při sledování této scény vykonává subjekt jednoznačně daný, opakující se pohyb. Druhou dynamickou scénou je video se záznamem jízdy v autě. Tato scéna dává měřenému volnost ve sledování, měla by působit přirozeně a měla by být i přirozeně sledována podle psychického a fyzického rozpoloţení měřeného. Scéna byla vytvořena s ohledem na algoritmus, který bude pouţit pro zpracování příslušného naměřeného signálu [6]. Třetí statickou scénou je kříţ, jehoţ střed má být fixován. Cílem této scény je záznam malých, zejména mimovolních očních pohybů. Zároveň v tomto signálu díky malým výchylkám dobře vyniknou mrknutí, coţ je výhodné pro následné zpracování daného signálu pomocí algoritmu popsaného v kapitole 3.2, který vychází z článku [3].

Procházení signálu oknem o délce jedné periody a středem v předpokládaném maximu

Signál

0.5

Maxima

Minima

Perioda

0

-0.5

0

500

1000

1500

2000

2500

3000

3500

4000

4500

5000

Vzorky

Obrázek 3: Horizontální kanál EOG zaznamenaný při sledování rotující kuličky před únavou (nahoře), po únavě (dole). Fialovou svislou čárou je vyznačena odhadnutá první perioda, červenými krouţky jsou vyznačeny záporné extrémy a zelenými krouţky kladné extrémy signálu v kaţdé periodě.

172


3.2 Algoritmus – fixace kříže (mrknutí) Algoritmus pro získání parametrů mrknutí ze signálu nasnímaného při fixaci kříţe vychází z článku [3]. Algoritmus byl přizpůsoben podmínkám a signálům v této práci. Jeho zjednodušené blokové schéma je uvedeno na obrázku 4. Vertikální kanál EOG Filtrace dolní propustí Výpočet rozdílového signálu Porovnání s prahem > 0 a prahem < 0

Aproximace 1. derivace (rychlost) s prahy a průsečíky signálu s prahy Aprox. 1. derivace

Označení mrknutí pomocí 4 bodů

bější výrazné vychýlení očí vertikálním směrem. Minimální rozdíl funkčních hodnot dvou bodů označujících otvírání nebo zavírání očí musí být rovněţ větší neţ předem stanovená hodnota. Tyto dvě podmínky slouţí rovněţ pro zpřesnění označení mrknutí a byly také vytvořeny na základě zkušeností, nejsou součástí původní metody popsané v článku [3]. Po označení všech špiček potencionálních mrknutí se vypočítá napětí mrknutí. Pokud je toto napětí větší neţ nastavené minimální (prahové) napětí, pak se jedná o mrknutí, pokud ne, pak se o mrknutí nejedná a průsečíky jsou smazány. [3] Po označení kaţdého mrknutí právě čtyřmi body (obrázek 5 dole) je moţné vypočítat parametry mrknutí uvedené v článku [3]. Těchto parametrů je celkem 11 a jejich výčet je součástí kapitoly 4.2. Takto byl zpracován u kaţdého subjektu pouze jeden signál, ve kterém by se únava měla zvyšovat v průběhu času.

Označení mrknutí pomocí 4 bodů Výpočet napětí mrknutí

5

0

-5 8100

Aprox. 1. derivace signálu 8150

8200

8250

8300

Průsečíky

Prahy 8350

8400

8450

8500

Vzorky Filtrovaná vertikální složka EOG s body určujícími mrknutí

Porovnání s prahem 0.4

Napětí [mV]

Výpočet parametrů mrknutí

Obrázek 4: Blokové schéma algoritmu pro získání parametrů mrknutí ze signálu EOG nasnímaného při fixaci kříţe. Vstupem algoritmu je vertikální kanál EOG, kde jsou dobře patrná mrknutí. Tento signál je filtrován dolní propustí s mezní frekvencí 10 Hz a následně kompenzováno zpoţdění. Dále je vypočtena aproximace první derivace. [3] Poté jsou zvoleny dva prahy, jeden kladný a druhý záporný. Pro získání co nejlepších výsledků byly prahy voleny empiricky a pro kaţdý subjekt zvlášť. Aproximace první derivace je prahována těmito prahy, a tak jsou získány průsečíky (obrázek 5 nahoře). Cílem je získat pouze průsečíky, které označují mrknutí, ostatní průsečíky musí být smazány. [3] Nejprve byly smazány průsečíky, v nichţ práh tvoří tečnu ke špičce aproximace první derivace. Vţdy jsou totiţ potřeba dva průsečíky prahu se špičkou. Dále se pro zpřesnění označení mrknutí osvědčilo to, ţe pokud jsou v aproximaci první derivace v určité předem nastavené vzdálenosti vedle sebe dvě nadprahové špičky (obě kladné nebo obě záporné), pak jsou smazány vnitřní průsečíky a ponechány pouze vnější. Obě špičky jsou pak brány jako jedna špička. Tato zpřesnění označení mrknutí byla vytvořena na základě zkušeností nad rámec článku [3]. Průsečíky jsou následně promítnuty do původního filtrovaného signálu a je zjišťováno, zda sousední čtyři body určují špičku mrknutí. Pokud ano, jsou ponechány, pokud ne, jsou smazány. A pokud je špička mrknutí určena méně neţ čtyřmi body, jsou také smazány. Další podmínkou je, ţe délka mrknutí nesmí být delší neţ určitá předem stanovená hodnota. Tato podmínka je zde z toho důvodu, aby nebylo jako mrknutí označeno např. dlouhodo-

