Zwiększanie bezpieczeństwa kierowców dzięki rozpoznawaniu emocji na podstawie sygnałów EKG z wykorzystaniem sieci BiLSTM
##plugins.themes.bootstrap3.article.sidebar##
Numer Tom 16 Nr 1 (2026)
-
Wydajna klasyfikacja białych krwinek w oparciu o CNN: badanie porównawcze wydajności modeli
Achraf Benba, Sara Sandabad5-9
-
Zautomatyzowana diagnostyka raka skóry z wykorzystaniem głębokiego uczenia: systematyczny przegląd najnowocześniejszych architektur, technik i oceny wydajności
Subaidabeevi Shafeena, Ramayyan Sumathy Vinod Kumar, Sikamony Sumathi Kumar, David Shahi10-20
-
Zwiększanie bezpieczeństwa kierowców dzięki rozpoznawaniu emocji na podstawie sygnałów EKG z wykorzystaniem sieci BiLSTM
Raga Madhuri Chandra, Satya Sumanth Vanapalli, Giri Venkata Sai Tej Neelaiahgari21-28
-
Automatyczny system do obliczania tabeli kalibracyjnej cylindrycznych zbiorników poziomych
Denis Proskurenko, Mykhailo Bezuglyi29-34
-
Kontrola stabilności emulsji woda-diesel za pomocą pomiarów zmętnienia
Oleksandr Zabolotnyi, Andrii Khodieiev, Nicolay Koshevoy, Roman Trishch35-41
-
Poprawa trybu rozruchu silnika indukcyjnego w warunkach spadku napięcia
Oleksandr Vovk, Serhii Halko, Andrii Sabo, Oleksandr Miroshnyk, Taras Shchur42-47
-
Modelowanie trybów dynamicznych w silniku prądu stałego do pojazdów elektrycznych
Viktor Lyshuk, Anatolii Tkachuk, Sergiy Moroz, Mykola Yevsiuk, Mykola Khvyshchun, Stanislav Prystupa, Valentyn Zablotskyi48-55
-
Budowa i analiza scenariuszy awarii w sieciach elektroenergetycznych z wykorzystaniem ontologii, modelu przepływu mocy oraz grafu wiedzy
Oleksandr Khomenko, Vyacheslav Senchenko, Oleksandr Koval, Iryna Husyeva56-61
-
Kinetyka suszenia materiałów ziarnistych w instalacjach z przerywanym zasilaniem elektrycznym wykorzystujących promieniowanie mikrofalowe i podczerwone
Roman Kalinichenko, Valentyna Bandura, Borys Kotov, Yurii Pantsyr, Ihor Garasymchuk, Serhii Stepanenko62-66
-
Metoda automatycznego dostrajania regulatora temperatury obudowy smartfonu
Danylo Zinchenko, Yurii Mariiash67-71
-
Wykorzystanie FPGA do modelowania i generowania procesów chaotycznych
Oleksandr Osadchuk, Iaroslav Osadchuk, Valentyn Skoshchuk72-77
-
ymulacja i projektowanie elektroniczne pięciowymiarowej chaotycznej sztucznej sieci neuronowej
Michael Kopp, Inna Samuilik78-83
-
Inteligentny łańcuch przetwarzania DL-SCH/PDSCH w sieci 5G z adaptacyjnym mechanizmem HARQ
Juliy Boiko, Ilya Pyatin84-93
-
Analiza modeli generatywnych w teledetekcji: przegląd kompleksowy
Gottapu Santosh Kumar, Gurugubelli Jagadeesh, Swarajya Madhuri Rayavarapu94-98
-
Dekodowanie z wykorzystaniem szumu zbiorowego z metodą inwersji bitów w kodach z niską gęstością i kontrolą parzystości
Mykola Shtompel, Oleksandr Shefer99-103
-
Wymiana wiedzy w niezależnych głębokich sieciach Q
Viacheslav Bochok, Nataliia Fedorova104-108
-
Wykrywanie ludzi na obrazach z dronów z wykorzystaniem technik głębokiego uczenia
Sobhana Mummaneni, Naga Deepika Ginjupalli, Pragathi Dodda, Novaline Jacob, Sanjay Raj Emmanuel Katari109-115
-
Analiza porównawcza algorytmów DeepSORT, ByteTrack i StrongSORT w zakresie śledzenia wielu obiektów w systemach monitoringu wizyjnego opartych na bezzałogowych statkach powietrznych
Andrii Safonyk, Viktor Podvyshennyi, Oleksandr Naumchuk116-120
-
Wysoce wydajne metody przetwarzania złożonych danych wizualnych w systemach wsparcia decyzyjnego
Oleksandr Poplavskyi, Sergii Pavlov, Oksana Bezsmernta, Iryna Gerasymova, Bakhyt Yeraliyeva121-125
-
Metoda antyaliasingu dla krzywych rzędu drugiego na rastrach heksagonalnych
Oleksandr Melnyk, Tetiana Prysiazhniuk126-129
-
Metoda oceny ryzyka naruszenia bezpieczeństwa użytkownika na podstawie indywidualnego profilu bezpieczeństwa
