A Wearable and Context-Aware Brain Machine Interface System with Integrated Neuromodulation for Closed-Loop Driver Drowsiness Detection

Abstract

졸음운전은 교통사고 사망의 주요 원인이다. 졸음운전 감지 (driver drowsiness detection, DDD)를 위해서 많은 뇌-기계 인터페이스 (brain-machine interface, BMI) 시스템들이 제안되어 왔다. 그러나 기존의 BMI시스템을 이용한 졸음운전 조기 감지 시스템은 몇가지 심각한 문제점을 가지고 있다. 본 논문은 상황 정보(contextual information)와 뇌파(EEG) 데이터를 사용하여 조기에 운전자의 졸음 감지를 목표로, 건식 EEG센서와 자이로스코프 통합 모듈을 이용한 웨어러블 상황 인지 BMI시스템을 제안한다. 또한, 본 BMI시스템은 졸음을 감지할 뿐만 아니라 졸음을 각성시킬 수 있는 폐루프 (closed-loop) 졸음운전 감지 솔루션을 목표로 한 새로운 신경조절기반의 피드백 알고리즘이 포함되었다. 제안된 시스템은 저 전력 소비를 위하여 온칩 (on-chip) 장치에 의한 특성 추출과 저 전력 블루투스 모듈을 이용하여 설계되었다. 이에 더하여, 제안된 시스템은 스마트워치에서의 온라인 분석을 위해 착용형 어플리케이션으로서 JAVA 프로그래밍 언어를 이용하여 앱을 구현하였다. 제안된 시스템을 평가하기 위하여 모두 37명의 테스트 대상자들이 참여하였으며, 그 중 10명은 기본적인 BMI 기능들을 평가하기 위한 실험에 참여하였고 (예, EEG신호의 질, 시스템의 계산 부하와 배터리 수명), 나머지 27명은 1시간동안의 단조로운 가상 운전 실험을 통해 개발된 DDD 예측 모델과 폐루프 알고리즘을 개발하고 최종 검사하기 위한 실험에 참여하였다. 최종 실험 결과는 제안된 시스템이 자이로스코프 데이터와 EEG 데이터의 통합 특징 벡터를 사용한 2진 분류(정상 vs 약간 졸림)에서 96.15%의 정확도를 가지는 것을 보여주며 기존 연구의 패턴 인식 기술보다 좋은 결과를 보여준다. 이 이분법의 감지 결과는 복잡한 패턴 인식 기술들을 이용한 이전의 연구들보다 매우 향상된 특성들을 보여주고 있음을 나타내고 있다. 이는 신호원의 선택이 성공적인 감지 모델을 설계함에 있어서 가장 중요한 부분임을 나타낸다. 또한, 제안된 시스템은 기존의 청각 피드백 방법보다 (수십 초) 향상된, 새로운 신경조절기반의 피드백 방법을 사용함으로써 오래 지속되는 피드백 효과 (15~45분) 를 보여주며 이를 통해 제안된 폐루프 알고리즘의 장점을 보여주고 있다.