Resumen

Abundantes pruebas demuestran que la distraccin del conductor es una de las causas fundamentales de los accidentes de trfico. Los mtodos actuales de deteccin de la distraccin del conductor se basan sobre todo en mtodos intrusivos o semiintrusivos. Estos mtodos no slo interfieren en la tarea de conducir, sino que tambin se ven limitados por diversos factores ambientales, lo que da lugar a una elevada tasa de falsos positivos. Este trabajo solo considera indicadores cinemticos del vehculo no invasivos y propone un mtodo de reconocimiento basado en aprendizaje profundo. En primer lugar, se obtienen algunos segmentos de seguimiento del coche de la base de datos de conduccin naturalista, y se extraen segmentos distrados tpicos utilizando la conciencia de la situacin. A continuacin, se establece un conjunto de ndices de reconocimiento de distracciones que solo contiene caractersticas cinemticas del vehculo. En tercer lugar, para clasificar la importancia de las caractersticas se utilizan la eliminacin recursiva de caractersticas del rbol de decisin potenciada por gradiente (GBDT-RFE) y la eliminacin recursiva de caractersticas del bosque aleatorio (RF-RFE). Se obtienen los ndices con mayor importancia. Por ltimo, se utiliza la red neuronal de memoria a corto plazo (LSTM-NN) para realizar la clasificacin y el reconocimiento de la conduccin distrada, y los resultados se comparan con SVM y AdaBoost. Los resultados muestran que las puntuaciones F1 de LSTM-NN son del 89% y del 91% en conduccin distrada y normal, superiores a las de SVM y AdaBoost. La puntuacin F1 media del reconocimiento de distracciones (12% y 7%) es superior a la de SVM y AdaBoost. La tasa de falsos positivos de los distintos tipos de distraccin es inferior al 15%. LSTM-NN puede aprender eficazmente la informacin antes y despus de la secuencia de distraccin, lo que permite estimar con precisin el estado de atencin del conductor. El estudio proporciona un mtodo para el sistema de alerta de distraccin del vehculo y la evaluacin de la propensin al riesgo de conduccin.

• Materias:Algoritmos (Matemáticas) Algebra Ingeniería Lógica matemática Matemáticas
• Subjects:Agorithms (Math) Algebra Engineering Mathematical logic mathematics
• Palabras claves:Pruebas; Distracción del conductor; Indicadores cinemáticos del vehículo; Aprendizaje profundo; LSTM-NN; Reconocimiento de distracciones
• Keywords:Evidence; Driver distraction; Vehicle kinematics indicators; Deep learning; LSTM-NN; Distracted recognition