Data-Driven Detection and Assessment for Urban Railway Transit Driver Fatigue in Real Work Conditions
Notice bibliographique
Résumé
Fatigue among urban railway transit (URT) drivers affects their performance and is a contributing factor in many railway accidents and incidents. This paper attempts to develop a robust fatigue detection system for URT drivers. An experimental study was conducted in actual work conditions, involving 198 professional URT drivers, to provide authentic and representative data. Fatigue scores based on the Karolinska Sleepiness Scale were used as the ground truth, and heart rate variability (HRV) data were collected using wearable photoplethysmography (PPG) sensors under actual working conditions. An extensive statistical analysis found that continuous working hours were a major factor in driver fatigue. HRV features were able to differentiate various fatigue levels. Four classifiers (k-nearest neighbors, Naive Bayes, support vector machines, and random forests) were trained to detect fatigue in real time for binary and three-class fatigue classifications, respectively. For the binary classification, the best performance was achieved by the random forest classifier using the corrected feature set as input with an accuracy of 92.5%. However, the accuracy dropped by 8 to 27 percentage points for the three-class classification. Moreover, the research found that the corrected feature set circumventing inter-individual variability in HRV could improve the performance of fatigue classifiers. The findings from this research could contribute to developing a robust and real-time URT driver fatigue detection system and improve current URT operational safety regulations.
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 | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».