Monitoring Driving in a Monotonous Environment: Classification and Recognition of Driving Fatigue Based on Long Short-Term Memory Network
Notice bibliographique
Résumé
The driver is one of the most important factors in road traffic. Monitoring the driver’s driving status can greatly improve the safety and road operation efficiency of urban road traffic in the case of multiple traffic modes. Fatigue has a significant impact on drivers’ safety on the road, particularly while driving in a monotonous environment for a long time. In this study, the eye movement parameters of 36 drivers were collected through the simulation experiment of a driving simulator. The pupil area and percentage of eye closure (PERCLOS) in driving scenes of the expressway and low-grade rural road were combined with the Stanford Sleepiness Scale (SSS) to determine the threshold of fatigue degree in different monotonous driving scenarios. A recognition model of different fatigue degrees of drivers is built based on the deep learning method of a long short-term memory network (LSTM) to detect the varied fatigue degrees of drivers. The result shows that the fatigue degree of drivers increases as driving time increases on both expressways and low-grade rural roads. In the same driving time, the driver felt tired faster on the expressway, and the fatigue degree was significantly higher than that on the country road. The recognition rate of the established fatigue degree recognition model for driver’s awake state, mild fatigue, moderate fatigue, and severe fatigue is 100%, 93.1%, 98.4%, and 100% respectively, and the total recognition rate can reach 97.8%, which is higher than the recognition accuracy of the traditional machine learning approach.
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 ».