TELKOM NIKA , Vol. 11, No. 9, September 20 13, pp.  5409 ~54 1 4   ISSN: 2302-4 046           5409      Re cei v ed Fe brua ry 22, 20 13; Re vised  June 14, 20 13;  Accept ed Ju ne 24, 201 3   Vigilance Degree Computing based on  EEG      Zhen z hong Zhan* 1 , Zhen dong Mu 2   1 Institute of Jiang xi U n ivers i t y  of  T e chnol og y T r aining  Ce nte r   Jingd ong, N a ncha ng, Jia n g x i 330 02 9   2 Institute of Informatio n  T e chnol og y, Jia n g x i  Universi t y  of T e chn o lo g y , Na ncha ng, Jia n g x i 330 02 9, Chin a   *Corres p o ndi n g  author, e-ma i l : 4186 23 577 @ qq.com       A b st r a ct   In dai ly life, l o ts of w o rk need  peo ple  maint a in hi gh er attent ion  or vig ila nce .  In the early s t udy o f   vigil anc e, b link  frequ ency, th e i m ped anc e  of skin,  bo dy   te mper ature  and   bl oo d pre ssure an d  ot h e r   physi olo g ica l  si gna ls w a s use d  to esti mate t he vig ila nce. E E G signal c an  mor e  dir e ctly reflect the bra i n ' s  activity  tha n  other physi ol ogic a l  s i gn als, an d EEG  sign al  ha ve a  h i gh er ti me res o luti on. In  this  pa per, E R P   compo nent a n d  differe nt freq uenc ies of EE G w e re used t o  an aly z e  th e  alert state, acc o rdi ng to this s t udy,  in the E R P co mp on ents, N1 70 ca n b e  a  goo d re prese n t ation of th e d egre e  of fatig u e  of the s ubj e c t;  T h roug h th e  1 0  su bjects  EE G freque ncy  di stributio n a n a l y s is, an d  accor d in g to  the  for m u l a  defi n e d  i n  this   pap er, the vigi l ance d egr ee of  this ten subj ec ts w a s calculated.      Ke y w ords : ele c troence p h a lo gra m , vigil anc e  degre e , event- r elate d  pote n ti al, freque nci e s distrib u te      Copy right  ©  2013 Un ive r sita s Ah mad  Dah l an . All rig h t s r ese rved .       1. Introduc tion  In daily life, lots of work  need  peo ple  maintain hi gh er attention   or vigilan c e,  su ch a s   long-dista n ce  bu s d r ivers, stud ents'  le arnin g , le ctures, exami nati on. On ce th e y  appea r i n  the  work of the  attention  n o t ce ntrali ze d, may  cau s e  v e ry  se rio u s co ns equ e n ce s. T herefore,  resea r ch alert  on man, has  the importa nt pra c tical  signi fican c e.   In the early  stage s of vigilance, blin k fre quen cy, the impedan ce of skin, body  temperature   and bl ood  pressure  a nd other physi ol ogical  si gnal s wa s  u s ed  to  estimate   the  vigilance. Erg onomi cs  re se arch sho w s t hat, when  a person i s  in a  state of high  alert, and p a l m  ski n impe dan ce will  decre ase, an d wh en peo ple a r e in  a state  of fatigue, skin re sista n ce  will   rise.  In the   study of  Ji  et al  [1], thro ugh  the a c cu rate  positio ning  of  the fa ce,  mo uth, no se,  eyes,   eyes  clo s ed,  clo s ing  time,  blink freq uen cy, nod ding f r eque ncy, fa ce toward s, g a z e  dire ction  a n d   mouth o penin g  deg re e an d  other fe ature s  of vi gilan c e  on h u man  re sea r ch. In fact, people  start  to study  exe m plary i n  the   ninetee n fifties [2 -4], at  first, the stu d y st arts from  sle e p proble m s,  a n d   the  main  diff eren ce between wa king and slee p  re se a r ch in two different  co ndition s. Wit h  the   further re se arch, p eople  fro m  wa keful n e s s to sl eep  is com p o s ed  of  seve ral  stag es, the  analy s is  of these  stag es  whi c h feat ure s  be co me s the fo cu s of  the study; un til now, with t he expa nsi o n  of  the scope  of the study, the tradition al from con sci ou sne s s to further  sub d ivide  the slee p st ate  betwe en, whi c h cl early put  forwa r d the vigilan c e.   