0.3

Filtrovaná vertikální složka EOG

Označení mrknutí

0.2 0.1 0 8100

8150

8200

8250

8300

8350

8400

8450

8500

Vzorky

Obrázek 5: Nahoře je vykreslena aproximace první derivace filtrované vertikální sloţky signálu EOG, zeleně jsou vyznačeny prahy a červeně průsečíky signálu s prahy. Dole je pak filtrovaná vertikální sloţka EOG s finálním označením mrknutí – kaţdé mrknutí je vyznačeno čtyřmi červenými kříţky. Je zde vidět špička (první zleva), která sice při prahování označena byla (nahoře), ale na základě následného zpřesňování a úprav není povaţována za mrknutí. 3.3 Algoritmus – fixace kříže (zraková nestabilita) Algoritmus pro získání parametrů zrakové nestability vychází z algoritmu pro získání parametrů mrknutí (kapitola 3.2). Jeho blokové schéma je uvedeno na obrázku 6. Vstupem algoritmu je vertikální i horizontální sloţka signálu EOG nasnímaného při fixaci kříţe. Tento signál je měřen a zpracován pouze jednou, protoţe se předpokládá, ţe únava se zvyšuje v průběhu času. Oproti algoritmu, který získá parametry mrknutí, se v tomto případě neprovádí filtrace dolní propustí, protoţe jsou potřeba všechny frekvence, které signál obsahuje. Byla zde provedena kompenzace zpoţdění z důvodu návaznosti na algoritmus pro získání parametrů mrknutí. Mrknutí jsou tedy označena v nefiltrované vertikální sloţce signálu a cílem je jejich odstranění, aby nezkreslovala ostatní oční pohyby, které mají malé napětí. Odstranění mrknutí bylo pro-

173


vedeno nahrazením hodnot označených špiček mrknutí lineárně interpolovanými hodnotami mezi krajními body špiček mrknutí. Vertikální kanál EOG

Suma euklidovských vzdáleností po procházení oknem Suma euklidovských vzdáleností

Horizontální kanál EOG

ale bylo poměrně náročné pracovat se všemi téměř 60 000 hodnotami parametru. Proto je pouţito okno o délce 100 (hodnota vzorkovací frekvence), resp. 1 sekunda, kterým se prochází vektor euklidovských vzdáleností a je počítána jejich suma v okně. Výsledek je vidět na obrázku 8.

Označení mrknutí Odstranění mrknutí Výpočet euklidovské vzdálenosti každého bodu ve 2D prostoru od bodu [0, 0]

20

15

10

5

0

Procházení nepřekryvným obdélníkovým oknem

Poté se vypočítají euklidovské vzdálenosti kaţdého bodu ve 2D prostoru od bodu [0, 0]. Euklidovskou vzdálenost, na obrázku 7 označena d, lze v tomto případě počítat podle Pythagorovy věty jako přeponu trojúhelníku podle vzorce (1): (1) 𝑑 𝑖 = 𝑥(𝑖)2 + 𝑦(𝑖)2 kde d(i) je počítaná euklidovská vzdálenost i-tého vzorku, x(i) je výchylka horizontálního kanálu EOG a y(i) výchylka vertikálního kanálu EOG v i-tém vzorku. Vektor euklidovských vzdáleností bude procházen nepřekryvným obdélníkovým oknem o zvolené délce N a v kaţdém okně bude počítána suma těchto vzdáleností.

300

400

500

600

3.4 Algoritmus – sledování videa Algoritmus pro zpracování signálu nasnímaného při sledování videa před únavou a pak po únavě vychází z článku [6]. Jeho upravené blokové schéma je uvedeno na obrázku 9.

y - výchylka vertikálního kanálu EOG

Horizontální kanál EOG

Vertikální kanál EOG

Aproximace první derivace

Aproximace první derivace

Absolutní hodnota

Absolutní hodnota

Fúze Porovnání s prahem

x1

[0, 0]

200

Obrázek 8: Graf závislosti sumy euklidovských vzdáleností EOG (zrakové nestability) na čase (resp. okně).

Obrázek 6: Blokové schéma algoritmu pro získání parametru oční nestability ze signálu EOG nasnímaného při fixaci kříţe.

d

100

Okno

Výpočet sumy vzdáleností v okně

2D prostor

0

Výpočet sumy binárního signálu (doba trvání REM)

y1

x - výchylka horizontálního kanálu EOG

Obrázek 9: Blokové schéma algoritmu pro zpracování signálu EOG nasnímaného při sledování videa.

