عنوان فارسی مقاله:تشخیص خودکار خواب آلودگی راننده با استفاده از شبکه عصبی مصنوعی بر اساس توصیفگرهای چهره بصری: مطالعه ی پایلوت

چکیده

هدف: رانندگی در حالت خواب آلودگی یکی از دلایل اصلی تصادفات رانندگی در سطح جهان است. فناوری‌های اخیر برای تشخیص و هشدار در خودروها برای این وضعیت به دلیل قابلیت اطمینان، عملی بودن، هزینه و عدم اعتبار بالینی محدود شده‌اند. در این مطالعه، ما یک الگوریتم و دستگاه تشخیص زودهنگام خواب‌آلودگی را بر اساس «سیگنال بیوفیزیولوژیکی مغز استاندارد طلایی» و داده‌های دیجیتال بیان صورت ایجاد کردیم.

روش کار: داده‌ها از ۱۰ شرکت کننده به دست آمد. شبکه‌های عصبی مصنوعی (ANN) به عنوان مدل به کار گرفته شدند. ویژگی‌های ترکیبی توصیفگرهای صورت (به عنوان مثال، نسبت ابعاد چشم (EAR) نسبت ابعاد دهان (MAR) طول صورت (FL) و تعادل عرض صورت (FWB) استخراج شده از فریم‌های ویدئویی دو ثانیه‌ای مورد بررسی قرار گرفت.

یافته‌ها: شبکه عصبی مصنوعی همراه با ویژگی‌های EAR و MAR بیشترین حساسیت (۷۰٫۱۲ درصد) را داشت، در حالی که ANN همراه با ویژگی‌های EAR، MAR و FL بیشترین دقت و اختصاصیت (به ترتیب ۶۰٫۷۶ درصد و ۵۸٫۷۱ درصد) را داشت. علاوه بر این، با اعمال تبدیل فوریه گسسته (DFT) به ویژگی‌های ترکیبی، ANN ترکیب شده با ویژگی‌های EAR و MAR دوباره بالاترین حساسیت (۷۲٫۲۵٪) را داشت، در حالی که ANN همراه با ویژگی‌های EAR، MAR و FL دارای بالاترین حساسیت، بالاترین دقت و اختصاصیت (به ترتیب ۶۰٫۴۰ و ۵۴٫۱۰ درصد) بودند.

نتیجه‌گیری: ANN با DFT همراه با EAR، MAR و FL بهترین عملکرد را ارائه می‌دهد. سیستم تشخیص خواب‌آلودگی راننده مستقیم ما که از ادغام اطلاعات بیوفیزیولوژیکی و اعتبارسنجی داخلی ایجاد شده است، الگوریتم ارزشمندی را به‌ویژه برای سطح هوشیاری ارائه می‌دهد.

ادامه مطلب

راهنمای خرید:

لینک دانلود فایل بلافاصله بعد از پرداخت وجه به نمایش در خواهد آمد.
همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.

Title: Automatic Driver Drowsiness Detection Using Artificial Neural Network Based on Visual Facial Descriptors: Pilot Study

Abstract

Purpose: Driving while drowsy is a major cause of traffic accidents globally. Recent technologies for detection and alarm within automobiles for this condition are limited by their reliability, practicality, cost, and lack of clinical validation. In this study, we developed an early drowsiness detection algorithm and device based on the “gold standard brain biophysiological signal” and facial expression digital data. Methods: The data were obtained from 10 participants. Artificial neural networks (ANN) were adopted as the model. Composite features of facial descriptors (ie, eye aspect ratio (EAR), mouth aspect ratio (MAR), face length (FL), and face width balance (FWB)) extracted from two-second video frames were investigated. Results: The ANN combined with the EAR and MAR features had the most sensitivity (70.12%) while the ANN combined with theEAR, MAR, and FL features had the most accuracy and specificity (60.76% and 58.71%, respectively). In addition, by applying the discrete Fourier transform (DFT) to the composite features, the ANN combined with the EAR and MAR features again had the highest sensitivity (72.25%), while the ANN combined with the EAR, MAR, and FL features had the highest accuracy and specificity (60.40% and 54.10%, respectively). Conclusion: The ANN with DFT combined with the EAR, MAR, and FL offered the best performance. Our direct driver sleepiness detection system developed from the integration of biophysiological information and internal validation provides a valuable algorithm, specifically toward alertness level.