驾驶员疲劳检测使用PPG信号,面部特征,头部姿势与LSTM模型
Lu Yu1, Xinyi Yang1, Hengjian Wei1
1School of Traffic and Transportation Engineering, Dalian Jiaotong University, Liaoning, Dalian, 116028, China.
Heliyon
|November 18, 2024
概括
本研究介绍了一种使用面部特征,头部姿势和PPG信号的新驾驶员疲劳检测系统. 优化的LSTM模型实现了97.36%的准确性,提供及时和精确的疲劳警告.
科学领域:
- 道路交通安全问题 道路安全问题
- 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:
- 司机疲劳是道路交通事故的重要原因之一.
- 使用单个特征的现有检测方法在准确性和预测效率方面存在局限性.
- 需要一种新的多功能方法来进行强大的疲劳检测.
研究的目的:
- 引入一种新的驾驶员疲劳检测框架,整合面部特征,头部姿势和光电缩 (PPG) 信号.
- 开发和优化长期短期记忆 (LSTM) 网络,以提高疲劳检测的准确性.
- 通过现实世界驾驶实验验证拟议的模型.
主要方法:
- 在现实道路驾驶实验中,从30名司机收集了多来源的特征数据.
- 从PPG信号中提取了2D面部地标,3D头部姿势参数和五维心率变化 (HRV) 特征.
- 融合了十维特征以创建数据集,并使用Momentum,Rmsprop,Adam和SGD算法训练/优化了一个LSTM模型,将其与DT,RF和BiLSTM进行比较.
主要成果:
- 阿丹优化的LSTM模型表现出卓越的性能,准确率为97.36%,精度为97.4%,回忆率为97.4%.
- 拟议的模型显著优于传统方法和其他评估算法.
- 该模型的有效性表明其能够及时准确地预测疲劳.
结论:
- 使用LSTM网络的综合多功能方法为驾驶员疲劳检测提供了高度准确和可靠的方法.
- 开发的框架为改善道路安全提供了一个有希望的解决方案,通过对疲的驾驶员提供早期警告.
- 进一步的研究可以探索实时实现和集成到车辆系统.