EEG sig nal  can mo re  dire ctly refle c t th e b r ai n' s  acti vity than othe r p h ysiolo gical si gnal s.  EEG sign al b e ca use of its  non-i n vasive,  is e a sy to   use in the  stud y, so the a p p lication  of EEG   sign al  widely  in b r ain - co mputer interf ace  sy st em,  physiol ogical  dete c tion [5 -7], rel a ted i n  the  cordon a r e a , su ch a s  fatigue driving EE G studie s  hav e related to [8 , 9].  ERP can o b serve brain a c tivity in  the proce s s of the wind ow; it wa s found that t he ERP  comp one nt is closely relat ed to many a nd co gniti ve pro c e ss. Fo r  example: CNV slow p o ten t ial  comp one nts  of British  neu rophy siolo g ist  Walte r   re p o rt (co n tinge nt  negative va ri ation), i s   clo s ely  related  with  t he  h u ma n  to look  forwa r d to,  pre parat io n, actio n  time  ori entation,  pay attention  to   mental activi ty;  Sutton propo sed P30 0  is co m p o s ition of ERP and attention, recogniti on,  deci s io n-m a ki ng, memo ry and othe r co gnitive func ti on relate d to  the Kutas a nd Hillyard first  prop osed  N400 p r omot ed; the brai n mechani sm of huma n  langu age  pro c e ssi ng  and  unde rsta ndin g . Acco rdin g  to the basic characte ri st ic of vigilance, determin e  which co gni tive   function  in clu d ing  attentio n, memo ry,  motivati on, a nd e m otion,  cog n itive fun c tion s  su ch  as  langu age, co ntrol, and ERP experiment al analysi s .   Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046   TELKOM NIKA  Vol. 11, No . 9, September 201 3:  540 9 – 5414   5410 In this pa per,  ERP com p o nent an d different frequ en cie s  of EEG  were u s ed to  analyze  the ale r t  sta t e, acco rding  to this  stu d y,  in the  ERP  comp one nts, N170  can b e  a  go od   rep r e s entatio n of the degree of  fatigue  of the subj ect ;  Throug h the  10 su bject s   EEG freque n cy  distrib u tion a nalysi s , and  according to t he formul a d e fined in this  pape r, the vigilan c e de gre e  of  this ten su bje c ts was  cal c u l ated.      2. EEG Acquisition  The EEG d a ta used in  this pape r i s  co me from B C I  Labo rato ry of Jian gxi Univ ersity of   Tech nolo g y; the subj ect s  to relax in a quiet shie ldi n g  room sat an  armless chai r in front of the  comp uter, wa tching the  screen, do EEG  experime n t according to  experim ent the arran gem en t  and the in dication screen  stimulation.  EEG acq u is it ion is the  use of 40  Neuroscan a m plifi e r,  were obtai ne d by scan 4.3  softwa r e,   rig h t mast oi d is  referen c e el e c trod e, an d u s ed  100 0Hz  as  sampli ng rate , band acqui sition usin g 20 0Hz low-pa ss, high-pa ss 0.05Hz an d 50 Hz n o tch.   P300 was di scovere d  by  Sutton in 19 65, its  mai n  feature  is  a forward wave  event in  about 3 00 mi llise c on ds, e ndog enou s  compon ents  main ly and  p s ych o logi cal f a ctors  relate d, its  physi cal mea n ing is mainl y  reflected in  the latenc y of the subje c ts of stimuli or cla s sificati on   requi re d time , amplitude  said reflecte d  backg rou nd  or m e mo ry u pdate s . So t he ale r t a nal ysis  can u s e P30 0 ;   EEG is comp ose d  by vario u s b and  wav e s, the frequ ency  can  be  divided into ,, ,  .  