Studying Drowsiness Detection Performance while Driving through Scalable Machine Learning Models using Electroencephalography

要約

– 背景 / はじめに: ドライバーの眠気は重大​​な懸念事項であり、交通事故の主な原因の 1 つです。
認知神経科学とコンピューター科学の進歩により、ブレインコンピューターインターフェイス (BCI) と機械学習 (ML) を使用してドライバーの眠気を検出できるようになりました。
ただし、文献には異種の ML アルゴリズムのセットを使用した眠気検出パフォーマンスの包括的な評価が不足しており、被験者のグループに適したスケーラブルな ML モデルのパフォーマンスを研究する必要があります。
– 方法: これらの制限に対処するために、この研究では、運転シナリオでの眠気を検出するための脳波検査に基づく BCI と機能を採用したインテリジェントなフレームワークを提示します。
SEED-VIG データセットは、個々の被験者およびグループに対して最もパフォーマンスの高いモデルを評価するために使用されます。
– 結果: 結果は、ランダム フォレスト (RF) がサポート ベクター マシン (SVM) などの文献で使用されている他のモデルを上回り、個々のモデルの f1 スコアが 78% であることを示しています。
スケーラブルなモデルに関しては、RF は 79% の f1 スコアに達し、これらのアプローチの有効性が実証されました。
この出版物では、眠気検出システムを改善し、最終的にはドライバーの疲労によって引き起こされる事故の数を減らすために、被験者のグループに適した多様な ML アルゴリズムとスケーラブルなアプローチを検討することの関連性を強調しています。
– 結論: この研究から得られた教訓は、SVM だけでなく、文献で十分に検討されていない他のモデルも眠気の検出に関連していることを示しています。
さらに、スケーラブルなアプローチは、新しい被験者が評価される場合でも、眠気の検出に効果的です。
したがって、提案されたフレームワークは、BCI と ML を使用して運転シナリオにおける眠気を検出するための新しいアプローチを提示します。

要約(オリジナル)

– Background / Introduction: Driver drowsiness is a significant concern and one of the leading causes of traffic accidents. Advances in cognitive neuroscience and computer science have enabled the detection of drivers’ drowsiness using Brain-Computer Interfaces (BCIs) and Machine Learning (ML). However, the literature lacks a comprehensive evaluation of drowsiness detection performance using a heterogeneous set of ML algorithms, and it is necessary to study the performance of scalable ML models suitable for groups of subjects. – Methods: To address these limitations, this work presents an intelligent framework employing BCIs and features based on electroencephalography for detecting drowsiness in driving scenarios. The SEED-VIG dataset is used to evaluate the best-performing models for individual subjects and groups. – Results: Results show that Random Forest (RF) outperformed other models used in the literature, such as Support Vector Machine (SVM), with a 78% f1-score for individual models. Regarding scalable models, RF reached a 79% f1-score, demonstrating the effectiveness of these approaches. This publication highlights the relevance of exploring a diverse set of ML algorithms and scalable approaches suitable for groups of subjects to improve drowsiness detection systems and ultimately reduce the number of accidents caused by driver fatigue. – Conclusions: The lessons learned from this study show that not only SVM but also other models not sufficiently explored in the literature are relevant for drowsiness detection. Additionally, scalable approaches are effective in detecting drowsiness, even when new subjects are evaluated. Thus, the proposed framework presents a novel approach for detecting drowsiness in driving scenarios using BCIs and ML.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google