تشخیص خواب آلودگی راننده: یک رویکرد یادگیری ماشینی بر اساس رسانایی پوست

عنوان فارسی مقاله:تشخیص خواب آلودگی راننده: یک رویکرد یادگیری ماشینی بر اساس رسانایی پوست

چکیده

اکثر تصادفات رانندگی در سراسر جهان ناشی از خواب آلودگی رانندگان است. بنابراین، تشخیص زمانی که راننده شروع به احساس خواب آلودگی می کند بسیار مهم است تا قبل از وقوع یک تصادف جدی به او هشدار داده شود. گاهی اوقات، رانندگان از خواب آلودگی خود آگاه نیستند، اما تغییرات در سیگنال های بدن آنها می تواند نشان دهنده خستگی آنها باشد. مطالعات قبلی از سیستم‌های حسگر بزرگ و نفوذی استفاده می‌کردند که توسط راننده پوشیده شده یا در وسیله نقلیه قرار داده می شود تا اطلاعات مربوط به وضعیت فیزیکی راننده را از سیگنال‌های مختلف که فیزیولوژیکی یا مرتبط با خودرو هستند جمع‌آوری کند. این مطالعه بر روی استفاده از یک دستگاه مچ بند که برای پوشیدن راننده راحت است و پردازش سیگنال مناسب برای تشخیص خواب آلودگی تنها با تجزیه و تحلیل سیگنال هدایت فیزیولوژیکی پوست (SC) متمرکز است. برای تعیین اینکه آیا راننده خواب‌آلود است یا خیر، این مطالعه سه الگوریتم مجموعه را آزمایش می‌کند و نتایج نشان داد که الگوریتم بوستینگ با دقت ۸۹٫۴ درصد مؤثرترین الگوریتم در تشخیص خواب‌آلودگی است. نتایج این مطالعه نشان می‌دهد که تشخیص خواب‌آلودگی راننده تنها با استفاده از سیگنال‌های پوست روی مچ دست امکان‌پذیر است و این امر نیازمند تحقیقات بیشتر برای ایجاد یک سیستم هشدار بهنگام برای تشخیص زودهنگام خواب‌آلودگی است.

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: Driver Drowsiness Detection: A Machine Learning Approach on Skin Conductance

Abstract

The majority of car accidents worldwide are caused by drowsy drivers. Therefore, it is important to be able to detect when a driver is starting to feel drowsy in order to warn them before a serious accident occurs. Sometimes, drivers are not aware of their own drowsiness, but changes in their body signals can indicate that they are getting tired. Previous studies have used large and intrusive sensor systems that can be worn by the driver or placed in the vehicle to collect information about the driver’s physical status from a variety of signals that are either physiological or vehiclerelated. This study focuses on the use of a single wrist device that is comfortable for the driver to wear and appropriate signal processing to detect drowsiness by analyzing only the physiological skin conductance (SC) signal. To determine whether the driver is drowsy, the study tests three ensemble algorithms and finds that the Boosting algorithm is the most effective in detecting drowsiness with an accuracy of 89.4%. The results of this study show that it is possible to identify when a driver is drowsy using only signals from the skin on the wrist, and this encourages further research to develop a real-time warning system for early detection of drowsiness.