The  ,  is slo w  wave, occu rs mainly in ad ults sle ep; an d  ,  is fast wave, occurs mai n ly in  peopl e is vigilant and pay a ttention external stim ulu s  o r  whe n  the sp ecial me ntal activity.  In this  pape r, electroen ce phalo g ra m E E G  sel e cte d   10 colle ge stude nts as subj ect s ,  inclu d ing  five su bje c ts i n  t he m o rni ng t o  do  the  exp e rime nt, five partici pant s d i d the  expe ri ment  in the afte rno on (not a  nap ). The  stimul u s  p a ttern : first, the screen i s  a  se co nd  bl ack  state, the n   will rand omly appe ar in a  pictu r e, the   pictur e  sho w s 2 50 milli se con d s, th en  a second  bla c k  scree n , then   will rand omly  appe ar i n  a  p i cture,  befo r e  the exp e rim e nt, parti cipant s  will b e  a s ke d   to write test s in a picture nu mber.       3. Data Pro c essing   This p ape r a nalyze s  the V i gilan c e de gree from the freque ncy an d  ERP com pon ents, so  data pro c e s si ng, respe c tively:  The ERP co mpone nts an alysis  step is:   Step 1, Block larg er d r ift EEG: in EEG acq u isiti on pro c e s s, su ch a s  the  subje c ts  movement, wander, out side sound  effects, the EEG signal initia l  there  will  be large drift, will  follow the EEG sign al pro c essing imp a ct, so in t he EEG before tre a tment, to remove this a p a rt  of the brain el ectri c al si gnal ;  Step 2, Ocula r  artifact  redu ction: the EEG sign al in th e origi nal, be cau s e to bli n k or lo ok  right and lef t, the impact on the eye electri c  si gnal, so bef ore featu r e extraction a n d   cla ssifi cation,  to remove  th e imp a ct  of t h is  pa r t, this  pape r i s   mai n ly to remov e  the  vertical  eye   film;  Step 3, epo ch the data, view the  stimul us in te rvals,  and ge ne rally  10%-20%, -5 0, is the   comm on val u e of -100; th e  spi r it of n o t  more  than  on e event to  th e pri n ci ple, in  this  pap er, t h e   interception o f  data in -100 ~90 0 ms.   Step 4, ba sel i ne  corre c tio n : the  segm e n ted d a ta ma ny not at  ba selin e, so thi s  p ape r  con d u c ted a total of two times the ba se line co rrectio n  and a line a r corre c tion.   Step 5, artifact reje ct: EEG sign als  coll ect ed by the cla ss, there  is a part of se gmente d   data cau s e d  by various re aso n s is n o t good, not onl y for data analysis u s ele s s, it will affect th e   analysi s  of the data, so to cho o se a ce rtain win dow  scre enin g , the wind ow i s  -80 ~ 80.   Step 6, average: Thi s  art i cle mainly is  ERP analysis of EEG si gnal s, so the  same   stimulation of  the brain ele c tri c al  sig nal types were  stacked.    The freq uen cy analysis  ste p  is:  Step 1: Subj ects  duri ng t he test p r o c e ss, e s p e ci ally in fatigue, u n co nscio u sly  gene rate  the moveme nt of the bod y, resulting E E G interfer en ce by EMG,  so the first st ep is  sele ct the   better EEG.  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046       Vigilance De gree  Com puti ng ba sed o n  EEG (Zhen zh ong Zha n )    5411 Step 2: On EEG analyzes,  the prima r y band di stri but ion 1~50 Hz i n  this pa per,  so befo r e   do data an alysis mu st filter the EEG sign al.  