{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:2894755"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:2894755","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Machine Learning driven road safety over smart Networks based on Electroencephalography data analysis","abstract":"Παρουσιάζω μια λύση για την οδική ασφάλεια χρησιμοποιώντας τα δεδομένα EEG που παρέχονται από την τεχνολογία EMOTIV και την ανάλυση μηχανικής μάθησης για να εξαγάγετε, πότε ο οδηγός έχει πρόβλημα και δεν μπορεί να λειτουργήσει το όχημα. Η λύση δοκιμάστηκε σε δύο SDN ενεργοποιημένες πλατφόρμες EmPOWER και Mininet-WiFi. Το EmPOWER στηρίζεται σε μια ενιαία πλατφόρμα, η οποία αποτελείται από υλικό γενικής χρήσης και λειτουργικό σύστημα και παρέχει νέες δυνατότητες και δυνατότητες τόσο για τον ασύρματο όσο και για τον τομέα κινητής τηλεφωνίας. Παρέχει επίσης τρεις τύπους εικόνικών πόρων δικτύου, όπως κόμβοι προώθησης (switches OpenFlow), κόμβους επεξεργασίας πακέτων (Micro Servers) και κόμβους ραδιοφωνικής επεξεργασίας (σημεία πρόσβασης WiFi ή LTE eNodeBs). Το Mininet-WiFi είναι ένας εξομοιωτής, ο οποίος δημιουργεί ένα εικονικό δίκτυο, πυρήνα, διακομιστή και κώδικα εφαρμογής, σε ένα μόνο μηχάνημα και επιτρέπει τη χρήση και των δύο WiFi Σταθμών και Σημείων Πρόσβασης. Επιπλέον, το EMOTIV είναι μια πλατφόρμα που χρησιμοποιεί αισθητήρες ηλεκτροεγκεφαλογραφίας (EEG) για τη μέτρηση σημάτων ενός εγκεφάλου και τη μετατροπή τους σε ανεπεξέργαστα δεδομένα, τα οποία αργότερα μπορούν να χρησιμοποιηθούν για ερευνητικούς και άλλους σκοπούς. Έθεσα την πλατφόρμα EmPOWER σε ένα τοπικό δίκτυο με ένα μηχάνημα που λειτουργούσε ως ελεγκτής, ένας εξυπηρετητή που λειτουργούσε ως εξυπηρετητή άκρης, μία εικονική μηχανή σε ένα εξυπηρετητή σε αρχιτεκτονική τύπου σύννεφο με το ρόλο του εξυπηρετητή τύπου σύννεφου της εφαρμογής, ένας δρομολογητής που ενεργούσε ως επεξεργαστής πακέτων και δύο δρομολογητές με δυνατότητα ασύρματης επικοινωνίας που έχει το ρόλο σημείων πρόσβασης στα οποία μπορούν να συνδεθούν οι πελάτες. Για το Mininet-WiFi, τρέχω την πλήρη εγκατάσταση σε μια ενιαία εικονική μηχανή και η τοπολογία της αποτελείται από ένα εξυπηρετητή ελεγκτή συνδεδεμένο σε διακομιστή OpenFlow, ο οποίος συνδέει τον κεντρικό διακομιστή, τον εξυπηρετητή σύννεφων και το Access Point. Οι πελάτες είναι δύο φορητοί υπολογιστές συνδεδεμένοι στο WiFi της πλατφόρμας EmPOWER ή δύο προσομοιωμένοι κόμβοι συνδεδεμένοι στο Σημείο Πρόσβασης του Mininet-WiFi. Η εφαρμογή αποτελείται από τρεις υλοποιήσεις, έναν διακομιστή σύννεφο, ο οποίος δημιουργεί το μοντέλο εκπαίδευσης και αποθηκεύει συμβάντα σε μια βάση δεδομένων, έναν εξυπηρετητή άκρων, ο οποίος ταξινομεί τα ληφθέντα δεδομένα και λαμβάνει τις κατάλληλες ενέργειες, και έναν πελάτη, ο οποίος στέλνει EEG και δεδομένα θέσης στην end server και λαμβάνει εντολές από τον ίδιο διακομιστή. Παρέχει τη δυνατότητα να ελέγξει εάν οι χειριστές ενός οχήματος, πελάτη των παραπάνω δικτύων, έχει τα μάτια του κλειστά και συνεπώς να είναι σε θέση να συνεχίσει την αποστολή του ή απαιτείται δράση δύο βημάτων. Στο πρώτο στάδιο, αν ο χειριστής έχει τα μάτια κλειστά, λαμβάνει χώρα μια ενέργεια αφύπνισης στο τερματικό του. Στο