预测与疲劳相关的异常驾驶行为 使用动态加权移动平均模型与基于心率变量的长期短期记忆网络
Cheng-Yu Tsai1, He-In Cheong1, Robert Houghton1
1Department of Civil and Environmental Engineering, Imperial College London, London, UK.
Human factors
|June 30, 2023
概括
本研究引入了动态移动平均 (MA) 方法和LSTM网络,以使用心率变化 (HRV) 度量预测异常驾驶行为 (ADB). 这些模型准确地识别了与疲劳相关的ADB,提高了驾驶员的安全性.
科学领域:
- 生理监测和机器学习在运输安全中的应用.
- 对心血管信号进行分析,以进行行为预测.
背景情况:
- 与疲劳相关的异常驾驶行为 (ADB) 构成重大交通安全风险.
- 从生理反应预测ADBs的现有模型处于早期发展阶段.
研究的目的:
- 为处理心率变化 (HRV) 提出动态移动平均 (MA) 方法.
- 使用长期短期记忆 (LSTM) 网络开发异常驾驶行为 (ADB) 预测模型.
- 调查HRV指标与导致ADBs的精神疲劳之间的相关性.
主要方法:
- 在四天内收集了20名商用公共汽车司机的生理 (HRV) 和行为数据.
- 使用动态加权MA (DWMA) 和指数加权MA在5分钟间隔处理HRV.
- 经过训练和测试的LSTM模型使用十倍交叉验证策略,评估特征重要性与SHAP值.
主要成果:
- 在事件前的疲劳阶段观察到HRV指标 (SDNN,RMSSD,nHF) 的显著增加.
- 基于DWMA的LSTM模型实现了高预测准确度 (城市:84.41%,高速公路:80.56%).
- 通过SHAP分析,SDNN,RMSSD和nHF被确定为关键预测特征.
结论:
- 心率变化 (HRV) 指标有效地表明精神疲劳.
- 基于DWMA的LSTM模型显示了预测疲劳诱导ADB的强大潜力.
- 开发的模型适用于现实驾驶环境,以提高安全性.
