یک رویکرد ترکیبی برای تشخیص خواب آلودگی راننده با استفاده از داده های کاربردی برای بهبود عملکرد و قابلیت کاربرد سیستم

یک رویکرد ترکیبی برای تشخیص خواب آلودگی راننده با استفاده از داده های کاربردی برای بهبود عملکرد و قابلیت کاربرد سیستم

کد: G-1056

نویسندگان: فرین خانه شناس ℗, عادل مظلومی ©, علی نحوی, احمد نیک آبادی, عباس رحیمی فروشانی, علیرضا آقامعلی زاده, خسرو صادق نیت

زمان بندی: زمان بندی نشده!

برچسب:

دانلود: دانلود پوستر

خلاصه مقاله:

مقدمه

سیستم های متعددی برای تشخیص خواب آلودگی راننده ایجاد شده است. با این حال، این سیستم ها هنوز به طور گسترده در زمان واقعی استفاده نشده اند. هدف از این مطالعه بررسی امکان سنجی تشخیص حالت های هوشیاری و خواب آلودگی در رانندگان با استفاده از ادغام ویژگی های سیگنال های تنفسی، موقعیت جانبی خودرو و زمان واکنش و روش های جمع آوری اطلاعات خارج از خودرو به منظور بهبود عملکرد و کاربرد سیستم در دنیای واقعی بود.

مواد و روش‌ها

داده ها از 25 داوطلب سالم با شاخص توده بندی نرمال در یک مطالعه مبتنی بر شبیه ساز رانندگی جمع آوری شد. سیگنال های تنفسی با استفاده از یک کمربند پوشیدنی ثبت شد و زمان واکنش و موقعیت جانبی وسیله نقلیه با استفاده از تست های توسعه یافته بر روی شبیه ساز رانندگی اندازه گیری شد. برای القای خواب آلودگی از محیط رانندگی یکنواخت استفاده شد. ویژگی‌های حوزه زمانی مختلف از سیگنال‌های تنفسی استخراج و با زمان واکنش و موقعیت جانبی وسیله نقلیه برای مدل‌سازی ترکیب شدند. مقیاس ناظر درجه بندی خواب آلودگی (ORD) برای برچسب زدن حالات واقعی راننده استفاده شد. از آزمون‌های t و آزمون من ویتنی فقط برای انتخاب ویژگی‌های آماری معنی‌دار (0/05/p) استفاده شد که می‌تواند بین حالت‌های هوشیاری و خواب‌آلود به طور موثر تمایز قائل شود. سپس ویژگی‌های مهم برای بررسی بهبود عملکرد با استفاده از طبقه‌بندی‌کننده‌های پرسپترون چندلایه (MLP)، ماشین‌های بردار پشتیبان (SVM)، درخت‌های تصمیم‌گیری (DTs)، و حافظه کوتاه‌مدت (LSTM) ترکیب شدند. مدل‌ها در زبان برنامه نویسی Python نسخه 3/6 پیاده‌سازی شدند.

یافته‌ها

تمام یازده ویژگی استخراج‌شده بین گروه‌های هوشیار و خواب‌آلود از نظر آماری معنی‌دار بود. ویژگی طول مدت دم به شدت با مدل مدت بازدم و فاصله پیک تا پیک تنفسی مرتبط بود، در حالی که ویژگی فاصله پیک تا پیک تنفسی مربوط به ویژگی داریوینگ است. علاوه بر این، ویژگی های تایمینگ و نسبت زمانی دم به بازدم رابطه معنی داری داشتند. در نهایت، ویژگی های نرخ تنفس، خمیازه کشیدن، تایمینگ و درایوینگ مستخرج از سیگنال تنفسی و ویژگی زمان واکنش، و میانگین و انحراف معیار موقعیت جانبی خودرو وبرای مدل سازی باقی ماند. هنگامی که تمام سیگنال های ورودی به مدل وارد شدند، الگوریتم SVM و DT در مقایسه با الگوریتم MLP و LSTM به مقادیر بالاتری در تمام عملکرد دست یافتند. الگوریتم SVM به ویژه مقادیر بالاتری از دقت تشخیص، حساسیت، یادآوری و F1 را در مقایسه با الگوریتم DT هنگام طبقه‌بندی حالت هوشیار و خواب آلودگی به دست آورد. دقت تشخیص آن 88٪ بود. دقت طبقه‌بندی‌ تنها با ویژگی زمان واکنش 83 درصد بود. ویژگی های عملکرد کمترین دقت تشخیص (74٪) را نشان دادند.

نتیجه‌گیری

این نتایج نشان‌دهنده امکان تشخیص بسیار دقیق خواب‌آلودگی راننده و راه‌حلی مناسب برای یک سیستم خواب‌آلودگی راننده کاربردی مبتنی بر اندازه‌گیری ترکیبی با استفاده از روش‌های ثبت کمتر مزاحم و خارج از خودرو است.

واژگان کلیدی

خواب آلودگی؛ رانندگی؛ طبقه بندی؛ یادگیری ماشین؛ زمان واکنش؛ سیگنال تنفسی

ارسال دیدگاه توسط مدیریت بسته شده است.