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

Лашков И.Б.


Читать статью полностью 
Язык статьи - русский

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
  1. 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
  2. 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
  3. 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
  4. 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
  5. 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
  6. 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
  7. 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
  8. 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
  9. 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
  10. 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
  11. 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
  12. 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
  13. 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
  14. 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
  15. Myslivecek J. The basis of the stress reaction // Current Science. 2015. V. 109. N 4. P. 716–726.
  16. 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
  17. 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.


Creative Commons License

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License
Информация 2001-2021 ©
Научно-технический вестник информационных технологий, механики и оптики.
Все права защищены.

Яндекс.Метрика