驾驶指纹增强了驾驶昏昏欲睡的检测:根据驾驶员的个体特征进行调整
Yifan Sun1, Rong Wang2, Hui Zhang3
1School of Transportation Engineering, East China Jiaotong University, Nanchang 330013, Jiangxi, China; Intelligent Transportation Systems Research Center, Wuhan University of Technology, Wuhan 430063, Hubei, China; Jiangxi Transportation Institute CO., LTD, Nanchang 330200, Jiangxi, China; Engineering Research Center of Transportation Information and Safety, Ministry of Education, Wuhan 430063, Hubei, China.
Accident; analysis and prevention
|October 18, 2024
概括
本研究介绍了一种个性化驾驶昏昏欲睡检测模型 (IDDM),该模型使用驾驶指纹 (DF) 准确地检测驾驶员的昏昏欲睡,并考虑个人差异. IDDM显著提高了检测准确度和及时性,以防止事故发生.
科学领域:
- 道路交通安全问题 道路安全问题
- 人与计算机的互动.
- 生物识别信息 生物识别信息
背景情况:
- 昏昏欲睡的检测对于预防事故至关重要,但司机的个体差异往往被忽视.
- 现有的方法使用通用参数和值,减少对个体驾驶员的准确性.
- 代表个体特征的驾驶指纹 (DF) 在昏昏欲睡的检测中未得到充分利用.
研究的目的:
- 开发一个个性化的昏昏欲睡驾驶检测模型 (IDDM),利用驾驶指纹 (DF) 来解释个人之间的差异.
- 提取并利用每个驾驶员的最佳嗜睡特征,以提高检测准确度.
- 为了提高睡眠检测系统的及时性和可行性,用于现实世界的应用.
主要方法:
- 对24名参与者进行模拟驾驶实验,收集驾驶行为,面部表情和卡罗林斯卡睡眠度量 (KSS) 数据.
- 采用双层滑动时间窗口 (TSTW) 来计算 DF 测量和归因定向图表用于可视化.
- 使用从自适应性遗传算法衍生的DF矩阵构建IDDM,并使用主要组件分析 (PCA) 和辐射基函数神经网络 (RBFNN) 进行训练.
主要成果:
- DF可视化证实,昏昏欲睡会将驾驶模式转移到不安全状态,验证了DF的实用性.
- IDDM实现了高平均精度 (95.58%),灵敏度 (96.50%) 和特异性 (94.70%),表现优于现有模型.
- 与深度学习和生理方法相比,IDDM表现出快速执行 (0.0078秒),较低的计算成本和非侵入性.
结论:
- 通过利用个体驾驶特征,IDDM有效地增强了个性化的昏昏欲睡检测.
- 该研究验证了DF用于识别嗜睡和改进抗嗜睡预警系统的使用.
- 未来的工作应该解决集成挑战和隐私问题,以便实际实施IDDM.
