远程光波立体声学和运动跟踪卷积神经网络与双向长期短期记忆:基于多模式融合的非侵入性疲劳检测方法
Lingjian Kong1, Kai Xie1, Kaixuan Niu1
1School of Electronic Information and Electrical Engineering, Yangtze University, Jingzhou 434023, China.
Sensors (Basel, Switzerland)
|January 23, 2024
概括
这项研究介绍了RPPMT-CNN-BiLSTM,这是一种用于检测驾驶员疲劳的新型多模式融合方法. 它达到98.2%的准确性,通过改进的实时监控来提高交通安全.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 生物医学工程 生物医学工程
背景情况:
- 传统的驾驶员疲劳检测依赖于RGB摄像头,易受照明和运动变化的影响.
- 现有的方法通常使用单个指标,如眼运动或心率,限制准确性.
研究的目的:
- 开发一种强大的,非侵入性的多模式融合方法,用于准确检测驾驶员疲劳.
- 为了克服RGB摄像机和单一特征检测方法的局限性.
主要方法:
- 拟议的RPPMT-CNN-BiLSTM方法整合了改进的Pan-Tompkins和1D-MTCNN用于特征提取.
- 利用1D神经网络来计算心率和基于PERCLOS (眼睛关闭的百分比) 的模型.
- 采用BiLSTM网络进行动态建模和多模式融合.
主要成果:
- 在多模式驾驶员警觉性数据集 (MDAD) 上获得了98.2%的准确性.
- 与传统的疲劳检测方法相比,证明了更高的性能.
- 验证了拟议算法的可行性和有效性.
结论:
- RPPMT-CNN-BiLSTM方法在非侵入性驾驶员疲劳检测方面取得了重大进展.
- 这种方法通过提供更准确,更可靠的实时监控来提高交通安全.
- 通过改进的人工智能驱动的安全系统,为智能交通领域做出贡献.