δεύτερο στάδιο, εάν ο χειριστής δεν ανοίξει τα μάτια του, τότε δίνεται μια ενέργεια για να σταματήσει το όχημα και αν κάποιος άλλος χειριστής βρίσκεται κοντά, ενημερώνεται για την κατάσταση από το τερματικό του. Επιπλέον, η απόφαση για τις ενέργειες λαμβάνεται από τον κεντρικό εξυπηρετητή χρησιμοποιώντας τον αλγόριθμο KNN, ο οποίος ταξινομεί, τα ακατέργαστα δεδομένα που λαμβάνονται, σε δύο κατηγορίες, κοντά στα μάτια και τα μάτια ανοιχτά. Η επικοινωνία μεταξύ των εξυπηρετητών και του πελάτη χρησιμοποιεί το πρωτόκολλο MQTT, το οποίο είναι μια ελαφριά μεταφορά μηνυμάτων μετάδοσης / εγγραφής και είναι ιδανικό για κινητές εφαρμογές σε σενάρια του Διαδικτύου των Πραγμάτων και έχει αποτελεσματική κατανομή πληροφοριών σε έναν ή πολλούς δέκτες. Τα αποτελέσματα καταδεικνύουν τη χρήση αυτών των τεχνολογιών στην οδική ασφάλεια, χρησιμοποιώντας τοπολογίες έξυπνων δικτύων, λύσεις παρακολούθησης χρηστών και τεχνικές εκμάθησης μηχανών. Λαμβάνοντας υπόψη τα οφέλη των προαναφερόμενων τεχνολογιών, καταλήγω στο συμπέρασμα ότι τέτοιες λύσεις παρουσιάζουν πολλά υποσχόμενα πλεονεκτήματα στον τομέα της οδικής ασφάλειας, αλλά αφήνουν περιθώρια βελτίωσης καθώς βρίσκονται σε πρώιμο στάδιο ανάπτυξης.","abstract_html":"Παρουσιάζω μια λύση για την οδική ασφάλεια χρησιμοποιώντας τα δεδομένα EEG που παρέχονται από την τεχνολογία EMOTIV και την ανάλυση μηχανικής μάθησης για να εξαγάγετε, πότε ο οδηγός έχει πρόβλημα και δεν μπορεί να λειτουργήσει το όχημα. Η λύση δοκιμάστηκε σε δύο SDN ενεργοποιημένες πλατφόρμες EmPOWER και Mininet-WiFi. Το EmPOWER στηρίζεται σε μια ενιαία πλατφόρμα, η οποία αποτελείται από υλικό γενικής χρήσης και λειτουργικό σύστημα και παρέχει νέες δυνατότητες και δυνατότητες τόσο για τον ασύρματο όσο και για τον τομέα κινητής τηλεφωνίας. Παρέχει επίσης τρεις τύπους εικόνικών πόρων δικτύου, όπως κόμβοι προώθησης (switches OpenFlow), κόμβους επεξεργασίας πακέτων (Micro Servers) και κόμβους ραδιοφωνικής επεξεργασίας (σημεία πρόσβασης WiFi ή LTE eNodeBs). Το Mininet-WiFi είναι ένας εξομοιωτής, ο οποίος δημιουργεί ένα εικονικό δίκτυο, πυρήνα, διακομιστή και κώδικα εφαρμογής, σε ένα μόνο μηχάνημα και επιτρέπει τη χρήση και των δύο WiFi Σταθμών και Σημείων Πρόσβασης. Επιπλέον, το EMOTIV είναι μια πλατφόρμα που χρησιμοποιεί αισθητήρες ηλεκτροεγκεφαλογραφίας (EEG) για τη μέτρηση σημάτων ενός εγκεφάλου και τη μετατροπή τους σε ανεπεξέργαστα δεδομένα, τα οποία αργότερα μπορούν να χρησιμοποιηθούν για ερευνητικούς και άλλους σκοπούς. Έθεσα την πλατφόρμα EmPOWER σε ένα τοπικό δίκτυο με ένα μηχάνημα που λειτουργούσε ως ελεγκτής, ένας εξυπηρετητή που λειτουργούσε ως εξυπηρετητή άκρης, μία εικονική μηχανή σε ένα εξυπηρετητή σε αρχιτεκτονική τύπου σύννεφο με το ρόλο του εξυπηρετητή τύπου σύννεφου της εφαρμογής, ένας δρομολογητής που ενεργούσε ως επεξεργαστής πακέτων και δύο δρομολογητές με δυνατότητα ασύρματης επικοινωνίας που έχει το ρόλο σημείων πρόσβασης στα οποία μπορούν να συνδεθούν οι πελάτες. Για το Mininet-WiFi, τρέχω την πλήρη εγκατάσταση σε μια ενιαία εικονική μηχανή και η τοπολογία της αποτελείται από ένα εξυπηρετητή ελεγκτή συνδεδεμένο σε διακομιστή OpenFlow, ο οποίος συνδέει τον κεντρικό διακομιστή, τον εξυπηρετητή