使用多式联网可穿戴数据和挤压激发网络对驾驶员分心的自动评估
Kaveti Pavan1, Nagarajan Ganapathy1
1Department of Biomedical Engineering, IIT Hyderabad, Telangana, India.
Studies in health technology and informatics
|August 23, 2024
概括
这项研究使用一种新的神经网络方法来检测驾驶员的分心,使用可穿戴传感器的生理信号. 该方法有望通过非侵入性监测提高道路安全.
科学领域:
- 生理信号处理 物理信号处理
- 机器学习用于道路安全.
- 可穿戴式传感器技术的技术.
背景情况:
- 司机的分心是交通事故的主要原因之一.
- 使用生理信号评估驾驶员的分心,为改善安全提供了一个有希望的途径.
- 整合异质生理数据带来了重大挑战.
研究的目的:
- 探索1D卷积神经网络与挤压和刺激网络 (SEcNN) 的有效性,以检测驾驶员的分心.
- 融合多式生理数据,特别是心电图和呼吸信号,以提高分心评估.
- 通过使用非侵入性可穿戴传感器在现实驾驶场景中评估拟议的SEcNN模型的性能.
主要方法:
- 在正常驾驶,发短信和打电话的情况下,从使用织电极的10名受试者获得心电图 (256Hz) 和呼吸 (128Hz) 数据.
- 多模式生理数据的预处理.
- 用1D卷积神经网络与挤压和激发网络 (SEcNN) 应用于驾驶员分心的识别.
- 使用Leave-one-out-subject交叉验证进行验证.
主要成果:
- SEcNN模型证明了区分不同级别的驾驶员分心的能力.
- 拟议的方法实现了平均准确率为57.03%,较短的数据段的平均F1得分为54.90%.
- 该研究强调了可穿戴衫在持续,非侵入性驾驶员监控方面的潜力.
结论:
- 该SEcNN模型有效地整合了多式联络生理数据,用于检测驾驶员的分心.
- 可穿戴传感器技术与先进的机器学习相结合,为实时驾驶员安全监控提供了可行的解决方案.
- 这种非侵入性的方法可以有助于减少因驾驶员分心而导致的道路交通事故.
