Resumen

La contribución de las mediciones a la detección de la conducción somnolienta viene determinada por los parámetros de cálculo, que están directamente relacionados con la precisión de la detección de la somnolencia. Los estudios anteriores utilizaban los mismos parámetros de cálculo unificados (UCP) para calcular las mediciones de cada conductor. Sin embargo, dado que cada conductor tiene unas características únicas de comportamiento al volante, es decir, una huella dactilar del conductor, existen varios Parámetros de Cálculo Óptimos para Conductores Individuales (IDBCP) que hacen que las mediciones sean más discriminativas de la somnolencia. Independientemente de la diferencia en la huella dactilar del conductor entre los conductores sometidos a prueba, el uso de UCP en lugar de IDBCP para calcular las mediciones limitará el rendimiento de detección de somnolencia de las mediciones y reducirá las precisiones de detección de somnolencia a nivel de conductor individual. Por lo tanto, este artículo propone un modelo para optimizar los parámetros de cálculo de las mediciones de cada conductor y extraer mediciones de cada conductor que distingan eficazmente la conducción somnolienta. Mediante experimentos con vehículos reales, recogimos datos de conducción natural y niveles subjetivos de somnolencia evaluados mediante la escala de somnolencia de Karolinska. Se calcularon ocho mediciones no intrusivas relacionadas con la somnolencia mediante ventanas temporales deslizantes de doble capa. En el modelo propuesto, se aplicó en primer lugar la prueba de Wilcoxon para analizar las diferencias entre las mediciones del estado despierto y del estado somnoliento, y se construyó la función de adecuación que refleja la relación entre los parámetros de cálculo y el rendimiento de la detección de la somnolencia. En segundo lugar, se utilizaron los algoritmos genéticos para optimizar las funciones de aptitud con el fin de obtener los IDBCP medidos. Por último, se seleccionaron las mediciones calculadas mediante IDBCP que pueden distinguir la conducción somnolienta para constituir el conjunto de mediciones de detección de somnolencia óptimo para cada conductor. Para verificar las ventajas de los IDBCPs, las mediciones calculadas por UCPs e IDBCPs se utilizaron, respectivamente, para construir modelos de detección de somnolencia específicos para cada conductor: DF_U y DF_I basados en el algoritmo discriminante de Fisher. Las precisiones medias de detección de somnolencia de DF_U y DF_I fueron, respectivamente, 85,25 y 91,06%, respectivamente. Esto indica que los IDBCP pueden mejorar el rendimiento de las mediciones de detección de somnolencia y mejorar la precisión de la detección de somnolencia. Este artículo ha contribuido a la creación de modelos personalizados de detección de la somnolencia teniendo en cuenta las diferencias en las huellas dactilares de los conductores.

• Materias:Infraestructura de transportes Ingeniería del transporte Accidentes de transito Seguridad del transporte Planificación de ruta
• Subjects:Transport infrastructure Transport engineering Traffic accidents Transport safety Path planning
• Palabras claves:mediciones, idbcps, somnolencia, parámetros de cálculo, precisiones de detección, rendimiento de detección, conducción somnolienta, ucps, conductor, modelos de detección
• Keywords:measurements, idbcps, drowsiness, calculation parameters, detection accuracies, detection performance, drowsy driving, ucps, driver, detection models