一个XGBoost方法来检测基于车辆动态的驾驶员视觉分心
Yongqiang Guo1, Hua Ding1, Xingxing ShangGuan1
1School of Automotive and Traffic Engineering, Jiangsu University, Zhenjiang, Jiangsu, China.
Traffic injury prevention
|June 5, 2023
概括
这项研究开发了一个XGBoost模型,使用车辆动态检测分心驾驶. 该模型实现了85.68%的准确性,识别了方向盘角度等关键指标,以提高驾驶员的安全性.
科学领域:
- 道路交通安全 道路交通安全
- 机器学习应用 机器学习应用
- 汽车工程 汽车工程
背景情况:
- 分心驾驶,特别是涉及使用手机,显著增加严重道路交通事故的风险.
- 现有的检测司机分心的方法往往需要额外的传感器或是精度有限.
研究的目的:
- 开发和评估一个XGBoost模型,仅使用车辆动态数据来检测视觉干扰.
- 为分心检测模型确定最佳参数,包括时间窗口大小和功能选择.
主要方法:
- 对36名参与者进行了模拟驾驶实验.
- 使用时间窗口和快速里埃转换方法处理车辆动态数据,产生26个参数.
- 通过改变时间窗口大小 (1-7s) 和输入功能的数量来优化 XGBoost 模型的性能.
主要成果:
- 最佳时间窗口被确定为5秒,使用23个输入指标.
- XGBoost模型实现了高性能指标:85.68%的准确度,85.83%的精度,83.85%的回忆,84.82%的F1得分和0.9319的AUC.
- 干扰检测的关键特征包括车辆侧滑率的标准偏差和方向盘角度频谱组件.
结论:
- 车辆动态,特别是方向盘角度和侧滑角度,是驾驶员分心的强有力的指标.
- 拟议的XGBoost模型显示了与先进驾驶辅助系统 (ADAS) 集成的前景,以减轻与分心驾驶相关的风险.
更多相关视频
11:12Driving Simulation in the Clinic: Testing Visual Exploratory Behavior in Daily Life Activities in Patients with Visual Field Defects
Published on: September 18, 2012
17.5K
06:37Author Spotlight: Addressing Technical and Subjective Challenges in Measuring Classroom Attention
Published on: December 15, 2023
3.9K