σύννεφων και το Access Point. Οι πελάτες είναι δύο φορητοί υπολογιστές συνδεδεμένοι στο WiFi της πλατφόρμας EmPOWER ή δύο προσομοιωμένοι κόμβοι συνδεδεμένοι στο Σημείο Πρόσβασης του Mininet-WiFi. Η εφαρμογή αποτελείται από τρεις υλοποιήσεις, έναν διακομιστή σύννεφο, ο οποίος δημιουργεί το μοντέλο εκπαίδευσης και αποθηκεύει συμβάντα σε μια βάση δεδομένων, έναν εξυπηρετητή άκρων, ο οποίος ταξινομεί τα ληφθέντα δεδομένα και λαμβάνει τις κατάλληλες ενέργειες, και έναν πελάτη, ο οποίος στέλνει EEG και δεδομένα θέσης στην end server και λαμβάνει εντολές από τον ίδιο διακομιστή. Παρέχει τη δυνατότητα να ελέγξει εάν οι χειριστές ενός οχήματος, πελάτη των παραπάνω δικτύων, έχει τα μάτια του κλειστά και συνεπώς να είναι σε θέση να συνεχίσει την αποστολή του ή απαιτείται δράση δύο βημάτων. Στο πρώτο στάδιο, αν ο χειριστής έχει τα μάτια κλειστά, λαμβάνει χώρα μια ενέργεια αφύπνισης στο τερματικό του. Στο δεύτερο στάδιο, εάν ο χειριστής δεν ανοίξει τα μάτια του, τότε δίνεται μια ενέργεια για να σταματήσει το όχημα και αν κάποιος άλλος χειριστής βρίσκεται κοντά, ενημερώνεται για την κατάσταση από το τερματικό του. Επιπλέον, η απόφαση για τις ενέργειες λαμβάνεται από τον κεντρικό εξυπηρετητή χρησιμοποιώντας τον αλγόριθμο KNN, ο οποίος ταξινομεί, τα ακατέργαστα δεδομένα που λαμβάνονται, σε δύο κατηγορίες, κοντά στα μάτια και τα μάτια ανοιχτά. Η επικοινωνία μεταξύ των εξυπηρετητών και του πελάτη χρησιμοποιεί το πρωτόκολλο MQTT, το οποίο είναι μια ελαφριά μεταφορά μηνυμάτων μετάδοσης / εγγραφής και είναι ιδανικό για κινητές εφαρμογές σε σενάρια του Διαδικτύου των Πραγμάτων και έχει αποτελεσματική κατανομή πληροφοριών σε έναν ή πολλούς δέκτες. Τα αποτελέσματα καταδεικνύουν τη χρήση αυτών των τεχνολογιών στην οδική ασφάλεια, χρησιμοποιώντας τοπολογίες έξυπνων δικτύων, λύσεις παρακολούθησης χρηστών και τεχνικές εκμάθησης μηχανών. Λαμβάνοντας υπόψη τα οφέλη των προαναφερόμενων τεχνολογιών, καταλήγω στο συμπέρασμα ότι τέτοιες λύσεις παρουσιάζουν πολλά υποσχόμενα πλεονεκτήματα στον τομέα της οδικής ασφάλειας, αλλά αφήνουν περιθώρια βελτίωσης καθώς βρίσκονται σε πρώιμο στάδιο ανάπτυξης.","abstract_has_math":false,"creators":["Κοντόπουλος Παναγιώτης","Kontopoulos Panagiotis"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2020,"date_issued":"2020","date_published":"2020","updated_at":"2026-11-19T05:37:06Z","subjects":["Θετικές Επιστήμες","Science"],"languages":["Ελληνικά","English","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2894755"],"render_values":[{"text":"uoadl:2894755","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2894755","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2894755","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A2894755","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Κοντόπουλος Παναγιώτης","Kontopoulos Panagiotis"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2020"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Θετικές Επιστήμες","Science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["Ελληνικά","English","Greek"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2894755","https://pergamos.lib.uoa.gr/uoa/dl/object/2894755"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Παρουσιάζω