Step 3: Com m on ave r ag e :  In this p ape r, we  u s e  Hjo r t de rivation t o  re du ce inte rfere n ce  from the neig hbori ng ele c trode,   The Hjo r t deri v ation  H i C is cal c ulated a s :    1                                                                                                                (1) 4 i H ii j jS Cc s c                                                                                                                                     Whe r e  ci is t he re ading  o f  the cente r  electrode  scj, with i=1 … 3 0  and j is th e set of  indices  corre s po ndin g  to the eight ele c t r ode s surrou nding el ectro de ci.   Step 4: AR  conve r si on: time-d omain  EEG  data di sorgani ze d E E G in orde r  to better  highlight th e  cha r a c teri stics of EEG  sig nal, we   u s e A R  mo del to  convert the tim e  dom ain  sig nals  into freque ncy domain, an d extract the feat ure from the frequ en cy domain  sign a l s.      4. Results a nd Discu ssi on Conclu sion  As sho w n in  Figure 1, the uppe r left corner  Subje c t said gra phi cs  para m eters; the uppe r   right  co rne r  i s  the a c qui siti on time,  HEO  is  hori z o n tal  EOG, VEO i s  vertical  EOG ,  electrode  F P 1   labele d  10-2 0  unde r different. The gre en  line is  the mornin g su bject s  wa king  state made the   experim ent, red line is  su bject s  in the ca se did n o t take a na p, have been q u i e t made  to wait  until four p. m. experimental EEG. FT7 aftern oon FIG electrode deviation volatility was  signifi cantly h i gher than  th e re d, green   corre s p ondin g  EEG ERP  comp one nts  also  obviou s   from   the other ele c trod es  can  be appa re nt, in orde r to  be tter able to look at two stat es contra st, we  cho o se one o f  the electrod es to discu s s.        Figure 1. Two  States Comp arison Cha r t      As sho w n in  Figure 2, g r een  for  wa king st ate,  re d for m ental  fatigue, First N170,   rep r e s ent s  a degree of  refl ection of  the subj ect  of  th e  pictu r e, a  green  refl e c ted on  the pictu r e   it  is clea r,  the  amplitude   re ach ed 7.5  mi crovolt, while   the red - N17 0   only 2.5  mi crovolt, only one- third of the g r een, the info rmation p r o c essi ng P3 00  blue ma gnitu de more obvi ous, but the  red   P300 is very  obviou s  su bje c ts ba si c loss  of informatio n fatigue pro c essing  cap a ci ty.  Re spe c tively on the five  wa king  state  subj e c ts a n d  five fatigue state subj ects EEG   analysi s , the  five wakin g   state a c qui sition of EEG , its N1 70 am p litude 7.5,  5.3, 6.5, 7.3, 6.8   microvolt, the  mean 6.68  is microvolt. Fi ve fatigue  N170  amplitud e, re spe c tivel y  2.5, 2.0, 1. 9,  3.2, 2.8 microvolt, the mean is 2.4 8  microv olt.  Therefore, subje c ts EEG  N170 am plitude   analysi s , it  ca n be  con s ide r ed  whe n  the   N17 0  a m plitu de tha n  5  mi crovolt, subje c ts in  the  wa ki ng   state, the  sub j ects ha d a  hi gher vigilan c e de gree,   whi l e N170  ma g n itude  of le ss than  3 mi cro v olt  whe n  the su b j ect is fatigue  state, s ubj ect s ’ vigilan c e d egre e  is lo we r.  HE O G VE O G FP 1 FP 2 F7 F3 FZ F4 F8 FT 7 FC 3 FC Z FC 4 FT 8 T3 C3 CZ C4 T4 TP 7 CP 3 CP Z CP 4 TP 8 T5 P3 PZ P4 T6 O 1 O Z O 2 Su b j ect:   E E G  f i l e :  22 . a vg   Re c o r d e d  :  1 1 : 3 4: 16  19 -D e c - 2 0 1 2 R a te - 1 0 0 0  Hz,  HP F -  0  Hz,  L P F - 3 0 0  Hz,  No tch  - 5 0  Hz   Neu r o s ca n SC A N  4 . 