Integrated Multimodal System for Real-Time Driver Fatigue Detection and Cognitive Load Assessment
Notice bibliographique
Résumé
<div class="section abstract"><div class="htmlview paragraph">As human drivers' roles diminish with higher levels of driving automation (SAE L2-L4), understanding driver engagement and fatigue is crucial for improving safety. We developed an integrated hardware and software system to analyze driver interaction with automated vehicles, with a particular focus on cognitive load and fatigue assessment. The system includes three submodules; namely the Driver Behavior Measurement (DBM), Vehicle Dynamics Measurement (VDM), and the Driver Physiological Measurement (DPM). The DBM module uses electro-optical (EO) and infrared (IR) camera to track a number of facial features such as eye aspect ratio (EAR), mouth aspect ratio (MAR), pupil circularity (PUC), and mouth to eye aspect ratio (MOE). Although determining these metrics from images of the driver’s face in conditions such as low light or with sunglasses is challenging, the paper showed that fusion of EO and IR image analysis produces robust performance. The VDM module utilizes an Inertial Measurement Unit (IMU) to provide vehicular motion data such as speed, acceleration, braking and yaw rate to aid detection of fatigue-related irregularities. A wearable heart rate monitor was used in the DPM module to track driver heart rate as an indicator of stress and fatigue. Data from these modules is fused and processed using a previously published CNN-LSTM model, achieving 90.1% accuracy in detecting fatigue in preliminary tests performed with one driver. The test results show that the system is robust, scalable, and suitable for large-scale studies on driver engagement with highly automated vehicles.</div></div>
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,002 | 0,002 |
| 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 ».