Меню
Публикации
2024
2023
2022
2021
2020
2019
2018
2017
2016
2015
2014
2013
2012
2011
2010
2009
2008
2007
2006
2005
2004
2003
2002
2001
Главный редактор
НИКИФОРОВ
Владимир Олегович
д.т.н., профессор
Партнеры
doi: 10.17586/2226-1494-2021-21-4-515-524
УДК 004.04
Определение опасных состояний водителя транспортного средства на основе информации устройств носимой электроники
Читать статью полностью
Язык статьи - русский
Ссылка для цитирования:
Аннотация
Ссылка для цитирования:
Лашков И.Б. Определение опасных состояний водителя транспортного средства на основе информации устройств носимой электроники // Научно-технический вестник информационных технологий, механики и оптики. 2021. Т. 21, № 4. С. 515–524. doi: 10.17586/2226-1494-2021-21-4-515-524
Аннотация
Предмет исследования. Мониторинг поведения водителя в кабине транспортного средства является актуальной задачей для современных систем автоматизированной поддержки водителя (Advanced Driver Assistance System), относящихся к классу систем активной безопасности. Существующие исследования и решения в области современных систем помощи водителю ориентированы на использование электронных устройств в виде видеокамер, лазеров и радаров, которые получают измерительную информацию о водителе в кабине транспортного средства. Применение устройств носимой электроники, выполняющих измерения частоты сердечных сокращений, электрокардиограммы, движений пользователя и других показателей, позволяет точнее и надежнее получить результаты об опасном поведении водителя. Метод. Предложен подход к детектированию опасных состояний в поведении водителя на основе использования информации с устройств носимой электроники. Показано, что возникновение состояний агрессии и стресса водителя сопровождается характерными изменениями в частоте сердечных сокращений, измеряемых с использованием устройства носимой электроники. Основные результаты. Разработано мобильное приложение на платформе Android, выполняющее детектирование признаков состояния агрессии и стресса в поведении водителя с использованием данных, полученных с сенсоров устройств носимой электроники. При обнаружении опасного поведения водителя мобильное приложение сигнализирует об этом при помощи вибрации и звукового сигнала, воспроизводимого смартфоном. Выполнена апробация разработанного подхода на основе набора данных, собранного в реальных условиях вождения на дорогах общего пользования в городе и на загородных трассах в различных условиях вождения. Практическая значимость. Детектирование признаков агрессивного поведения и состояния стресса в поведении водителя позволяет дополнить информацию о водителе, и тем самым улучшить эффективность систем мониторинга водителя в кабине транспортного средства, ориентированных на предотвращение и снижение риска возникновения дорожно-транспортных происшествий и улучшения навыков участников дорожного движения. Предлагаемый подход может быть использован совместно с другими технологиями мониторинга поведения водителя при построении интеллектуальной системы поддержки водителя.
Ключевые слова: транспортное средство, водитель, смартфон, сенсоры, устройство носимой электроники, мониторинг, обработка информации
Благодарности. Исследование выполнено при финансовой поддержке РФФИ в рамках научного проекта № 19-29-09081 (алгоритмы выявления признаков агрессивного поведения и состояния стресса водителя). Концептуальная модель мониторинга поведения водителя была поддержана бюджетной темой в Санкт-Петербургском Федеральном исследовательском центре Российской академии наук (СПб ФИЦ РАН) № 0073-2019-0005. Разработка мобильного приложения выполнена при финансовой поддержке Фонда содействия инновациям (программа «УМНИК»).
Список литературы
Благодарности. Исследование выполнено при финансовой поддержке РФФИ в рамках научного проекта № 19-29-09081 (алгоритмы выявления признаков агрессивного поведения и состояния стресса водителя). Концептуальная модель мониторинга поведения водителя была поддержана бюджетной темой в Санкт-Петербургском Федеральном исследовательском центре Российской академии наук (СПб ФИЦ РАН) № 0073-2019-0005. Разработка мобильного приложения выполнена при финансовой поддержке Фонда содействия инновациям (программа «УМНИК»).
