A Hybrid Approach for Driver Drowsiness Detection Utilizing Practical Data to Improve Performance System and Applicability

A Hybrid Approach for Driver Drowsiness Detection Utilizing Practical Data to Improve Performance System and Applicability

Code: G-1056

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

Schedule: Not Scheduled!

Tag:

Download: Download Poster

Abstract:

Introduction

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.

Methods and Materials / Case Report

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.

Results

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.

Conclusion

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.

Key Words

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

Post comment is closed by admin.