μια λύση για την οδική ασφάλεια χρησιμοποιώντας τα δεδομένα EEG που παρέχονται από την τεχνολογία EMOTIV και την ανάλυση μηχανικής μάθησης για να εξαγάγετε, πότε ο οδηγός έχει πρόβλημα και δεν μπορεί να λειτουργήσει το όχημα. Η λύση δοκιμάστηκε σε δύο SDN ενεργοποιημένες πλατφόρμες EmPOWER και Mininet-WiFi. Το EmPOWER στηρίζεται σε μια ενιαία πλατφόρμα, η οποία αποτελείται από υλικό γενικής χρήσης και λειτουργικό σύστημα και παρέχει νέες δυνατότητες και δυνατότητες τόσο για τον ασύρματο όσο και για τον τομέα κινητής τηλεφωνίας. Παρέχει επίσης τρεις τύπους εικόνικών πόρων δικτύου, όπως κόμβοι προώθησης (switches OpenFlow), κόμβους επεξεργασίας πακέτων (Micro Servers) και κόμβους ραδιοφωνικής επεξεργασίας (σημεία πρόσβασης WiFi ή LTE eNodeBs). Το Mininet-WiFi είναι ένας εξομοιωτής, ο οποίος δημιουργεί ένα εικονικό δίκτυο, πυρήνα, διακομιστή και κώδικα εφαρμογής, σε ένα μόνο μηχάνημα και επιτρέπει τη χρήση και των δύο WiFi Σταθμών και Σημείων Πρόσβασης. Επιπλέον, το EMOTIV είναι μια πλατφόρμα που χρησιμοποιεί αισθητήρες ηλεκτροεγκεφαλογραφίας (EEG) για τη μέτρηση σημάτων ενός εγκεφάλου και τη μετατροπή τους σε ανεπεξέργαστα δεδομένα, τα οποία αργότερα μπορούν να χρησιμοποιηθούν για ερευνητικούς και άλλους σκοπούς. Έθεσα την πλατφόρμα EmPOWER σε ένα τοπικό δίκτυο με ένα μηχάνημα που λειτουργούσε ως ελεγκτής, ένας εξυπηρετητή που λειτουργούσε ως εξυπηρετητή άκρης, μία εικονική μηχανή σε ένα εξυπηρετητή σε αρχιτεκτονική τύπου σύννεφο με το ρόλο του εξυπηρετητή τύπου σύννεφου της εφαρμογής, ένας δρομολογητής που ενεργούσε ως επεξεργαστής πακέτων και δύο δρομολογητές με δυνατότητα ασύρματης επικοινωνίας που έχει το ρόλο σημείων πρόσβασης στα οποία μπορούν να συνδεθούν οι πελάτες. Για το Mininet-WiFi, τρέχω την πλήρη εγκατάσταση σε μια ενιαία εικονική μηχανή και η τοπολογία της αποτελείται από ένα εξυπηρετητή ελεγκτή συνδεδεμένο σε διακομιστή OpenFlow, ο οποίος συνδέει τον κεντρικό διακομιστή, τον εξυπηρετητή σύννεφων και το Access Point. Οι πελάτες είναι δύο φορητοί υπολογιστές συνδεδεμένοι στο WiFi της πλατφόρμας EmPOWER ή δύο προσομοιωμένοι κόμβοι συνδεδεμένοι στο Σημείο Πρόσβασης του Mininet-WiFi. Η εφαρμογή αποτελείται από τρεις υλοποιήσεις, έναν διακομιστή σύννεφο, ο οποίος δημιουργεί το μοντέλο εκπαίδευσης και αποθηκεύει συμβάντα σε μια βάση δεδομένων, έναν εξυπηρετητή άκρων, ο οποίος ταξινομεί τα ληφθέντα δεδομένα και λαμβάνει τις κατάλληλες ενέργειες, και έναν πελάτη, ο οποίος στέλνει EEG και δεδομένα θέσης στην end server και λαμβάνει εντολές από τον ίδιο διακομιστή. Παρέχει τη δυνατότητα να ελέγξει εάν οι χειριστές ενός οχήματος, πελάτη των παραπάνω δικτύων, έχει τα μάτια του κλειστά και συνεπώς να είναι σε θέση να συνεχίσει την αποστολή του ή απαιτείται δράση δύο βημάτων. Στο πρώτο στάδιο, αν ο χειριστής έχει τα μάτια κλειστά, λαμβάνει χώρα μια ενέργεια αφύπνισης στο τερματικό του. Στο δεύτερο στάδιο, εάν ο χειριστής δεν ανοίξει τα μάτια του, τότε δίνεται μια ενέργεια για να σταματήσει το όχημα και αν κάποιος άλλος χειριστής βρίσκεται κοντά, ενημερώνεται για την κατάσταση από το τερματικό του. Επιπλέον, η απόφαση για τις ενέργειες λαμβάνεται