Driving Fatigue Prediction Model considering Schedule and Circadian Rhythm
Notice bibliographique
Résumé
Driver fatigue level was considered an accumulated result contributed by circadian rhythms, hours of sleep before driving, driving duration, and break time during driving. This article presents an investigation into the regression model between driver fatigue level and the above four time-related variables. With the cooperation of one commercial transportation company, a Naturalistic Driving Study (NDS) was conducted, and NDS data from thirty-four middle-aged drivers were selected for analysis. With regard to the circadian rhythms, commercial drivers operated the vehicle and started driving at around 09:00, 14:00, and 21:00, respectively. Participants’ time of sleep before driving is also surveyed, and a range from 4 to 7 hours was selected. The commercial driving route was the same for all participants. After getting the fatigue level of all participants using the Karolinska Sleepiness Scale (KSS), the discrete KSS data were converted into consecutive value, and curve fitting methods were adopted for modeling. In addition, a linear regression model was proposed to represent the relationship between accumulated fatigue level and the four time-related variables. Finally, the prediction model was verified by the driving performance measurement: standard deviation of lateral position. The results demonstrated that fatigue prediction results are significantly relevant to driving performance. In conclusion, the fatigue prediction model proposed in this study could be implemented to predict the risk driving period and the maximum consecutive driving time once the driving schedule is determined, and the fatigue driving behavior could be avoided or alleviated by optimizing the driving and break schedule.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».