Список литературы
-
Moody J., Bailey N., Zhao J. Public perceptions of autonomous vehicle safety: An international comparison // Safety Science. 2020. V. 121. P. 634–650. https://doi.org/10.1016/j.ssci.2019.07.022
-
Val-Calvo M., Álvarez-Sánchez J.R., Ferrández-Vicente J.M., Díaz-Morcillo A., Fernández-Jover E. Real-time multi-modal estimation of dynamically evoked emotions using EEG, heart rate and galvanic skin response // International Journal of Neural Systems. 2020. V. 30. N 4. P. 2050013. https://doi.org/10.1142/S0129065720500136
-
Dementienko V., Yurov A., Ivanov I., Makaev D. Remote monitoring of the driver status as a means of improving transport safety // Transportation Research Procedia. 2017. V. 20. P. 138–142. https://doi.org/10.1016/j.trpro.2017.01.035
-
Kashevnik A., Lashkov I., Ponomarev A., Teslya N., Gurtov A. Cloud-based driver monitoring system using a smartphone // IEEE Sensors Journal. 2020. V. 20. N 12. P. 6701–6715. https://doi.org/10.1109/JSEN.2020.2975382
-
Kashevnik A., Lashkov I., Gurtov A. Methodology and mobile application for driver behavior analysis and accident prevention // IEEE Transactions on Intelligent Transportation Systems. 2020. V. 21. N 6. P. 2427–2436. https://doi.org/10.1109/TITS.2019.2918328
-
Moslem S., Gul M., Farooq D., Celik E., Ghorbanzadeh O., Blaschke T. An integrated approach of best-worst method (BWM) and triangular fuzzy sets for evaluating driver behavior factors related to road safety // Mathematics. 2020. V. 8. N 3. P. 414. https://doi.org/10.3390/math8030414
-
Naqvi R.A., Arsalan M., Batchuluun G., Yoon H.S., Park K.R. Deep learning-based gaze detection system for automobile drivers using a NIR camera sensor // Sensors. 2018. V. 18. N 2. P. 456. https://doi.org/10.3390/s18020456
-
Dong N., Li Y., Gao Z., Ip W.H., Yung K.L. A WPCA-based method for detecting fatigue driving from EEG-Based Internet of Vehicles system // IEEE Access. 2019. V. 7. P. 124702–124711. https://doi.org/10.1109/ACCESS.2019.2937914
-
Jing D., Liu D., Zhang S., Guo Z. Fatigue driving detection method based on EEG analysis in low-voltage and hypoxia plateau environment // International Journal of Transportation Science and Technology. 2020. V. 9. N 4. P. 366–376. https://doi.org/10.1016/j.ijtst.2020.03.008
-
ElSherif A., Karaman A., Ahmed O., Magdy O., Shouman R., El-Noumier R., Hamed A.M., Eldawlatly H., Eldawlatly S. Monitoring and predicting driving performance using EEG activity // Proc. 15th International Conference on Computer Engineering and Systems (ICCES). 2020. P. 9334574. https://doi.org/10.1109/ICCES51560.2020.9334574
-
Park S.J., Hong S., Kim D., Hussain I., Seo Y. Intelligent in-car health monitoring system for elderly drivers in connected car // Advances in Intelligent Systems and Computing. 2019. V. 823. P. 40–44. https://doi.org/10.1007/978-3-319-96074-6_4
-
Hamza Cherif F., Hamza Cherif L., Benabdellah M., Nassar G. Monitoring driver health status in real time // Review of Scientific Instruments. 2020. V. 91. N 3. P. 035110. https://doi.org/10.1063/1.5098308
-
Chhabra R., Verma S., Rama Krishna C. Detecting aggressive driving behavior using mobile smartphone // Lecture Notes in Networks and Systems. 2019. V. 46. P. 513–521. https://doi.org/10.1007/978-981-13-1217-5_49
-
Warren J., Lipkowitz J., Sokolov V. Clusters of driving behavior from observational smartphone data // IEEE Intelligent Transportation Systems Magazine. 2019. V. 11. N 3. P. 171–180. https://doi.org/10.1109/MITS.2019.2919516
-
Myslivecek J. The basis of the stress reaction // Current Science. 2015. V. 109. N 4. P. 716–726.
-
Munla N., Khalil M., Shahin A., Mourad A. Driver stress level detection using HRV analysis // Proc. of the International Conference on Advances in Biomedical Engineering (ICABME). 2015. P. 61–64. https://doi.org/10.1109/ICABME.2015.7323251
-
Sterling P., Eyer J. Allostasis: A new paradigm to explain arousal pathology // Handbook of Life Stress, Cognition and Health. Hoboken, USA: Wiley, 1988. P. 629–649.