Model of Driver’s Eye Movement and ECG Index under Tunnel Environment Based on Spatiotemporal Data
Notice bibliographique
Résumé
In order to improve the driver’s physiological and psychological state, the driver’s mental load which is caused by sight distance, lighting, and other factors in the tunnel environment should be quantified via modeling the spatiotemporal data. The experimental schemes have been scientifically designed based on methods of traffic engineering and human factor engineering, which aims to test the driver’s spatiotemporal data of eye movement and ECG (electrocardiogram) index in the tunnel environment. Firstly, the changes in the driver’s spatiotemporal data are analyzed to judge the changing trend of the driver’s workload in the tunnel environment. The results show that the cubic spline interpolation function model can fit the dynamic changes of average pupil diameter and heart rate (HR) growth rate well, and the goodness of fit for the model group is above 0.95. So, tunnel environment makes the driver’s typical physiological indicators fluctuate in the coordinates of time and space, which can be modeled and quantified. Secondly, in order to analyze the classification of tunnel risk level, a fusion model has been built based on the functions of average pupil diameter and HR growth rate. The tunnel environmental risk level has been divided into four levels via the fusion model, which can provide a guidance for the classification of tunnel risk level. Furthermore, the fusion model allows tunnel design and construction personnel to adopt different safety design measures for different risk levels, and this method can effectively improve the economy of tunnel operating safety design.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».