EEG and EOG-based drowsiness detection through a wearable device

Vigilance state of a subject can affect the performance in conditions where a high level of alertness is required. Physiological circadian rhythms or sleep debts can alter the vigilance state during day and night, leading to drowsiness episodes. Drowsiness state afflicts psychomotor performances of the subject and electrical biosignals can reveal this altered condition. Drowsiness detection is particularly relevant to address automotive and workplace safety. The aim of the thesis was to design and develop a prototypal wearable device for drowsiness detection via electroencephalogram (EEG) and electrooculogram (EOG) signals analysis. The project was carried out in L.I.F.E. Corporation, a company that develops wearable technologies for health and wellbeing monitoring. The developed system includes hardware components for signals acquisition and a set of algorithms for signals analysis and classification. All the acquisition electronics has been embedded in a specially designed wearable structure produced through 3D printing. Signals are transmitted to a computer, where algorithms extract 19 significant features for vigilance estimation in real-time. A visual reaction time test has been implemented to assess in an objective way the vigilance state of the monitored subject and to label the features extracted during the test session. A labelled dataset for the training and validation of automatic classifiers has been built. Both artificial neural networks and "K-nearest neighbours" models have been assessed. The best result has been achieved by a two-classes neural network, which classifies user's state as "alert" or "drowsy" with an accuracy of 89.6%.

Lo stato di vigilanza di un soggetto può influenzare la performance in circostanze in cui è richiesto un alto grado di attenzione. I ritmi circadiani fisiologici o stati di debito di sonno possono alterare il grado di vigilanza nelle 24 ore, fino a indurre sonnolenza. Stati di sonnolenza affliggono le prestazioni psico-motorie del soggetto e i segnali bioelettrici possono rivelare queste condizioni alterate. L'identificazione di stati di sonnolenza ha particolare rilevanza nella sicurezza automobilistica, degli autotrasporti e sul posto di lavoro. L’obiettivo del presente lavoro è stato la progettazione e lo sviluppo di un dispositivo indossabile prototipale per l’identificazione di stati di sonnolenza attraverso l’analisi di elettroencefalogramma (EEG) ed elettrooculogramma (EOG). Il progetto è stato realizzato presso L.I.F.E. Corporation, un’azienda che sviluppa tecnologie wearable per il monitoraggio della salute. Il sistema implementato comprende una parte hardware di acquisizione dei segnali e una serie di algoritmi per la loro analisi e la classificazione. Tutta l'elettronica di acquisizione è stata integrata in una struttura indossabile appositamente progettata e prodotta tramite stampa 3D. I segnali vengono trasmessi a un computer, dove algoritmi estraggono in tempo reale 19 parametri significativi per la stima dello stato di vigilanza. E' stato implementato un test visivo sui tempi di reazione per valutare in modo oggettivo lo stato di vigilanza del soggetto monitorato e per classificare i parametri estratti durante la sessione di test. E' stato quindi costruito un dataset per il training e la validazione di diversi classificatori automatici: reti neurali artificiali e modelli "K-nearest neighbours". Il risultato migliore è stato ottenuto da una rete neurale a due classi, che classifica lo stato dell'utente come "alert" o "drowsy" con un'accuratezza dell'89.6%.