Obrázek 7: Ukázka 2D prostoru EOG s vykreslenými body a výpočtem euklidovské vzdálenosti slouţící pro výpočet parametru oční nestability.

Vstupem algoritmu je horizontální a vertikální kanál EOG nasnímaného při sledování videa. Aproximace první derivace se provede jako rozdíl původního signálu a jeho o 2 vzorky posunuté verze. Poté je aplikována na aproximaci první derivace absolutní hodnota, aby se dal signál prahovat pouze jedním prahem. V této fázi se ještě vypočítá fúzovaný signál jako součet aproximací prvních derivací horizontální a vertikální sloţky. [6] Aproximace první derivace horizontálního, vertikálního a fúzovaného signálu jsou poté prahovány. Na obrázku 10 nahoře je zobrazen krátký úsek aproximace první derivace

Parametr oční nestability (euklidovská vzdálenost) bude hodnocen v čase, proto je potřeba mít více neţ 1 hodnotu (sumu všech euklidovských vzdáleností v signálu). Zároveň by

174


fúzovaného signálu, zeleně je zde vykreslen práh. Aby byly výsledky pro všechny subjekty objektivnější a algoritmus automatizovaný, je práh spočítán jako medián aproximace první derivace fúzovaného signálu daného subjektu (stanoveno empiricky). Jednotný práh je pouţit u daného subjektu na aproximaci první derivace fúzovaného signálu, horizontálního a vertikálního kanálu, a to před únavou i po únavě. Výsledkem prahování je binární signál (obrázek 10 dole), kde 0 značí pomalé oční pohyby (SEM) a 1 rychlé oční pohyby (REM). Výstupní parametr je pak vypočítán jako suma binárního signálu, tedy doba trvání REM. Aprox. 1. derivace

Aproximace 1. derivace fúzovaného signálu 0.1

Aprox. 1. derivace signálu

Práh

0.05

0

0

10

20

30

40

50

60

70

80

90

100

80

90

100

SEM (0), REM (1)

Vzorky Binární signál - SEM (0), REM (1) 1 0.5 0 0

10

20

30

40

50

60

70

Vzorky

Obrázek 10: Nahoře je vykreslen výřez aproximace první derivace fúzovaného signálu EOG nasnímaného při sledování videa, zeleně je vyznačen práh. Dole je pak výsledek prahování – binární signál informující o přítomnosti SEM (0) nebo REM (1). Celkem jsou získány 3 parametry (3 hodnoty před únavou a 3 hodnoty po únavě): doba trvání REM v horizontálním kanálu, doba trvání REM ve vertikálním kanálu a doba trvání REM ve fúzovaném signálu. Doba trvání SEM je v podstatě redundantní, protoţe je rozdílem délky signálu a doby trvání REM.

4 Statistické vyhodnocení parametrů Ze všech signálů bylo získáno celkem 20 různých parametrů. Tyto parametry jsou statisticky vyhodnoceny. Před samotným testováním dat je třeba otestovat jejich normalitu a na základě toho rozhodnout, jaký test bude pouţit. Pro hodnocení normality dat byly vykresleny histogramy příslušných proměnných a proveden Shapiro-Wilkův (S-W) test. 4.1 Parametry – rotující kulička U signálu nasnímaného při sledování rotující kuličky jsou získány a statisticky hodnoceny tyto parametry: minimum v kaţdé periodě, maximum v kaţdé periodě, rozsah špičkašpička, vzdálenost sousedních maxim a vzdálenost sousedních minim.