3 P r i n t e d  :  1 7 : 3 2: 55  29 -Ja n -2 01 3 Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046   TELKOM NIKA  Vol. 11, No . 9, September 201 3:  540 9 – 5414   5412     Figure 2. Single Electrode  Comp ari s o n s      The P3 00  co mpone nt of t hese 1 0   subj ects, f r om  th e time  of o c curren ce  and   magnitud e   of the five  wa king  state   su bject s , the  P3 00 a m plitude   are  2.4, 2.7,   1.8, 2.1,  1.5   microvolt, time of  occurrence are di stributed in 300 milli seconds to  350 milliseconds. Five  fatigue state  subjects’  P300 amplit ude dist ributi on betwe en  0.5 and 1.5,  there are t w o su bje c ts P300 from  th e   sup e rim p o s e d  pictu r e poi nt of view no t out. From the P300 a p p ear time, the  time distrib u t ion   betwe en 32 0 millise c on ds  and 40 0. So, to vigilance d egre e  the N1 70 is better th an P300.   The m a in  co mpone nt of t he b r ai n  wav e   signal  by  four  ba nd s: ,, ,  , the domin ant  comp one nt whe n  human  conscio u sn ess is  , ; the dominant compon ent when hum an  uncon sci ou sn ess i s   , .. The  different EEG  ban ds corre s po ndin g  to t he freque ncy  ra nge  are:  8~1 2 Hz, fo r 1 3 ~3 0Hz, 4 ~ 7 H z,  1~3Hz. In  this pap er , th e mo del  2, th e subje c ts’  ey es  clo s e d   stat e  colle cted EE G analysi s .   This  pap er  u s ing  the follo wing  formul a  to cal c ulate  the p r op ortion  of S differe n t  states,   different freq uen cie s :    2 1 50 1 () ( )                                                                                                     (2) () At d t S At d t               is different freque ncy ba n d .  1, 2  are the lo wer  and u p p e r limits of th e band.  () A t     is EEG sign al  function after AR model tra n sformation.   In this pape r, the following  formula u s ed  to ca lculate the pro portio n  of different band s of  the five subje c ts of the two  states:     5 1 () ( )                                                                                                              (3) 5 S S             This a r ticle u s ing the follo wing formula  to calculate the su bje c ts al ert deg ree s  AL:      () ( )                                                                                                                  (4) () ( ) SS AL SS                  Interce p t the  EEG coll ecte d by  subje c ts’ clo s e th eir e y es time to  2 46  segm ents of on e   se con d  as th e perio d. Afte r data pro c e s sing i s   perfo rmed acco rdin g to the method of the abo ve- mentione d, the frequ en cy data obt ain e d  in the su pe rpositio n averaging o b taine d  10  subje c ts in   the EEG average frequ en cy after conv ersi on of  the  AR model d a ta, and the n  according  to   Equation  2, to cal c ul ate e a ch f r eq uen cy segm ent p r opo rtion. T h e differe nt freque ncy b a n d s  prop ortio n  of five wakin g  st ate sho w  a s  Table 1,  the  different freq uen cy band s  prop ortio n  of five   fatigue state  sho w  a s  Tabl e 2.     ms -10 0 . 0 0. 0 10 0. 0 20 0.0 30 0.0 40 0. 0 50 0. 0 60 0. 0 70 0. 0 80 0. 0 90 0. 0 uV 0. 0 -2 .5 -5 .0 -7 .5 -10 . 0 -12 . 5 2. 5 5. 0 7. 5 10 .0 12 .5 * 2 2. av g 22 . a v g Su b j ect:   EE G  f i l e :   2 2 . a v g   R eco r d ed  :  1 1 : 3 4 : 1 6  1 9 - Dec- 2 0 1 2 R a te -  1 0 0 0  Hz,  HP F -  0  Hz,  LP F -  3 0 0   Hz ,   No tch  -  5 0  Hz   Neu r o s can SC A N  4 . 