από τον κεντρικό εξυπηρετητή χρησιμοποιώντας τον αλγόριθμο KNN, ο οποίος ταξινομεί, τα ακατέργαστα δεδομένα που λαμβάνονται, σε δύο κατηγορίες, κοντά στα μάτια και τα μάτια ανοιχτά. Η επικοινωνία μεταξύ των εξυπηρετητών και του πελάτη χρησιμοποιεί το πρωτόκολλο MQTT, το οποίο είναι μια ελαφριά μεταφορά μηνυμάτων μετάδοσης / εγγραφής και είναι ιδανικό για κινητές εφαρμογές σε σενάρια του Διαδικτύου των Πραγμάτων και έχει αποτελεσματική κατανομή πληροφοριών σε έναν ή πολλούς δέκτες. Τα αποτελέσματα καταδεικνύουν τη χρήση αυτών των τεχνολογιών στην οδική ασφάλεια, χρησιμοποιώντας τοπολογίες έξυπνων δικτύων, λύσεις παρακολούθησης χρηστών και τεχνικές εκμάθησης μηχανών. Λαμβάνοντας υπόψη τα οφέλη των προαναφερόμενων τεχνολογιών, καταλήγω στο συμπέρασμα ότι τέτοιες λύσεις παρουσιάζουν πολλά υποσχόμενα πλεονεκτήματα στον τομέα της οδικής ασφάλειας, αλλά αφήνουν περιθώρια βελτίωσης καθώς βρίσκονται σε πρώιμο στάδιο ανάπτυξης.","I present a solution for road safety using EEG data provided from EMOTIV Technology and machine learning analysis to extract when a driver has a problem and cannot operate the vehicle. The solution was tested in two SDN enabled platforms EmPOWER and Mininet-WiFi. EmPOWER rests on a single platform, which consists of general-purpose hardware and operating system, and provides new features and capabilities both for the wireless and the mobile domain. It also provides three types of virtualized network resources such as forwarding nodes (OpenFlow switches), packet processing nodes (Micro Servers) and radio processing nodes (WiFi Access Points or LTE eNodeBs). Mininet-WiFi is an emulator, which creates a virtual network, kernel, switch and application code, on a single machine and allows the using of both WiFi Stations and Access Points. Moreover, EMOTIV is a platform that uses electroencephalography (EEG) sensors to measure signals of a brain and convert them to raw data, that later can be used for research and other purposes. I implemented the EmPOWER platform on a local network with a machine acting as the controller, one server acting as an edge server, one virtual machine on a cloud server with the role of the cloud server of the application, one router acting like packet processor and two routers with wireless capable hardware having the role of access points to which the clients can connect to. For the Mininet-WiFi, I run the complete setup on a single virtual machine and its topology consists from one controller server connected to OpenFlow switch, which connects the edge server, the cloud server and the Access Point. The clients are two laptops connected to the WiFi of the EmPOWER platform or two simulated nodes connected to the Mininet-WiFi’s Access Point. The application consists from three deployments, a cloud server, which creates the training model and stores incidents to a database, an edge server, which classifies the data received and takes the proper actions, and a client, which send EEG and position data to the edge server and receives commands from the same server. It provides the ability to check if the operators of a vehicle, client of the above networks, has