Na statistické hodnocení těchto parametrů se dá pohlíţet ze dvou úhlů. První se dívá na data a subjekty jako na celek a výsledkem je, zda se daný parametr statisticky významně mění s únavou (kapitola 4.1.1). Druhý úhel pohledu bere data z hlediska subjektu a zjišťuje se, zda se parametr mění s únavou u konkrétního subjektu (kapitola 4.1.2). 4.1.1 Hodnocení únavy z hlediska parametrů Cílem je zjištění, zda se mezi parametry obou signálů (před únavou a po únavě) projeví statisticky významný rozdíl, tedy zda je daný parametr ukazatelem únavy. Protoţe výchylky signálu nejsou stejné u všech naměřených dobrovolníků (zejména z důvodů nestejné impedance kůţe), je nutné v tomto případě data normalizovat. Normalizace byla provedena tak, ţe se vypočítaly průměry všech parametrů pro všechny subjekty před únavou a po únavě a z těchto průměrů se vypočítaly procentuální rozdíly před únavou a po únavě (tabulka 2 v příloze), znaménko minus značí sníţení výchylky po únavě, naopak plus zvýšení výchylky. Jelikoţ data nemají normální rozloţení, bylo nutné podle [7] a [8] pouţít neparametrický test – jednovýběrový Wilcoxonův test. Nulová hypotéza zní: medián daného parametru je roven konstantě, v tomto případě 0 (není statisticky významný rozdíl mezi signálem před únavou a po únavě) [7]. Jestliţe je p-hodnota < 0,05, na hladině významnosti 5 % se zamítá nulová hypotéza a lze říci, ţe mezi parametry před únavou a po únavě je statisticky významný rozdíl a také, ţe parametr je ukazatelem únavy – v tabulce 2 v příloze vyznačeno červeně. Jedná se o parametry minimum a rozsah špičkašpička, tyto parametry jsou tedy dobrými ukazateli únavy v signálu. 4.1.2 Hodnocení únavy z hlediska subjektů Cílem je zjistit, zda existuje statisticky významný rozdíl mezi daty získanými před únavou a po únavě subjektu. Takto lze zjistit, zda se u konkrétního jedince v daném parametru projevila či neprojevila únava. Výběr testu pro testování dat se odvíjí od normality či nenormality těchto dat. V obou případech se však jedná o dvouvýběrový párový test. Pokud jsou data v obou souborech (páru), které chceme porovnat, normálně rozloţena, lze pouţít parametrický test pro jejich testování. V tomto případě se provede párový t-test. Pokud však jeden nebo oba výběry nemají normální rozloţení, je nutno pouţít neparametrický test, v tomto případě Wilcoxonův test. [7] Nulová hypotéza zní: není rozdíl mezi testovanými soubory dat, tedy mezi parametry získanými před únavou a po únavě [7]. Jestliţe je p-hodnota < 0,05, na hladině významnosti 5 % se zamítá nulová hypotéza a lze říct, ţe mezi parametry před únavou a po únavě je statisticky významný rozdíl. V tabulce 3 v příloze je červeně vyznačeno zamítnutí nulové hypotézy. Výsledky testů uvedené v tabulce 3 v příloze poukazují na to, ţe v 7 případech z 10 je statisticky významný rozdíl u parametru maxima. To znamená, ţe podle tohoto parametru je rozdíl mezi signálem naměřeným před únavou a po únavě. U parametru minima a parametru rozsah špička-špička je statisticky významný rozdíl v 9 případech. Tyto parametry

175


jsou ukazateli únavy. U vzdálenosti kaţdých dvou sousedních maxim a minim se statisticky významný rozdíl nepotvrdil, nulová hypotéza nebyla zamítnuta. Tyto parametry tedy nelze povaţovat za ukazatele únavy. Statistické výsledky sice vypovídají o významnosti rozdílů mezi signály před únavou a po únavě, ale pro znázornění kvantifikace změny je vhodné doplnit statistiku o grafy. Tak lze zjistit, zda se hodnoty po únavě posunuly směrem nahoru nebo dolů. Na obrázku 11 je znázorněn typický vývoj parametrů, u kterých je testem potvrzena statistická významnost. Hodnoty získané před únavou jsou vyznačeny modře, hodnoty získané po únavě červeně. 0,8 0,6

Napětí [mV]

0,4 0,2 0 -0,2

0

5

10

15

20

25

30

35

40

45

50

55

-0,4 -0,6

Pořadí periody

Max před únavou Min před únavou Rozsah špička-špička před únavou

Max po únavě Min po únavě Rozsah špička-špička po únavě

Obrázek 11: Graf typického vývoje parametrů maxima a minima v kaţdé periodě a rozsahu špička-špička před únavou (modře) a po únavě (červeně), pokud jsou statisticky významné. Grafy korelují s výsledky provedených testů. Pokud je rozdíl mezi daným parametrem před únavou a po únavě statisticky významný, pak je to zřetelné i v grafech. Z tabulky 3 a grafů tedy vyplývá, ţe u parametru maxima došlo po únavě ke statisticky významnému sníţení výchylky v 6 případech, proto tento parametr nelze povaţovat za dobrý ukazatel únavy. U parametru minima a rozsah špička-špička nastalo statisticky významné sníţení hodnot po únavě v 8 případech. Tyto parametry lze povaţovat za poměrně dobré ukazatele únavy. 4.2 Parametry mrkání – fixace kříže U signálu nasnímaného při fixaci kříţe je získáno a statisticky zpracováno 11 parametrů: elektrické napětí při mrknutí, doba trvání mrknutí, doba trvání zavírání očí, doba trvání otvírání očí, doba, kdy jsou oči zavřené, časový interval mezi dvěma mrknutími, průměrná rychlost zavírání očí, průměrná rychlost otvírání očí, maximální rychlost zavírání očí, maximální rychlost otvírání očí a energie mrknutí. Cílem je vyhodnotit vývoj parametrů v čase a zjistit, zda se v jednotlivých parametrech projeví únava. Čas je zde povaţován za nezávislou proměnnou a jednotlivé parametry pak za

