An Efficient Driver Drowsiness Detection Approach Using Various Combinations of Physiological Signals
Notice bibliographique
Résumé
Drowsiness, though often perceived as a minor issue, poses a significant risk to road safety and work in high-stakes environments. Each year, it leads to severe accidents, resulting in substantial human and economic losses. To address this risk, detection systems have been developed, relying either on behavioral and environmental analysis (non-intrusive approaches) or physiological signal acquisition (intrusive approaches). However, existing systems face limitations in terms of accuracy, speed, and adaptability to individual variations. In this context, this study aims to enhance drowsiness detection by leveraging physiological signals for earlier and more reliable identification of driver alertness levels. The specific objectives are: (1) to identify the most relevant physiological indicators of drowsiness, (2) to determine the optimal sensor configuration for improved system accuracy, and (3) to compare different signal transformation techniques, particularly scalograms and spectrograms, to assess their effectiveness within an optimized detection pipeline. To achieve these objectives, the DROZY dataset — the only available dataset combining simultaneous recordings of drivers’ physiological signals and behavioral data — was used for model training and evaluation. The methodological approach integrates advanced signal preprocessing, optimized feature extraction and selection, and machine learning models, including pre-trained neural networks (VGG-16 and ResNet-50) and feature importance selection techniques, namely the Light Gradient Boosting Machine (LGBM). Experimental results demonstrate a maximum accuracy of 93.75%, validating the effectiveness of the proposed pipeline. By fully leveraging physiological signals and optimizing their processing, this study contributes to advancing drowsiness detection systems, ultimately enhancing driver safety in real-world conditions.
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 | 0,000 | 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 ».