СИСТЕМЫ АНАЛИЗА И ОБРАБОТКИ ДАННЫХ

В статье проведен анализ методов детектирования утомления водителей, которые используются в современной литературе. Существует огромное множество методов для оценки функционального состояния человека.

Функциональное состояние – это интегральный комплекс характеристик тех функций и качеств человека, которые прямо или косвенно обусловливают выполнение любой деятельности. От функционального состояния организма зависит физическое и психическое состояние человека, успешность его труда, обучения, творчества.

Оценка динамического поведения водителя в последние годы становится наиболее популярным направлением исследований. Динамическая оценка поведения водителя включает в себя продолжительный мониторинг, позволяющий определять функциональные состояния, в отличие от современных систем мониторинга водителя, которые оценивают такие состояния, как сонливость и ослабленное внимание на непродолжительном (1…10 с) интервале времени. Такие системы позволяют говорить о физиологическом мониторинге, но не нейрофизиологическом, позволяющем осуществлять мониторинг функционального состояния утомления.

Следовательно, имеет смысл отслеживать состояние утомления водителя, а также своевременно предупреждать его во избежание столкновений с другими транспортными средствами.

В статье выполнено исследование и проведен анализ способов получения соответствующих характеристик состояния человека, с помощью которых можно определять степень утомления. В результате изучения были выбраны наиболее часто встречающиеся методы определения функционального состояния водителя. Далее найденные источники были классифицированы по наиболее распространенным методам получения значимых характеристик функционального состояния водителя. Выполнен сравнительный анализ, демонстрирующий возможности современных систем такого класса.

1. Peruzzini M., Tonietti M., Iani C. Transdisciplinary design approach based on driver's workload monitoring // Journal of Industrial Information Integration. – 2019. – Vol. 15, N 2. – P. 91–102.

2. Wang F., Wua S., Zhanga W. Multiple nonlinear features fusion based driving fatigue detection // Biomedical Signal Processing and Control. – 2020. – Vol. 62, N 3. – P. 67–78.

3. Barot N. Optimal sleep habits in middle-aged adults // Reference Module in Neuroscience and Biobehavioral Psychology. – 2020. – Vol. 30, N 1. – P. 213–233.

4. Reynolds C., Coussens S. Sleep spindles in adolescence: a comparison across sleep restriction and sleep extension // Sleep Medicine. – 2018. – Vol. 50, N 1. – P. 166–174.

5. Li F., Chen C., Zheng P. An explorative context-aware machine learning approach to reducing human fatigue risk of traffic control operators // Safety Science. – 2018. – Vol. 125, N 1. – P. 378–391.

6. Robertson C., Marino F. Cerebral responses to exercise and the influence of heat stress in human fatigue // Journal of Thermal Biology. – 2017. – Vol. 63, N 1. – P. 10–15.

7. Sikander G., Anwar S. Driver fatigue detection systems: a review // IEEE Transactions on Intelligent Transportation Systems. – 2019. – Vol. 20, N 4. – P. 2339–2351.

8. Elamrani Z., Mousannif H., Moatassime H. The application of machine learning techniques for driving behavior analysis: a conceptual framework and a systematic literature review // Engineering Applications of Artificial Intelligence. – 2020. – Vol. 87, N 5. – P. 336–352.

9. Chhabra R., Verma S., Krishna C. A survey on driver behavior detection techniques for intelligent transportation systems // Proceedings of the 7th International Conference Confluence 2017 on Cloud Computing, Data Science and Engineering. – India, 2017. – P. 36–41.

10. Khan M., Lee S. A comprehensive survey of driving monitoring and assistance systems // 2020 IEEE Region 10 Symposium (TENSYMP). – Bangladesh, 2020. – P. 125–159.

11. Лашков И.Б. Анализ поведения водителя при управлении транспортным средством с использованием фронтальной камеры смартфона // Информационно-управляющие системы. – 2017. – № 4. – С. 7–17.

12. Cyganek B., Gruszczynski S. Hybrid computer vision system for drivers' eye recognition and fatigue monitoring // Neurocomputing. – 2014. – Vol. 126, N 3. – P. 78–94.

13. Meshram P., Auti N., Agrawal H. Monitoring driver head postures to control risks of accidents // Procedia Computer Science. – 2015. – Vol. 50. – P. 617–622.

14. Sigari M., Fathy M., Soryani M. A driver face monitoring system for fatigue and distraction detection // International Journal of Vehicular Technology. – 2016. – Vol. 64, N 1. – P. 946–960.

15. Mandal B., Li L., Wang G. Towards detection of bus driver fatigue based on robust visual analysis of eye state // IEEE Transactions on Intelligent Transportation Systems. – 2017. – Vol. 18, N 3. – P. 545–557.

16. Liu Z., Peng Y., Hu W. Driver fatigue detection based on deeply-learned facial expression representation // Journal of Visual Communication and Image Representation. – 2020. – Vol. 71, N 1. – P. 452–461.

17. Wang R., Zhang J., Zhang Y. Assessment of human operator functional state using a novel differential evolution optimization based adaptive fuzzy model // Biomedical Signal Processing and Control. – 2015. – Vol. 7, N 2. – P. 490–498.

18. Hakimi N., Jodeiri A., Mirbagheri M. Proposing a convolutional neural network for stress assessment by means of derived heart rate from functional near infrared spectroscopy // Computers in Biology and Medicine. – 2020. – Vol. 121, N 1. – P. 618–629.

19. Jung S., Shin H., Chung W. Driver fatigue and drowsiness monitoring system with embedded electrocardiogram sensor on steering wheel // IET Intelligent Transport Systems. – 2016. – Vol. 8, N 1. – P. 43–50.

20. Borghini G. Assessment of mental fatigue during car driving by using high resolution eeg activity and neurophysiologic indices // Annual International Conference of the IEEE Engineering in Medicine and Biology Society. – San Diego, 2016. – P. 6442–6445.