Action Unit Analysis for Monitoring Drivers’ Emotional States
Notice bibliographique
Résumé
With the emergence of intelligent automotive systems, ensuring road safety has become paramount, necessitating the incorporation of sensors such as in-cabin cameras to comprehend drivers’ emotions. While emotion recognition through facial expression has demonstrated remarkable success in controlled laboratory settings, it often struggles to capture the complexities of real-world driving scenarios due to the lack of representative datasets. Facial action coding system (FACS) breaks down facial expressions into a combination of action units (AUs) and offers flexibility for more diverse facial expression categorization. In this study, we present an innovative framework designed to offer a solution to adapt machine learning (ML) models, including random forest (RF), gradient boosting (GB), and long short-term memory (LSTM) as a deep-learning model, originally trained on facial expression recognition (FER) datasets, to real-time monitoring of drivers’ emotional states. Notably, the LSTM model, trained on the CK+ dataset and tested on KMU-FED dataset, achieved the highest accuracy of 52.45%, while the best performance of the RF model reached 50.12% accuracy on the same datasets. The goal of this study is to utilize AUs as descriptors in our framework, aiming to rectify inconsistencies across different datasets. This approach ensures enhanced precision in recognizing drivers’ emotions within the vehicle cabin. Additionally, acknowledging the deployment limitations inherent in on-vehicle systems, our framework is designed to develop compact models, thereby reducing the computational load.
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 | 0,001 | 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) | 0,002 | 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 ».