3 P r i n t e d :  17 : 3 3: 34  29 - J a n - 2 0 1 3 Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046       Vigilance De gree  Com puti ng ba sed o n  EEG (Zhen zh ong Zha n )    5413 Table 1. Diffe rent Freque n c y Bands P r o portion  of Five Waki n g  State            1subject 0.3785   0.4516   0.1093   0.0606   2subject 0.3223   0.5073   0.1262   0.0442   3subject 0.3286   0.4690   0.1458   0.0566   4subject 0.3052   0.4993   0.1094   0.0861   5subject 0.3302   0.4595   0.1288   0.0815   average   0.33296  0.47734   0.1239  0.0658     Table 2. Diffe rent Freque n c y Bands P r o portion  of Five Waki n g  State            1subject 0.2915   0.4107   0.1985   0.0992   2subject 0.2949   0.4083   0.2229   0.0740   3subject 0.2574   0.4058   0.2290   0.1078   4subject 0.2671   0.3849   0.2404   0.1078   5subject 0.2887   0.3558   0.2420   0.1135   average   0.27992  0.3931   0.22656  0.10046         Table 1 an d 2 data sh ow t hat whe n  the subj ect s  we re  awa k e,   ban d prop ortio n  of the  total band di stributed b e tween 30.5 2 % and 37.8 5 %, an  average of  33.30%; subj ects in a fatig ue  st at e band proportio n  of the total ban d distri b u tion  of between  25.74% and 29.49%, an  averag e of 28.99%; when  the subje c ts were a w a k e ,    band prop ortion of the  total band  distrib u ted be tween 45.1 6 %  and 50.73 %, an averag e of 49.93%; subje c ts in a  fatigue state   band p r o porti on of the total band  dist ri bution  of bet wee n  35.58 % and 41.0 7 % , an avera ge of  39.31%; wh e n  the su bje c ts we re a w a k e,   band p r opo rtion of  the total ban d distri buted   betwe en 1 0 .93% and  14 .58%, an av erag e of  12. 39%; subj ect s  in a fatig u e  state band   prop ortio n  of  the total ban d  distri bution  o f   betwee n  19. 85% and  24. 20%, an ave r age of  22.66 %;  whe n  the su b j ects  we re a w ake,   band proportio n  of the total band  distrib u ted be tween 4.4 2 %   and 8.6 1 %, an avera ge of  6.58%; subj e c ts in  a fatigu e state band  prop ortio n  of  the total ban d   distrib u tion of  betwee n  7.4 0 % and 11.3 5 %, an avera ge of 10.04% .  Table 1 an d Table 2 data  sho w  that the   subje c t is a w a k e; the proportio n  of band  ,   highe r tha n  the subje c t i s   fatigue; the  s ubje c t is  awa k e; the  pro p o r tion of b and   ,  lower than   the subj ect is fatigue; Com p reh e n s ive T able 1 an d  2  of these 10  subje c ts the d a ta acco rding  to   equatio n (3)  can  be  cal c ul ated Th e ten  su bject s   al e r t deg ree s   were: 4.8 858,  4.8685, 3.9 4 07,  4.1151, 3.75 51, 2.3588, 2 . 3685, 1.969 1,1.8725, 1.8 129, acco rdin g to  the state  of the subje c t,  whe n  the  sub j ects ale r t d e g ree s  l o wer than  3, indi cat i ng that th e  subje c ts  have  been  tired  at  this  time shoul d remind the su bject s .      5. Conclusio n   When a person i s  awake, alert will  be hi gh;  when people in a  tired state,  human  vigilance performan ce  will  be followe d  low, but  what to measure, an d the  detection al ert  degree s, ha s be en a p r oble m . In this p ape r, the EEG to  analyze  pe ople' s vigila nce  perfo rman ce,  respe c tively, cal c ulate d  from the  ERP  and the  pro p o rtion of diffe rent ba nd s. T h e   analysi s  sho w ed that 10  subje c ts, wh en  N170 am plitude than 5 mi crovolt, su bje c ts in the waking  state, the  sub j ects ha d  a hi gher al ert, a n d  when  the  N170  amplitud e le ss tha n  3   microvolt wh en  subj ect s  in  a  tired  state  lo wer  subj ect s   Cautio nary;,  whe n  the   su bject s  al ert  d egre e s b e low 3,  indicating tha t  the subje c ts have been tired, subj ect s  should remind  .  