his eyes closed and therefore be able to continue his task or a two-step action is required. On the first stage, if the operator has his eyes closed, a wakeup action is taking place to his terminal. On the second stage, if the operator does not open his eyes, then an action to stop the vehicle is given and if any other operator is at close proximity, he is informed about the situation from his terminal. Moreover, the decision for the actions is taken by the edge server using the KNN algorithm, which classifies, the raw data received, to two categories, eyes close and eyes open. The communication between the servers and the client uses the MQTT protocol, which is a lightweight publish/subscribe messaging transport and is ideal for mobile applications in Internet of Things scenarios and has efficient distribution of information to one or many receivers. The results demonstrate the usage, such technologies will have to road safety by utilizing smart network topologies, user monitoring solutions and machine learning techniques. Taking into consideration the benefits of the aforementioned technologies, I conclude that such solutions show promising advantages on the area of road safety, but leave room for improvement as they are at an early stage of development."]},{"key":"dc:title","label":"Title","values":["Machine Learning driven road safety over smart Networks based on Electroencephalography data analysis"]}]}],"canonical_facts":{"dc:creator":["Κοντόπουλος Παναγιώτης","Kontopoulos Panagiotis"],"dc:date":["2020"],"dc:description":["Παρουσιάζω μια λύση για την οδική ασφάλεια χρησιμοποιώντας τα δεδομένα EEG που παρέχονται από την τεχνολογία EMOTIV και την ανάλυση μηχανικής μάθησης για να εξαγάγετε, πότε ο οδηγός έχει πρόβλημα και δεν μπορεί να λειτουργήσει το όχημα. Η λύση δοκιμάστηκε σε δύο SDN ενεργοποιημένες πλατφόρμες EmPOWER και Mininet-WiFi. Το EmPOWER στηρίζεται σε μια ενιαία πλατφόρμα, η οποία αποτελείται από υλικό γενικής χρήσης και λειτουργικό σύστημα και παρέχει νέες δυνατότητες και δυνατότητες τόσο για τον ασύρματο όσο και για τον τομέα κινητής τηλεφωνίας. Παρέχει επίσης τρεις τύπους εικόνικών πόρων δικτύου, όπως κόμβοι προώθησης (switches OpenFlow), κόμβους επεξεργασίας πακέτων (Micro Servers) και κόμβους ραδιοφωνικής επεξεργασίας (σημεία πρόσβασης WiFi ή LTE eNodeBs). Το Mininet-WiFi είναι ένας εξομοιωτής, ο οποίος δημιουργεί ένα εικονικό δίκτυο, πυρήνα, διακομιστή και κώδικα εφαρμογής, σε ένα μόνο μηχάνημα και επιτρέπει τη χρήση και των δύο WiFi Σταθμών και Σημείων Πρόσβασης. Επιπλέον, το EMOTIV είναι μια πλατφόρμα που χρησιμοποιεί αισθητήρες ηλεκτροεγκεφαλογραφίας (EEG) για τη μέτρηση σημάτων ενός εγκεφάλου και τη μετατροπή τους σε ανεπεξέργαστα δεδομένα, τα οποία αργότερα μπορούν να χρησιμοποιηθούν για ερευνητικούς και άλλους σκοπούς. Έθεσα την πλατφόρμα EmPOWER σε ένα τοπικό δίκτυο με ένα μηχάνημα που λειτουργούσε ως ελεγκτής, ένας εξυπηρετητή που λειτουργούσε ως εξυπηρετητή άκρης, μία εικονική μηχανή σε ένα εξυπηρετητή σε αρχιτεκτονική τύπου σύννεφο με το ρόλο του εξυπηρετητή τύπου σύννεφου της εφαρμογής, ένας δρομολογητής που ενεργούσε ως επεξεργαστής πακέτων και δύο δρομολογητές