Real-Time Driver Drowsiness Detection and Classification on Embedded Systems Using Machine Learning Algorithms
Notice bibliographique
Résumé
Traffic accidents caused by driver drowsiness are a significant concern.An automatic, contactless device capable of early detection and identification of a driver's drowsy state could greatly enhance their safety.This study presents a real-time driver drowsiness detection and classification system implemented on Jetson Nano and Jetson TX2 embedded systems using machine learning algorithms, including Logistic Regression, Naive Bayes, K-Nearest Neighbors (KNN), Decision Tree, Random Forest, and Multi-Layer Perceptron (MLP).Feature extraction is performed on images obtained from video segments within the dataset, followed by a normalization process.The normalized features are classified using machine learning algorithms, and the results are reported.A 10-fold cross-validation model is employed during the experiment, and the grid search hyperparameter optimization (GSHPO) method is used to fine-tune the classifier algorithms' parameters for the proposed system.The MLP classifier outperformed the other classifiers, achieving an accuracy, F1score, and AUC (the area under the receiver operating characteristic curve (ROC)) of 0.91, 0.91, and 0.90, respectively.The developed system is implemented on Jetson Nano and Jetson TX2 embedded systems, and the frames per second (FPS) results are provided for comparison.The high accuracy of this hardware-based system in detecting drowsy driving, along with its portability for in-vehicle use, is a critical aspect of this work.
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) | 0,000 | 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) | 0,001 | 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 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 ».