通过心率变量的二次导数分析早期检测嗜睡:一种非接触式心电图方法与机器学习

科学领域:

• 生理学监测是指对身体进行生理监测.
• 交通安全研究 交通安全研究
• 机器学习用于预测分析.

背景情况:

• 昏昏欲睡的驾驶是交通事故死亡的主要原因,约占所有此类死亡的20%.
• 当前的检测系统通常依赖于只有在损伤开始后才表现出来的行为指标,从而限制了它们在预防事故方面的有效性.
• 监测生理信号的非接触方法是必要的,以克服与基于摄像头的系统相关的隐私问题.

研究的目的:

• 研究使用心率变化 (HRV) 的第一个和第二个导数来检测昏昏欲睡的驾驶员在事故前的状态,比传统方法更早的潜力.
• 评估联合HRV指标 (传统和衍生) 和驾驶性能指标的有效性,以预测即将发生的碰撞.
• 确定基于HRV衍生物的检测对行为表现和实际撞车事件的时间优势.

主要方法:

• 使用驾驶模拟器与25名参与者完成49次会议.
• 使用嵌入座椅的电容电图电极,非侵入性地记录心脏活动.
• 定义了严格基于碰撞距离的地面真相标签,以避免循环评估.
• 分析了传统的HRV指标及其第一和第二衍生品,并与驾驶性能指标相结合.

主要成果:

• 综合的HRV特征集实现了0.863的曲线下面面积 (AUC),用于事故前的预测.
• 仅HRV衍生品就显示出有限的预测能力 (AUC = 0.573),突出了它们作为补充特征的作用.
• 驾驶性能指标是最强的预测指标,AUC为0.999.
• 基于衍生品的检测在5-8分钟之前的行为迹象和平均6.8分钟的碰撞事件.

结论:

• HRV衍生物捕捉出明显的睡眠驾驶障碍迹象之前的微妙生理变化.
• 整合HRV衍生与其他数据,特别是驾驶性能指标的整合,显著提高了事故前状态的早期检测.
• 这些发现表明,开发更主动的昏昏欲睡驾驶检测系统是一个有希望的途径.