με δυνατότητα ασύρματης επικοινωνίας που έχει το ρόλο σημείων πρόσβασης στα οποία μπορούν να συνδεθούν οι πελάτες. Για το Mininet-WiFi, τρέχω την πλήρη εγκατάσταση σε μια ενιαία εικονική μηχανή και η τοπολογία της αποτελείται από ένα εξυπηρετητή ελεγκτή συνδεδεμένο σε διακομιστή OpenFlow, ο οποίος συνδέει τον κεντρικό διακομιστή, τον εξυπηρετητή σύννεφων και το Access Point. Οι πελάτες είναι δύο φορητοί υπολογιστές συνδεδεμένοι στο WiFi της πλατφόρμας EmPOWER ή δύο προσομοιωμένοι κόμβοι συνδεδεμένοι στο Σημείο Πρόσβασης του Mininet-WiFi. Η εφαρμογή αποτελείται από τρεις υλοποιήσεις, έναν διακομιστή σύννεφο, ο οποίος δημιουργεί το μοντέλο εκπαίδευσης και αποθηκεύει συμβάντα σε μια βάση δεδομένων, έναν εξυπηρετητή άκρων, ο οποίος ταξινομεί τα ληφθέντα δεδομένα και λαμβάνει τις κατάλληλες ενέργειες, και έναν πελάτη, ο οποίος στέλνει EEG και δεδομένα θέσης στην end server και λαμβάνει εντολές από τον ίδιο διακομιστή. Παρέχει τη δυνατότητα να ελέγξει εάν οι χειριστές ενός οχήματος, πελάτη των παραπάνω δικτύων, έχει τα μάτια του κλειστά και συνεπώς να είναι σε θέση να συνεχίσει την αποστολή του ή απαιτείται δράση δύο βημάτων. Στο πρώτο στάδιο, αν ο χειριστής έχει τα μάτια κλειστά, λαμβάνει χώρα μια ενέργεια αφύπνισης στο τερματικό του. Στο δεύτερο στάδιο, εάν ο χειριστής δεν ανοίξει τα μάτια του, τότε δίνεται μια ενέργεια για να σταματήσει το όχημα και αν κάποιος άλλος χειριστής βρίσκεται κοντά, ενημερώνεται για την κατάσταση από το τερματικό του. Επιπλέον, η απόφαση για τις ενέργειες λαμβάνεται από τον κεντρικό εξυπηρετητή χρησιμοποιώντας τον αλγόριθμο KNN, ο οποίος ταξινομεί, τα ακατέργαστα δεδομένα που λαμβάνονται, σε δύο κατηγορίες, κοντά στα μάτια και τα μάτια ανοιχτά. Η επικοινωνία μεταξύ των εξυπηρετητών και του πελάτη χρησιμοποιεί το πρωτόκολλο MQTT, το οποίο είναι μια ελαφριά μεταφορά μηνυμάτων μετάδοσης / εγγραφής και είναι ιδανικό για κινητές εφαρμογές σε σενάρια του Διαδικτύου των Πραγμάτων και έχει αποτελεσματική κατανομή πληροφοριών σε έναν ή πολλούς δέκτες. Τα αποτελέσματα καταδεικνύουν τη χρήση αυτών των τεχνολογιών στην οδική ασφάλεια, χρησιμοποιώντας τοπολογίες έξυπνων δικτύων, λύσεις παρακολούθησης χρηστών και τεχνικές εκμάθησης μηχανών. Λαμβάνοντας υπόψη τα οφέλη των προαναφερόμενων τεχνολογιών, καταλήγω στο συμπέρασμα ότι τέτοιες λύσεις παρουσιάζουν πολλά υποσχόμενα πλεονεκτήματα στον τομέα της οδικής ασφάλειας, αλλά αφήνουν περιθώρια βελτίωσης καθώς βρίσκονται σε πρώιμο στάδιο ανάπτυξης.","I present a solution for road safety using EEG data provided from EMOTIV Technology and machine learning analysis to extract when a driver has a problem and cannot operate the vehicle. The solution was tested in two SDN enabled platforms EmPOWER and Mininet-WiFi. EmPOWER rests on a single platform, which consists of general-purpose hardware and operating system, and provides new features and capabilities both for the wireless and the mobile domain. It also provides three types of virtualized network resources such as forwarding nodes (OpenFlow switches), packet processing nodes (Micro Servers) and radio processing nodes (WiFi Access Points or LTE eNodeBs). Mininet-WiFi is an emulator, which