DrowsyDG-Phys:在使用生理信号的条件自动化车辆中,可概括的驾驶员昏昏欲睡的估计

科学领域:

• 物理计算的物理计算.
• 机器学习 机器学习
• 道路安全工程工程 道路安全工程

背景情况:

• 司机昏昏欲睡是道路交通事故的主要原因之一.
• 传统的嗜睡检测方法缺乏稳定性和灵活性.
• 深度学习模型在现实世界条件下与领域转移作斗争.

研究的目的:

• 提出DrowsyDG-Phys,这是一个用于检测司机昏昏欲睡的新型域泛化框架.
• 通过使用生理信号来提高昏昏欲睡检测的概括性和稳定性.
• 建立一个多源域概括基准,用于驾驶员的昏昏欲睡.

主要方法:

• 使用心电图,皮肤活动和呼吸信号.
• 开发了一个用于时间和频率域特征学习的骨干网络.
• 集成了三个新的损失功能:对比调整,特征集中和昏昏欲睡评估对齐.

主要成果:

• 在域泛化协议上实现了78.5%的准确性.
• 在跨主题协议中获得了88.4%的准确性.
• 在概括和稳定性方面,DrowsyDG-Phys的表现优于基线方法.

结论:

• 拟议的DrowsyDG-Phys框架显著改善了驾驶员昏昏欲睡的检测.
• 该模型在各种数据集和条件中展示了增强的概括性.
• 这种方法使得基于生理信号的嗜睡监测变得更加可靠.