In this pape r, the EEG to  cal c ulate the  subj ect s  alert ,  extends the  degre e  of vigilan c e  resea r ch a p p r oa ch,  but th e results  of this  pap er onl y 10  subj ect s  analy s is,  su bject s   we re from   Jian gxi Institu t e of Te ch nol ogy in  the  col l ege  st ud ents,  the  n u mbe r  of  the study popul ation an d   subj ect s  ag e  distrib u tion i s  less a  singl e ,  ther efore, to expan d the  numbe r of  subje c ts a nd t h e   wealth of subj ects a ge di stribution is  the  next step in this re se arch  work.       Ackn o w l e dg ements   This  wo rk wa s  supp orte d  by IT proj ect s  of  Jian gxi  Office of Ed u c ation [ N o. G J J102 73]  and Nature of  Jiangxi University of Tech nology [No.X YKJ100 4]      Referen ces   [1]   Ji Q, Yan g   X.  Real-tim e  e y e,  gaz e, an d fac e  p o se track i n g  for mo nitor i n g  driv er vi gil a n c e.  Re al-Ti m e   Im aging , 200 2, 8(5): 357-3 77.   Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046   TELKOM NIKA  Vol. 11, No . 9, September 201 3:  540 9 – 5414   5414 [2]   Strijkstra A M,  Beersma D G M, Dra y er B, et  al. Subj ective  slee pin e ss corr elates n e g a tive l y   w i t h  gl ob a l   alp ha (8 –12 H z ) and pos itive l y   w i t h  centra l frontal  theta (4 –8 Hz) frequ e n cies i n  the h u man resti n g   a w ak e electro e n cep hal ogr am.  Neurosc i enc e letters , 2003, 3 40(1): 17- 20.   [3]   Shi L C, Yu H, Lu B L. Semi-s upervised clustering for vigila nce  analy sis based on EEG[C]//Neural  Net w orks, 20 0 7 . IJCNN 200 7 .  Internation a l  Joint Co nfere n c e on.  IEEE, 2007: 15 18- 152 3.  [4]   Yu H, Shi L C, Lu B L. V i gilanc e Estimation  Bas ed on EEG Signals[C ]//Proceedings of the.   Internatio na l C onfere n ce o n  Mecha n ica l  En gin eeri ng 2 007  (ICME2007). 2 007.   [5]   Ange lakis  E,  Hatzis A, P a n ouri a s I G, et  al. Br ai n-c o m puter  interfac e :  a rec i proc al  self-reg u late d   neur omodulati on[M]//Operative Neur omod ulation. Springer  Vienna, 2007: 555- 559.   [6]   Bay liss J D, Inverso S A,  T entler A. Chan gin g  the P30 0  bra i n comp uter int e rface.  CyberP sychol ogy  &   Behav ior . 20 04 ; 7(6): 694-70 4 .   [7]   Bianc hi L, Qu itadam o L, Garreffa G, et  al. Perf orman c es eval uati o n  and o p timiza tion of bra i n   computer  interf ace s y stems  in  a co p y  s pel lin g task.  N eura l  Systems an d Reh abi litatio n Engi neer in g ,   IEEE Transactions on . 2 007;  15(2): 20 7-2 1 6 .   [8]   W U  S, GAO L, W A NG L. Det e cting  Driv i ng F a tigue Base d on  El ectroe nce pha logr am.  T r ansacti ons of   Beiji ng Institute  of T e chnolo g y . 2009; 12: 00 8 .   [9]   Lin C T ,  W u  R C, Lia ng S  F ,  et al. EEG-based  dro w siness  estimat i on for s a fet y   drivin g us in g   ind epe nd ent compo nent a nal ysis.  Circ u its and Syste m s I: Regul ar Pap e rs, IEEE Transactio n s on .  200 5; 52(1 2 ): 2726- 273 8.       Evaluation Warning : The document was created with Spire.PDF for Python.