creates a virtual network, kernel, switch and application code, on a single machine and allows the using of both WiFi Stations and Access Points. Moreover, EMOTIV is a platform that uses electroencephalography (EEG) sensors to measure signals of a brain and convert them to raw data, that later can be used for research and other purposes. I implemented the EmPOWER platform on a local network with a machine acting as the controller, one server acting as an edge server, one virtual machine on a cloud server with the role of the cloud server of the application, one router acting like packet processor and two routers with wireless capable hardware having the role of access points to which the clients can connect to. For the Mininet-WiFi, I run the complete setup on a single virtual machine and its topology consists from one controller server connected to OpenFlow switch, which connects the edge server, the cloud server and the Access Point. The clients are two laptops connected to the WiFi of the EmPOWER platform or two simulated nodes connected to the Mininet-WiFi’s Access Point. The application consists from three deployments, a cloud server, which creates the training model and stores incidents to a database, an edge server, which classifies the data received and takes the proper actions, and a client, which send EEG and position data to the edge server and receives commands from the same server. It provides the ability to check if the operators of a vehicle, client of the above networks, has his eyes closed and therefore be able to continue his task or a two-step action is required. On the first stage, if the operator has his eyes closed, a wakeup action is taking place to his terminal. On the second stage, if the operator does not open his eyes, then an action to stop the vehicle is given and if any other operator is at close proximity, he is informed about the situation from his terminal. Moreover, the decision for the actions is taken by the edge server using the KNN algorithm, which classifies, the raw data received, to two categories, eyes close and eyes open. The communication between the servers and the client uses the MQTT protocol, which is a lightweight publish/subscribe messaging transport and is ideal for mobile applications in Internet of Things scenarios and has efficient distribution of information to one or many receivers. The results demonstrate the usage, such technologies will have to road safety by utilizing smart network topologies, user monitoring solutions and machine learning techniques. Taking into consideration the benefits of the aforementioned technologies, I conclude that such solutions show promising advantages on the area of road safety, but leave room for improvement as they are at an early stage of development."],"dc:identifier":["uoadl:2894755","https://pergamos.lib.uoa.gr/uoa/dl/object/2894755"],"dc:language":["Ελληνικά","English","Greek"],"dc:subject":["Θετικές Επιστήμες","Science"],"dc:title":["Machine Learning driven road safety over smart Networks based on Electroencephalography data analysis"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:37:06Z"}