Shaibal Barua försvarar sin doktorsavhandling i datavetenskap

Datum: 2019-02-21
Tid: 13.15
Plats: sal Zeta, MDH Västerås

Shaibal Barua, vid akademin för innovation, design och teknik (IDT), försvarar sin doktorsavhandling i datavetenskap, den 21 februari, klockan 13.15 i sal Zeta, MDH Västerås

Titel: “Multivariate Data Analytics to Identify Driver’s Sleepiness, Cognitive load, and Stress”.

Serienummer: 284

 

Opponent är professor Nirmalie Wiratunga, Robert Gordon University.

Betygsnämnd är docent Arne Lowden, Stockholms universitet, docent Maria Riveiro, Högskolan i Skövde, samt docent Sławomir Nowaczyk, Högskolan i Halmstad.

Reserv är docent Saad Mubeen, MDH.

 

Sammanfattning: 

Vägtransportsystemet är ett komplext och dynamiskt system där, för att skapa säkra transporter, förarna hela tiden måste anpassa körningen efter förändringar i trafiken. En nedsatt körförmåga är farlig och faktorer som sömnighet, kognitiv belastning, stress orsakar ofta bilolyckor. Enligt litteraturen orsakas mer än 90% av trafikolyckorna av förarna. Framtidens körparadigm fokuserar därför på att upptäcka förarnas mentala körtillstånd både vid manuell körning och för högautomatiserad körsystem. För att uppnå det målet behöver föraren vara kvar som en del av körsystemet och det krävs att man förstår och identifierar objektiva mått för förarens mentala körtillstånd. Domänkunskap om sömnighet, kognitiv belastning och stress kan tillsammans med maskininlärning användas för detektering och klassificering av dessa körtillstånd. Målet att utveckla ett objektiv mått för sömnighet, kognitiv belastning och stress som kan användas som
ett forskningsverktyg, antingen för att benchmarka olika icke-intrusiva sensorlösningar eller när man undersöker andra faktorers påverkan på sömnighet, kognitiv belastning och stress.
Denna avhandling undersöker om olika standardkällor för information kan användas för att upptäcka sömnighet, kognitiv belastning och stress. Den utforskar också möjliga förbättringar av noggrannheten för detektering och klassificering genom att lägga till kontextuell information och datafusion. Denna avhandling använder multivariata data för klassificeringar. Flera fysiologiska signaler används, nämligen elektroencefalografi (EEG), elektrookulografi (EOG), elektrokardiografi (EKG), hudledning, fingertemperatur och andningssignal. Bland de multivariata signalerna så undersöks EEG-signalen grundligt i förbehandlingssteget, dvs.
hanteringen av brus och artifakter. Dessutom analyseras och sammanfogas kontextuell information och förarens beteendedata tillsammans med fysiologiska data för att skapa bättre in- och utdata. Flera maskininlärningsalgoritmer tillsammans med olika data- och signalbehandlingstekniker har använts för klassificering och detektering av sömnighet, kognitiv belastning och stress.