驾驶疲劳:一种非视觉方法,通过多功能融合来检测卡车司机的疲劳

科学领域:

• 运输安全运输安全
• 人类因素工程 人类因素工程
• 机器学习应用 机器学习应用

背景情况:

• 长途卡车司机疲劳监测对于道路安全至关重要.
• 使用生理或视觉特征的传统方法在侵入性,可靠性和成本方面面临挑战.
• 需要非侵入性和有效的疲劳检测解决方案.

研究的目的:

• 开发和验证使用非视觉特征的疲劳驾驶检测方法.
• 为了捕捉卡车司机的时空疲劳模式.
• 提供保护隐私和强大的监控系统.

主要方法:

• 从腕带,车辆设备和旅行日志中融合了非视觉特征.
• 应用双向长期短期记忆网络与注意力机制.
• 从自然主义数据集中分析细粒度,一分钟的驾驶数据.

主要成果:

• 实现了高性能指标:准确率为99.21%,精度为84.44%,回忆率为82.01%,特异性为99.63%,F1得分为83.21%.
• 摄像力发电图 (PPG) 成为检测疲劳的最重要的特征.
• 确定了与疲劳积极相关的关键因素 (例如,车辆负载,驾驶时间) 和与疲劳负面相关的因素 (例如,性皮肤反应,休息时间).

结论:

• 这项研究开创了使用自然驾驶数据进行现实生活卡车司机疲劳模式分析的先驱,而不会破坏驾驶任务.
• 拟议的非侵入性方法为疲劳监测提供了一种实用,保护隐私和实时的解决方案.
• 这些发现对改善远程卡车运输行业的安全有重大影响.