závislé proměnné. Pro hodnocení těchto parametrů byla pouţita lineární regrese, resp. pouze směrnice regresních přímek, jejichţ hodnoty jsou uvedeny v tabulce 4 v příloze. U některých parametrů jsou v tabulce 4 v příloze uvedeny předpoklady vývoje parametrů v čase a při zvyšující se únavě, které jsou získány z [9]. U těchto parametrů je tedy v tabulce 4 v příloze uvedeno, u kolika subjektů se předpoklad potvrdil. U ostatních parametrů předpoklad není, a proto jsou hodnoceny relativně (u kolika subjektů došlo ke zvýšení parametru a u kolika ke sníţení). Parametr elektrické napětí při mrknutí splňuje předpoklad [9] u 7 subjektů z 10, u těchto subjektů dochází ke sníţení napětí v průběhu času. U parametru doba trvání mrknutí je předpoklad jeho zvýšení [9] splněn v polovině případů, tento parametr je tedy nevhodný jako ukazatel únavy. U doby trvání zavírání očí není ţádný předpoklad, u 6 subjektů došlo ke zkrácení doby trvání zavírání očí, naopak u 4 subjektů k jejímu prodlouţení. Doba trvání otvírání očí se u 5 subjektů prodluţuje a u 5 zkracuje, je to rovněţ nevhodný ukazatel únavy. Doba, kdy jsou oči zavřené, se prodluţuje u 7 subjektů, u 3 subjektů se zkracuje. Časový interval mezi dvěma mrknutími má podle [9] rovněţ předpoklad, a to zkrácení tohoto intervalu, tedy zvýšení frekvence mrkání. Tento předpoklad je splněn u 6 subjektů. U průměrných a maximálních rychlostí zavírání a otvírání očí je předpokladem sníţení rychlosti [9]. Parametry průměrná rychlost zavírání očí, maximální rychlost zavírání očí a maximální rychlost otvírání očí splňují tento předpoklad u 6 subjektů. U průměrné rychlosti otvírání očí je předpoklad splněn u 8 subjektů. Posledním parametrem je energie mrknutí, kde není předpoklad o vývoji v čase při zvyšování únavy. Zde došlo u 7 subjektů k poklesu energie mrknutí, naopak u 3 subjektů ke zvýšení energie mrknutí. Z těchto výsledků je zřejmé, ţe ţádný z uvedených parametrů není stoprocentním ukazatelem únavy. Nejlepším ukazatelem únavy je podle výsledků průměrná rychlost otvírání očí, a potom elektrické napětí při mrknutí, doba zavřených očí a energie mrknutí. 4.3 Parametr zrakové nestability – fixace kříže Podle [10] je předpokladem zvýšení zrakové nestability v čase (pohled by měl být více roztěkaný), coţ znamená zvýšení euklidovské vzdálenosti. Pro vyhodnocení byla pouţita metoda lineární regrese a zaznamenány pouze hodnoty směrnice regresních přímek (tabulka 5 v příloze). Červeně je zvýrazněno splnění předpokladu. Z tabulky 5 v příloze je zřejmé, ţe předpoklad zvýšení zrakové nestability je splněn u 5 subjektů, u ostatních 5 subjektů dochází naopak ke sníţení zrakové nestability. Tento parametr tedy není vhodným ukazatelem únavy. Navíc je velmi citlivý na způsob a kvalitu odfiltrování mrknutí. 4.4 Parametry – sledování videa Výchylky signálů u různých subjektů nejsou stejné, proto je vhodné data normalizovat. Normalizace byla provedena tak, ţe se vypočítal procentuální rozdíl parametrů získaných před únavou a po únavě. Ty jsou uvedeny v tabulce 6 v příloze, znaménko minus značí sníţení doby trvání REM po únavě,

176


naopak plus zvýšení doby trvání REM. Podle [6] je předpokladem, ţe po únavě by se měla doba trvání rychlých očních pohybů sníţit (to znamená, ţe všechny procentuální rozdíly by měly být záporné). Data nejsou normálně rozloţena, proto byl pro jejich testování pouţit podle [7] a [8] neparametrický test – jednovýběrový Wilcoxonův test a tato data byla testována proti hodnotě 0 (ţádný rozdíl mezi signálem před únavou a po únavě). Nulová hypotéza zní: medián daného parametru je roven konstantě, v tomto případě 0 (není statisticky významný rozdíl mezi signálem před únavou a po únavě) [7]. Pokud je p-hodnota < 0,05, nulová hypotéza se zamítá na hladině významnosti 5 % a lze říci, ţe mezi parametry před únavou a po únavě je statisticky významný rozdíl (parametr je ukazatelem únavy). V tabulce 6 v příloze uvedené p-hodnoty Wilcoxonova testu jsou však pro všechny parametry vyšší neţ 0,05, proto nulová hypotéza není zamítnuta. Doba trvání REM v tomto případě není ukazatelem únavy.

