МЕТОДЫ И МЕХАНИЗМЫ ВЫЯВЛЕНИЯ ПРИЗНАКОВ УСТАЛОСТИ У ВОДИТЕЛЕЙ НА ОСНОВЕ АНАЛИЗА ФИЗИОЛОГИЧЕСКИХ ДАННЫХ
Keywords:
Усталость водителя, обнаружение сонливости, физиологические данные, машинное обучение, методы опросаAbstract
Данный тезис исследует область систем определения признаков усталости водителей, с акцентом на оценку и сравнение методологий, основанных на субъективных измерениях и физиологических данных. Признавая важность бдительности водителей для безопасности дорожного движения, в работе проводится критический обзор существующей литературы и методов, применяемых в этой сфере. В результате анализа всесторонне освещаются сильные стороны, ограничения и сравнительная эффективность двух популярных подходов к измерению усталости водителей. Особое внимание уделяется значимости показателей субъективных отчетов и сбора физиологических данных, а также тщательному исследованию надежности, точности и практичности каждого подхода. Результаты этой работы вносят ценные идеи в продолжающуюся дискуссию о выявлении усталости водителей и предлагают рекомендации по разработке и совершенствованию будущих систем, которые ставят на первое место опыт пользователя и физиологическую точность.
References
1. M. Hajinoroozi, Z. Mao, and Y. Huang, “Prediction of driver’s drowsy and alert states from EEG signals with deep learning,” in Proc. 6th IEEE Int. Workshop Comput. Adv. Multi-Sensor Adapt. Process. (CAMSAP), Cancun, Mexico, Dec. 2015, pp. 493–496.
2. S. Hu and G. Zheng, “Driver drowsiness detection with eyelid related parameters by support vector machine,” Expert Syst. Appl., vol. 36, no. 4, pp. 7651–7658, 2009.
3. R. Chai et al., “Improving EEG-based driver fatigue classification using sparse-deep belief networks,” Frontiers Neurosci., vol. 11, no. 103, pp. 1–14, Mar. 2017.
4. K. Dwivedi, K. Biswaranjan, and A. Sethi, “Drowsy driver detection using representation learning,” in Proc. IEEE Int. Adv. Comput. Conf. (IACC), Gurgaon, India, Feb. 2014, pp. 995–999.
5. V. M. Y. Mervyn, X. Li, K. Shen, and E. P. V. Wilder-Smith, “Can SVM be used for automatic EEG detection of drowsiness during car driving?” Saf. Sci., vol. 47, no. 1, pp. 115–124, 2009.
6. Marinello, F., Pezzuolo, A., Gasparini, F., Sartori, L., 2014. Ergonomics analyses through motion capture in a vehicle cabin by means of Kinect sensor. In: International Conference of Agricultural Engineering, Vol. 253. Citeseer, pp. 1–5.
7. R. Fu, H. Wang, and W. Zhao, “Dynamic driver fatigue detection using hidden Markov model in real driving condition,” Expert Syst. Appl., vol. 63, pp. 397–411, Nov. 2016.
8. G. Yang, Y. Lin, and P. Bhattacharya, “A driver fatigue recognition model based on information fusion and dynamic Bayesian network,” Inf. Sci., vol. 180, no. 10, pp. 1942–1954, May 2010.
9. L. M. King, H. T. Nguyen, and S. K. L. Lal, “Early driver fatigue detection from electroencephalography signals using artificial neural networks,” in Proc. 28th Annu. Int. Conf. IEEE Eng. Med. Biol. Soc. (EMBS), New York, NY, USA, Aug. 2006, pp. 2187–2190.
10. Craye, C., Karray, F., 2015. Driver distraction detection and recognition using RGB-D sensor. arXiv preprint arXiv:1502.00250
Downloads
Published
Issue
Section
License
Copyright (c) 2024 Сузури М.Ҳ., Хамидов М.М.
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
All Rights Reserved.