Svitlana Lehominova, Mykhailo Zaporozhchenko, Tetiana Kapeliushna, Yuriy Shchavinsky, Tetiana Muzhanova130-137
-
Metoda kodowania pozycyjnego w diferencyjnej przestrzeni falowej
Volodymyr Barannik, Anatolii Berchanov, Valeriy Barannik, Dmytro Uzlov, Mykola Dihtiar, Mykhailo Osovytskyi, Andrii Sushko, Yurii Babenko138-146
-
Platforma internetowa z usługą Checkbox: aspekty rachunkowości podatkowej, sprawozdawczości i współpracy z organami podatkowymi
Yuliia Povstiana, Lyudmila Samchuk, Ivan Kachula147-154
-
Analiza porównawcza webowych szkieletów programistycznych języka PHP: Codeigniter, Cakephp oraz Yii
Karol Rak, Mariusz Dzieńkowski155-161
-
Prognozowanie cen plonów z wykorzystaniem Temporal Fusion Transformer dla okręgu Krishna w stanie Andhra Pradesh
Dedeepya Manikonda, Ashutosh Satapathy, Keerthi Padamata, Jaswanthi Machcha, J. Chandrakanta Badajena162-170
-
Model transmisji pakietowej danych tekstowych z wykorzystaniem SDR w środowisku GNU Radio Companion
Nurbol Kaliaskarov, Kyrmyzy Taissariyeva, Nurlykhan Raulyev, Akezhan Sabibolda171-176
-
Modelowanie systemu produkcyjnego typu pull-flow z dynamicznym sterowaniem zapasami buforowymi
Saad Elbaraka, Salah-eddine Mokhlis, Adil Barra, Hicham Fouraiji, Mohamed Rhouzali, Najat Messaoudi177-182
Archiwum
-
Tom 16 Nr 2
2026-06-30 27
-
Tom 16 Nr 1
2026-03-30 27
-
Tom 15 Nr 4
2025-12-20 27
-
Tom 15 Nr 3
2025-09-30 24
-
Tom 15 Nr 2
2025-06-27 24
-
Tom 15 Nr 1
2025-03-31 26
-
Tom 14 Nr 4
2024-12-21 25
-
Tom 14 Nr 3
2024-09-30 24
-
Tom 14 Nr 2
2024-06-30 24
-
Tom 14 Nr 1
2024-03-31 23
-
Tom 13 Nr 4
2023-12-20 24
-
Tom 13 Nr 3
2023-09-30 25
-
Tom 13 Nr 2
2023-06-30 14
-
Tom 13 Nr 1
2023-03-31 12
-
Tom 12 Nr 4
2022-12-30 16
-
Tom 12 Nr 3
2022-09-30 15
-
Tom 12 Nr 2
2022-06-30 16
-
Tom 12 Nr 1
2022-03-31 9
##plugins.themes.bootstrap3.article.main##
Authors
Abstrakt
Emocje mają decydujący wpływ na procesy decyzyjne i zachowania człowieka, zwłaszcza w sytuacjach wymagających szczególnej ostrożności, takich jak prowadzenie pojazdu. W niniejszym badaniu przedstawiono system rozpoznawania emocji oparty na EKG, przeznaczony do monitorowania kierowców w czasie rzeczywistym, który analizuje wyłącznie sygnały elektrokardiograficzne (EKG) za pomocą sieci dwukierunkowej pamięci długo- i krótkoterminowej (BiLSTM). System ten rejestruje dynamikę czasową cech fizjologicznych – w tym zmienność rytmu serca i entropię sygnału – w celu klasyfikacji siedmiu stanów emocjonalnych (neutralny, radosny, smutny, zły, strach, zaskoczenie, obrzydzenie) z dużą dokładnością. Oprócz wykrywania, system zawiera inteligentny mechanizm rekomendacji zaprojektowany w celu łagodzenia emocjonalnych czynników rozpraszających uwagę, pokazując, w jaki sposób prognozy emocjonalne mogą zostać przełożone na informacje zwrotne wspierające kierowcę. Weryfikacja eksperymentalna na syntetycznych danych EKG wykazuje solidną wydajność klasyfikacji emocji w identyfikowaniu złożonych wzorców emocjonalnych na podstawie danych EKG, przewyższając konwencjonalne podejścia jednomodalne. Łącząc informatykę afektywną z inteligentnymi systemami transportowymi, niniejsza praca przyczynia się do rozwoju adaptacyjnych systemów wspomagania kierowcy (DAS), które stawiają na pierwszym miejscu zarówno bezpieczeństwo na drogach, jak i dobre samopoczucie użytkowników. Dzięki możliwościom działania w czasie rzeczywistym oraz nieinwazyjnej konstrukcji proponowany system stanowi skalowalne rozwiązanie dla środowisk rozpoznających emocje, wykazując potencjał rozpoznawania emocji na podstawie EKG jako elementu wspierającego przyszłe systemy wspomagania kierowcy. Badania te wnoszą wkład w rozwijającą się dziedzinę afektywnej interakcji człowiek-maszyna, jednocześnie pokazując praktyczne zastosowania w inteligentnych systemach transportowych.