zičního systému Biopac, charakteristiku navrţených scén, které má dobrovolník sledovat za současného snímání EOG. Dále pak obsahuje popis zpracování signálů a získání různých parametrů, jejich statistické vyhodnocení a diskuzi. Celkem tedy bylo získáno 20 parametrů signálů EOG. Ukázalo se, ţe ţádný parametr není stoprocentním ukazatelem únavy. Nejlepšími parametry pro hodnocení únavy jsou minimum v kaţdé periodě a rozsah špička-špička ze signálu nasnímaného při sledování rotující kuličky a potom průměrná rychlost otvírání očí ze signálu nasnímaného při fixaci kříţe. Na základě výběru nejlepšího parametru z hlediska schopnosti detekce únavy byla v programovém prostředí Matlab vytvořena aplikace s grafickým uţivatelským prostředím. Tato aplikace dokáţe z naměřených signálů kvantifikovat únavu na základě změny vybraného parametru. Právě tato aplikace je námětem na další článek.

5 Diskuze výsledků

[1] JANČÍK, Jiří, Eva ZÁVODNÁ a Martina NOVOTNÁ. Fyziologie tělesné zátěţe – vybrané kapitoly. [online]. Brno, 2006 [cit. 2013-09-19]. Dostupné z: http://is.muni.cz/elportal/estud/fsps/js07/fyzio/texty/inde x.html.

Celkem bylo získáno a statisticky vyhodnoceno 20 parametrů. V této kapitole budou parametry diskutovány z hlediska jejich schopnosti detekovat únavu. Kompletní přehled parametrů a výsledky statistického hodnocení jsou uvedeny v tabulce 7 v příloze. Z této tabulky vyplývá, ţe ţádný parametr se u všech subjektů pouze nezvýšil nebo pouze nesníţil. Ţádný parametr proto není stoprocentním ukazatelem únavy. Jako nejlepší parametry pro hodnocení únavy se ukázaly minimum v kaţdé periodě, rozsah špička-špička a potom průměrná rychlost otvírání očí, které jsou v tabulce 7 v příloze vyznačeny červeně. První dva parametry byly získány ze signálu nasnímaného při sledování rotující kuličky. Pomocí statistických testů bylo dokázáno, ţe je statisticky významný rozdíl mezi těmito parametry před únavou a po únavě a také bylo zjištěno, ţe u 8 subjektů došlo ke sníţení těchto parametrů po únavě. U parametru průměrná rychlost otvírání očí, který byl získán ze signálu nasnímaného při fixování kříţe, se u 8 subjektů potvrdil předpoklad sníţení rychlosti se zvyšující se únavou. Poměrně dobrými parametry pro hodnocení únavy jsou podle tabulky 7 v příloze ještě elektrické napětí při mrknutí, doba, kdy jsou oči zavřené, a energie mrknutí, všechny ze signálu získaného při fixaci kříţe. Ostatní parametry nejsou vhodné pro hodnocení únavy, protoţe buď nejsou statisticky významné, nebo se přibliţně u poloviny subjektů zvyšují a u poloviny sniţují nebo neodpovídají předpokladu u dostatečného počtu subjektů.

6 Závěr Tématem práce bylo hodnocení únavy pomocí elektrookulografie a jejím cílem pak získání různých parametrů EOG a jejich zhodnocení z hlediska schopnosti detekovat únavu. Práce obsahuje kompletní postup měření EOG pomocí akvi-

Literatura

[2] NOUZA, Martin. Únava známá a neznámá. [online]. Praha, prosinec 1999 [cit. 2013-09-19]. Dostupné z: http://www.imunologie.cz/unavovy-syndrom.html. [3] WEI, Zheng-Ping a Bao-Liang LU. Online vigilance analysis based on electrooculography. In: The 2012 International Joint Conference on Neural Networks (IJCNN) [online]. IEEE, 2012, s. 1-7 [cit. 2013-09-25]. ISBN 978-1-4673-1490-9. DOI: 10.1109/IJCNN.2012.6252594. Dostupné z: http://ieeexplore.ieee.org/lpdocs/epic03/wrapper.htm?arn umber=6252594. [4] PFLANZER, Richard, a kol. BIOPAC SYSTEM, Inc. Biopac Student Lab: Laboratory Manual. 1. vyd. Goleta, CA, 2007. [5] BIOPAC SYSTEMS, Inc. Biopac Student Lab PRO Manual: Professional Version 3.7.7 [online]. 09.09.2010 [cit. 2013-11-20]. Dostupné z: http://www.biopac.com/ manuals/BSL%20PRO%203_7%20Manual.pdf. [6] CHIEH, Thum Chia, Mohd. Marzuki MUSTAFA a Aini HUSSAIN. Development of vehicle driver fatigue monitoring and prevention system. In: The 4th Annual Seminar of National Science Fellowship 2004 [online]. 2004 [cit. 2013-11-17]. Dostupné z: http://web.usm.my/nsf/proceedings/pICT03.pdf. [7] PAVLÍK, Tomáš a Ladislav DUŠEK. Biostatistika. Vyd. 1. Brno: Akademické nakladatelství CERM, 2012, 131 s. ISBN 978-80-7204-782-6.

