基于驾驶对象电容心电图信号的压力水平检测

科学领域:

• 汽车工程 汽车工程
• 生物医学工程 生物医学工程
• 机器学习 机器学习

背景情况:

• 驾驶员的表现对于预防道路交通事故至关重要,压力会严重损害注意力和健康.
• 需要不引人注目的监控系统来实时评估驾驶员的健康状况.
• 容量心电图 (cECG) 提供了一种非侵入性方法来获取生理数据.

研究的目的:

• 调查驾驶员压力水平的分类,使用在驾驶过程中轻易获得的cECG信号.
• 为了评估具有低计算复杂性的机器学习模型对实时压力检测的有效性.
• 通过不同的cECG硬件实现和信号质量验证模型的性能.

主要方法:

• 开发一种机器学习模型,利用从cECG信号中提取的四个基于R峰值的特征.
• 使用集成到枕头和汽车座椅中的不显眼系统获取cECG数据,并与传统的ECG进行比较.
• 在三个数据集上验证模型,代表高质量的心电图,中质量的心电图 (枕头) 和低质量的心电图 (汽车座椅).

主要成果:

• 机器学习模型实现了高质量的ECG的100%准确性.
• 对于中等质量和低质量的cECG,分别获得了96.67%和98.08%的精度.
• 选择的功能显示出强度和低计算要求,适合实时应用.

结论:

• 隐蔽的cECG采集系统,即使信号质量较低,也可以有效监测驾驶员的压力水平.
• 拟议的机器学习方法为实时驾驶员健康和集中度评估提供了可行的解决方案.
• 这项技术有可能通过减轻因压力而导致驾驶员损伤的风险来提高汽车安全.