Driver Fatigue Detection Using Measures of Heart Rate Variability and Electrodermal Activity
Notice bibliographique
Résumé
This paper investigated the feasibility and reliability of employing various physiological measures -for determining drivers’ fatigue levels, which may ultimately lead to a solution for real-time detection of driver fatigue state for improving driving and traffic safety. An experimental study was conducted to collect the data, including fatigue levels assessed via the Karolinska sleepiness scale and heart rate variability (HRV) and electrodermal activity (EDA) features. Based on an extensive statistical analysis of the collected data, significant differences in numerous HRV and EDA features were found across varying fatigue levels. Employing several machine learning techniques for classification purposes, the most favorable binary classification performance was achieved using the Light Gradient Boosting Machine classifier, with an accuracy rate of 88.7% when HRV and EDA features were utilized as inputs. Meanwhile, for three-class classification, the accuracy decreased slightly to 85.6% when employing the Random Forest classifier. These outcomes underscore the potential of HRV and EDA feature fusion in capturing diverse physiological responses to fatigue, thereby bolstering fatigue detection performance. Besides, subject-independent classification yielded an accuracy of 52.0% and 53.3%, reflecting the potential bias introduced by unobserved heterogeneity in classification models. Moreover, feature selection should be prioritized over dimensionality reduction in feature fusion endeavors to diminish feature redundancy and prevent information loss. The findings of this study could contribute to the development of reliable driver fatigue detection methodologies utilizing readily available measures of physiological response measures, such as HRV and EDA features.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».