177


[8] How to Perform a Wilcoxon Signed-Rank Test for One Sample. In: STATSOFT. StatSoft News & Blogs [online]. June 29, 2010 [cit. 2014-04-20]. Dostupné z: http://www.statsoft.com/support/blog/entryid/142/howto-perform-a-wilcoxon-signed-rank-test-for-one-sample. [9] THORSLUND, Birgitta. Electrooculogram Analysis and Development of a System for Defining Stages of Drowsiness [online]. Linköping, 2003 [cit. 2014-04-24]. Dostupné z: http://www.diva-portal.org/smash/get/ diva2:673960/FULLTEXT01.pdf. Master’s Thesis Pro-

ject in Biomedical Engineering. Reprint from Linköping University, Dept. Biomedical Engineering. [10] DI STASI, Leandro L., Michael B. MCCAMY, Andrés CATENA, Stephen L. MACKNIK, José J. CAÑAS a Susana MARTINEZ-CONDE. Microsaccade and drift dynamics reflect mental fatigue. In: European Journal of Neuroscience [online]. 2013, s. 2389-2398 [cit. 2013-1128]. ISSN 0953816x. DOI: 10.1111/ejn.12248. Dostupné z: http://doi.wiley.com/10.1111/ejn.12248.

178


Přílohy Tabulka 2: Procentuální změny parametrů získaných ze signálu nasnímaného při sledování rotující kuličky před únavou a po únavě a p-hodnota Wilcoxonova testu. Červeně jsou vyznačeny p-hodnoty < 0,05 (příslušné parametry jsou ukazateli únavy).

Subjekt

Max -17,6991 -25,4254 -7,6503 10,3785 -17,1956 -7,3887 0,2345 -6,4299 3,9700 10,2831

1 2 3 4 5 6 7 8 9 10 Wilcoxon test: p-hodnota [-]

0,2411

Změna výchylky signálu způsobená únavou [%] Min Rozsah špička-špička Max-max Min-min -22,2147 -20,0031 0,2377 0,3717 -6,3756 -16,8571 -0,2881 0,2550 -12,3654 -10,1979 0,0636 -0,0463 -23,8100 -10,0367 -0,3931 -0,2256 -16,2623 -16,7141 -0,1620 -0,0520 -9,7942 -8,5957 -0,0231 -0,0695 3,1352 1,7449 0,1444 0,1334 -6,9618 -6,7303 -0,1562 0,4472 -18,3571 -8,4624 0,0116 -0,1850 14,8141 12,4738 0,2782 -0,0578 0,0367

0,0469

0,6465

0,6465

Tabulka 3: P-hodnoty Wilcoxonova a t-testu pro jednotlivé parametry a subjekty. Červeně jsou vyznačeny p-hodnoty < 0,05 (u daného subjektu se v příslušném parametru projevila únava).

Subjekt (N = 10) 1 2 3 4 5 6 7 8 9 10 Statisticky významné případy

Max W: p < 0,05 W: p < 0,05 W: p = 0,0001 W: p = 0,2799 W: p < 0,05 W: p < 0,05 W: p = 0,7918 W: p = 0,0002 W: p = 0,3767 W: p < 0,05 7

p-hodnoty testů (W = Wilcoxon test, tt = t-test) [-] Rozsah špičkaVzdálenost Min špička max-max tt: p < 0,05 tt: p < 0,05 tt: p = 0,8184 W: p = 0,0205 W: p < 0,05 tt: p = 0,9015 W: p = 0,0001 W: p < 0,05 tt: p = 0,9719 W: p < 0,05 W: p = 0,0002 W: p = 0,9966 W: p < 0,05 W: p < 0,05 W: p = 0,6853 W: p < 0,05 W: p < 0,05 W: p = 0,8734 W: p = 0,2955 W: p = 0,3881 W: p = 0,9541 W: p = 0,0134 W: p = 0,0004 W: p = 0,9348 W: p < 0,05 W: p < 0,05 tt: p = 0,9900 W: p < 0,05 W: p < 0,05 W: p = 0,7048 9

9

179

0

Vzdálenost min-min tt: p = 0,7332 tt: p = 0,8757 tt: p = 0,9714 W: p = 0,6904 W: p = 0,8802 W: p = 0,9647 W: p =0,8164 tt: p = 0,7733 tt: p = 0,8000 W: p = 0,9440 0


Tabulka 4: Hodnoty směrnic regresních přímek parametrů mrknutí. Je zde také uveden předpoklad vývoje parametru v čase podle [9] a počet subjektů, u kterých hodnota směrnice odpovídá předpokladu.