Słowa kluczowe:
Bibliografia
[1] Alarcao, S. M., & Fonseca, M. J. (2019). Emotions Recognition Using EEG Signals: A Survey. IEEE Transactions on Affective Computing, 10(3), 374–393. https://doi.org/10.1109/TAFFC.2017.2714671
[2] Anubhav, Nath, D., Singh, M., Sethia, D., Kalra, D., & Indu, S. (2020). An Efficient Approach to EEG-Based Emotion Recognition using LSTM Network. 2020 16th IEEE International Colloquium on Signal Processing & Its Applications (CSPA), 88–92. https://doi.org/10.1109/CSPA48992.2020.9068691
[3] Bulagang, A. F., Weng, N. G., Mountstephens, J., & Teo, J. (2020). A review of recent approaches for emotion classification using electrocardiography and electrodermography signals. Informatics in Medicine Unlocked, 20, 100363. https://doi.org/10.1016/j.imu.2020.100363
[4] Chakravarthi, B., Ng, S.-C., Ezilarasan, M. R., & Leung, M.-F. (2022). EEG-based emotion recognition using hybrid CNN and LSTM classification. Frontiers in Computational Neuroscience, 16, 1019776. https://doi.org/10.3389/fncom.2022.1019776
[5] Dessai, A., & Virani, H. (2023). Emotion Classification Based on CWT of ECG and GSR Signals Using Various CNN Models. Electronics, 12(13), 2795. https://doi.org/10.3390/electronics12132795
[6] Dutta, S., Mishra, B. K., Mitra, A., & Chakraborty, A. (2022). An Analysis of Emotion Recognition Based on GSR Signal. ECS Transactions, 107(1), 12535–12542. https://doi.org/10.1149/10701.12535ecst
[7] Egger, M., Ley, M., & Hanke, S. (2019). Emotion Recognition from Physiological Signal Analysis: A Review. Electronic Notes in Theoretical Computer Science, 343, 35–55. https://doi.org/10.1016/j.entcs.2019.04.009
[8] Feng, L., Cheng, C., Zhao, M., Deng, H., & Zhang, Y. (2022). EEG-Based Emotion Recognition Using Spatial-Temporal Graph Convolutional LSTM With Attention Mechanism. IEEE Journal of Biomedical and Health Informatics, 26(11), 5406–5417. https://doi.org/10.1109/JBHI.2022.3198688
[9] Lee, M. S., Lee, Y. K., Pae, D. S., Lim, M. T., Kim, D. W., & Kang, T. K. (2019). Fast Emotion Recognition Based on Single Pulse PPG Signal with Convolutional Neural Network. Applied Sciences, 9(16), 3355. https://doi.org/10.3390/app9163355
[10] Patlar Akbulut, F. (2022). Hybrid deep convolutional model-based emotion recognition using multiple physiological signals. Computer Methods in Biomechanics and Biomedical Engineering, 25(15), 1678–1690. https://doi.org/10.1080/10255842.2022.2032682
[11] Raheel, A., Majid, M., Alnowami, M., & Anwar, S. M. (2020). Physiological Sensors Based Emotion Recognition While Experiencing Tactile Enhanced Multimedia. Sensors, 20(14), 4037. https://doi.org/10.3390/s20144037
[12] Ramteke, R. B., & Thool, V. R. (2021). ECG Based Stress Detection in Automobile Drivers Using Long Short-Term Memory (LSTM) Network. In M. Singh, V. Tyagi, P. K. Gupta, J. Flusser, T. Ören, & V. R. Sonawane (Eds), Advances in Computing and Data Sciences (Vol. 1441, pp. 333–342). Springer International Publishing. https://doi.org/10.1007/978-3-030-88244-0_32
[13] Siam, A. I., Gamel, S. A., & Talaat, F. M. (2023). Automatic stress detection in car drivers based on non-invasive physiological signals using machine learning techniques. Neural Computing and Applications, 35(17), 12891–12904. https://doi.org/10.1007/s00521-023-08428-w
[14] Zhang, W., Qin, Y., Zhang, S., & Tao, X. (2023). Electroencephalogram-Based Driver Emotional State Detection with Manifold Learning. 2023 IEEE 26th International Conference on Intelligent Transportation Systems (ITSC), 3329–3334. https://doi.org/10.1109/ITSC57777.2023.10422309
##plugins.themes.bootstrap3.article.details##
Abstract views: 243
Downloads: 186

