使用可穿戴传感器和机器学习利用心率变化来检测驾驶员的昏昏欲睡.
Zakwan AlArnaout1, Chamseddine Zaki2, Yehia Kotb3
1College of Engineering and Technology, American University of the Middle East, 54200, Egaila, Kuwait. zakwan.alarnaout@aum.edu.kw.
Scientific reports
|July 10, 2025
概括
使用心率变量 (HRV) 检测驾驶员的昏昏欲睡,有望提高道路安全. 一个使用可穿戴传感器和机器学习的系统,特别是随机森林,有效地预测睡眠水平,以防止事故.
科学领域:
- 运输安全运输安全
- 生物医学工程 生物医学工程
- 机器学习 机器学习
背景情况:
- 司机的昏昏欲睡是交通事故的主要原因之一,损害了关键的驾驶功能.
- 目前用于检测昏昏欲睡的方法存在局限性,需要先进的解决方案.
- 心率变量 (HRV) 分析提供了一种潜在的非侵入性方法来评估与昏昏欲睡相关的生理状态.
研究的目的:
- 调查使用HRV分析检测驾驶员昏昏欲睡的可行性.
- 开发和评估使用可穿戴传感器和机器学习实时检测嗜睡的系统.
- 确定最有效的机器学习算法,以准确及时预测嗜睡.
主要方法:
- 提出了一个系统模型,整合了可穿戴光电解剖学 (PPG) 传感器,智能手机和云服务器.
- 开发了两种新的算法,用于特征细分,标记和基于HRV的嗜睡预测.
- 六个受监督的机器学习算法被应用于真实驾驶数据,用于性能评估.
主要成果:
- 随机森林 (RF) 分类器表现出最高的性能,准确率为86.05%,精度为87.16%,回忆率为93.61%,F1得分为89.02%.
- 带有辐射基函数的支向量机 (SVM-RBF) 也表现出强大的泛化,F1得分为87.15%.
- 射频显示强度,培训和测试数据集之间的平均变化最小 (-4.30%).
结论:
- 基于HRV的嗜睡检测系统是可行的,可以集成到高级驾驶辅助系统 (ADAS).
- 拟议的系统,特别是RF分类器,提供了一种可靠的方法,可以及时发出驾驶员昏昏欲睡的警报.
- 实施此类系统可以通过减少因驾驶员疲劳造成的事故来显著提高道路安全.