Subjekt 1 2 3 4 5 6 7 8 9 10 Předpoklad Odpovídá

Hodnoty směrnic regresních přímek parametrů mrknutí El. Doba Doba Doba Doba, Interval Prům. Prům. Max Max Energie napětí trvání trvání trvání kdy mezi rychlost rychlost rychlost rychlost mrknutí při mrknutí zavírání otvírání jsou oči dvěma zavírání otvírání zavírání otvírání [mV2/ mrknutí [ms/ očí očí zavřené mrknuočí očí očí očí min] [mV/ min] [ms/ [ms/ [ms/ tími [mV/ [mV/ [mV/ [mV/ min] min] min] min] [ms/min] ms/min] ms/min] ms/min] ms/min] -0,004 -1,460 -0,672 -0,908 0,120 -380,000 -0,040 -0,016 -0,052 -0,032 -0,075 0,014 5,970 1,560 3,980 0,433 -94,000 0,111 0,058 0,180 0,133 0,075 -0,009 -8,410 -1,510 -2,920 -3,980 15,500 -0,012 0,009 -0,065 0,032 -0,334 -0,002 5,850 -0,407 0,315 5,940 5,940 -0,046 -0,024 -0,078 -0,034 0,070 -0,002 -0,617 -0,260 -0,571 0,214 40,400 -0,013 -0,012 -0,022 -0,027 -0,002 0,004 1,120 0,515 1,230 -0,626 -287,000 0,041 -0,001 0,069 0,046 -0,081 -0,002 1,810 -0,046 1,530 0,327 -153,000 -0,028 -0,035 -0,044 -0,046 -0,003 0,003 2,220 0,307 1,900 0,020 -178,000 0,014 -0,002 0,023 0,011 0,010 -0,009 -21,400 -7,730 -3,490 -10,200 -80,700 0,075 -0,015 0,098 -0,042 -0,296 -0,003 -0,183 0,652 -1,440 0,601 500,000 -0,044 -0,014 -0,058 -0,025 -0,002 7

+ 5

není

není

není

6

6

8

6

6

není

Tabulka 5: Hodnoty směrnic regresních přímek parametru zraková nestabilita. Červeně jsou zvýrazněny kladné hodnoty směrnic a tedy splnění předpokladu o zvýšení zrakové nestability v čase [10].

Subjekt 1 2 3 4 5 6 7 8 9 10

Hodnoty směrnic regresních přímek parametru zraková nestabilita [mV/min] 0,007 0,173 -0,169 -0,174 -0,279 0,081 -0,147 0,152 -0,045 0,126

Tabulka 6: Procentuální změny doby trvání REM před únavou a po únavě a p-hodnota Wilcoxonova testu.

Subjekt 1 2 3 4 5 6 7 8 9 10 Wilcoxon test: p-hodnota [-]

Změna doby trvání REM v signálech způsobená únavou [%] REM - horizontální kanál REM - vertikální kanál REM - fúzovaný signál -12,1818 -50,9912 -31,6444 -25,3365 21,6349 -7,5213 -6,4867 9,2731 -2,6801 -31,8601 -27,2551 -27,5815 -32,0304 -14,9704 -15,9415 -6,6860 51,8019 11,4800 52,0262 46,9601 21,6641 -9,5007 22,6077 3,3998 7,9660 25,8298 13,9700 10,3351 -29,0139 -7,5162 0,3329

0,7213

180

0,5076


Video

Fixace kříže

Kulička

Signál

Tabulka 7: Přehled všech získaných parametrů a jejich vyhodnocení. Je zde uvedeno, zda parametry odpovídají předpokladům podle [6] [9] a [10]. Červeně jsou vyznačeny nejlepší parametry pro hodnocení únavy. Parametr Maximum v kaţdé periodě Minimum v kaţdé periodě Rozsah špička-špička Vzdálenost sousedních maxim Vzdálenost sousedních minim Elektrické napětí při mrknutí Doba trvání mrknutí Doba trvání zavírání očí Doba trvání otvírání očí Doba, kdy jsou oči zavřené Časový interval mezi dvěma mrknutími Průměrná rychlost zavírání očí Průměrná rychlost otvírání očí Maximální rychlost zavírání očí Maximální rychlost otvírání očí Energie mrknutí Zraková nestabilita Doba trvání REM v horizontálním kanálu Doba trvání REM ve vertikálním kanálu Doba trvání REM ve fúzovaném signálu

Počet subjektů, u kterých došlo ke zvýšení parametru 4 2 2 5 4 3 5 4 5 7 4 4 2 4 4 3 5 3 6 4

181

Počet subjektů, Odpovídá Statistická u kterých došlo ke předpokladu významnost snížení parametru 6 ne 8 ano 8 ano 5 ne 6 ne 7 7 5 5 6 5 3 6 6 6 6 8 8 6 6 6 6 7 5 5 7 7 ne 4 4 ne 6 6 ne

Hodnocení únavy pomocí elektrookulografie

Recommend Documents