MétaCan
Menu
Retour à la cohorte
Enregistrement W4317206776 · doi:10.18280/ijsse.120613

Development of a Driver Safety Monitoring Device with Ignition Interlock

2022· article· en· W4317206776 sur OpenAlexvenueno aff
Joseph F. Kayode, Kevin J. Agim, Sunday A. Afolalu, Omolayo M. Ikumapayi, Adeyinka O.M. Adeoye

Notice bibliographique

RevueInternational Journal of Safety and Security Engineering · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueIoT and GPS-based Vehicle Safety Systems
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésBuzzerALARMAutomotive engineeringInterlockDrunk drivingPoison controlMicrocontrollerLiquid-crystal displayBrakeComputer securityComputer scienceEngineeringSimulationEmbedded systemInjury preventionMedical emergencyElectrical engineeringMedicine

Résumé

récupéré en direct d'OpenAlex

Drunk driving and falling asleep on the wheel are the most prevalent causes of car accidents. We cannot ban individuals from consuming alcohol, but we can reduce the number of accidents by monitoring who is drinking and embedding safety devices in the car to ascertain that no one drinks and drives, and as well warn the driver if he or she falls asleep behind the wheel. This embedded safety system consists of an alcohol sensor, infrared sensor, motor, buzzer, and other devices that are all linked to the core microcontroller unit. An eye blink sensor was utilized to detect sleep by establishing a time limit; When the driver falls asleep. The system alerts him. The alcohol sensor detected whether or not the motorist is intoxicated. When he or she was too inebriated, the car issued a warning and the engine shuts down. Likewise, when the IR sensor detected tiredness in the driver or the alcohol sensor detected alcohol, the system notified the driver via buzzing sounds and a message on the Liquid Crystal Display (LCD) and the ignition locked further slowing the vehicle when the driver failed to respond to the alarm. The adoption of this embedded technology guarantees a method for monitoring a driver's tiredness and alcohol levels, thereby preventing car accidents before they occur.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,020

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0020,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0060,002

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.

Tête enseignante Opus0,007
Tête enseignante GPT0,202
Écart entre enseignants0,196 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Safety and Security EngineeringMême sujetIoT and GPS-based Vehicle Safety SystemsTravaux en français237 207