Automation detection of driver fatigue using visual behavior variables

• Autorzy: Wang Y. , Ma J.

Identyfikatory

DOI

10.2478/ace-2018-0023

Warianty tytułu

PL

Automatyczna ocena zmęczenia kierowcy z wykorzystaniem wizualnych zmiennych zachowania

• Języki publikacji: EN

Abstrakty

EN

To examine the correlation of driver visual behaviors and subjective levels of fatigue, a total of 36 commercial drivers were invited to participate in 2-h, 3-h, and 4-h naturalistic driving tests during which their eye fixation, saccade, blinking variables, and self-awareness of their fatigue levels were recorded. Then, one-way ANOVA was applied to analyze the variations of each variable among different age groups over varying time periods. The statistical analysis revealed that driving duration had a significant effect on the variation of visual behaviors and feelings of fatigue. After 2h of driving, only the average closure duration value and subjective level of fatigue had an increase of one-fifth or more. After 4h of driving, however, all these variables had a significant change except for the number of saccades and pupil diameter measurements. Particularly, driver saccadic eye movement was more sensitive to driving fatigue, and the elderly were more likely to be affected by the duration of the drive. Finally, a predictor of driver fatigue was determined to detect the real-time level of fatigue and alert at the critical moment.

PL

Kierowcy zawodowi spędzają długie godziny za kierownicą i szybciej odczuwają zmęczenie podczas prowadzenia pojazdu. Z tego powodu, identyfikacja poziomu zmęczenia w czasie rzeczywistym ma kluczowe znaczenie dla zapewnienia bezpieczeństwa ruchu drogowego i zapobiegania wypadkom, w szczególności w odniesieniu do osób zajmujących się dalekobieżnym transportem komercyjnym. Łącznie 26 kierowców zawodowych w czterech grupach wiekowych zostało zaproszonych do udziału w naturalistycznym egzaminie na prawo jazdy, podczas którego każdy uczestnik został poproszony o ukończenie 2-godzinnych, 3-godzinnych i 4-godzinnych zadań związanych z prowadzeniem pojazdu, obejmujących przerwę na odpoczynek, na trzech drogach ekspresowych w Shandong, Chiny, celem zarejestrowania zmiennych skupienia wzroku, ruchu gałek ocznych i mrugania oczami, jak również subiektywnego poziomu zmęczenia. Następnie, zastosowano jednoczynnikową analizę wariancji w celu przeanalizowania zmienności każdego wizualnego wskaźnika według grup wiekowych w czasie, a analiza statystyczna wykazała, że nieprzerwana jazda ma istotny wpływ na zmiany wskaźników wizualnych i zgłaszany poziom zmęczenia. Po 2 godzinach prowadzenia pojazdu, zarówno średnia wartość czasu zamknięcia, jak i średni subiektywny poziom zmęczenia uległy znacznej zmianie. Po 4 godzinach prowadzenia pojazdu, wszystkie wizualne wskaźniki kierowcy, inne niź średnia liczba ruchów gałek ocznych i średnia średnica źrenicy, uległy znaczącej zmianie. Z drugiej strony, zmiana poziomu zmęczenia jest dodatnio związana ze zmianą średnicy źrenicy, czasem skupienia wzroku, częstotliwościmrugania, czasem mrugania i czasem zamknięcia. Z drugiej strony, zmiana poziomu zmęczenia była ujemnie związana z ilością skupień wzroku, kątem poszukiwań, liczbą ruchu gałek ocznych, szybkością ruchu gałek ocznych i amplitudą ruchu gałek ocznych. Mówiąc dokładniej, ruch gałek ocznych kierowcy był bardziej czuły na poziom zmęczenia podczas jazdy, a u osób starszych występowało większe prawdopodobieństwo, że wpłynie to na długość jazdy w zmienności zachowań wizualnych i uczucie zmęczenia. W przypadku kierowców zawodowych, przepisy ruchu drogowego powinny ściśle kontrolować długość nieprzerwanej jazdy, a osoby starsze powinny zyskać więcej czasu na odpoczynek. Wreszcie, czynnik prognostyczny zmęczenia kierowcy został określony poprzez zmianę współczynnika wizualnych zmiennych, w celu wykrycia poziomu zmęczenia i ostrzegania w krytycznym momencie, w czasie rzeczywistym.

Słowa kluczowe

EN

driving duration; visual behaviors; fatigue level; Stanford sleepiness scale; predictor; driver fatigue

PL

czas jazdy; zachowania wizualne; poziom zmęczenia; skala senności Stanford; czynnik prognostyczny; zmęczenie kierowcy

• Wydawca: Komitet Inżynierii Lądowej i Wodnej PAN ; Politechnika Warszawska, Wydział Inżynierii Lądowej
• Czasopismo: Archives of Civil Engineering
• Rocznik: 2018
• Tom: Vol. 64, nr 2
• Strony: 175--185
• Opis fizyczny: Bibliogr. 15 poz., il., tab.

Twórcy

autor

Wang Y.

• Chang'an University, School of Highway, Shaanxi, China

autor

Ma J.

• Chang'an University, School of Highway, Shaanxi, China

Bibliografia

• 1. Wang Y, Zhu H, Zhou F and Zhao Y.: “How driving duration influences drivers’ visual behaviors and fatigue awareness: a naturalistic truck driving test study”. Ethiopian Journal of Health Development, 32(1), 36–45, (2018)
• 2. Anund A, Fors C and Ahlstrom C.: “The severity of driver fatigue in terms of line crossing: a pilot study comparing day- and night time driving in simulator”. European Transport Research Review, 9(2), 31, (2017).
• 3. Jin L, Niu Q, Jiang Y, Xian H, Qin Y and Xu M.: “Driver sleepiness detection system based on eye movements variables”. Advances in Mechanical Engineering, 2013, 648431, (2013).
• 4. Cyganek B and Gruszczynski S.: “Hybrid computer vision system for drivers' eye recognition and fatigue monitoring”. Neurocomputing, 126, 78–94, (2014).
• 5. Wang Y, Xin M, Bai H and Zhao Y.: “Can variations in visual behavior measures be good predictors of driver sleepiness? a real driving test study”. Traffic Injury Prevention, 18(2), 132–138, (2017).
• 6. Wang Y, Ma C and Li Y.: “Effects of prolonged tasks and rest patterns on driver's visual behaviors, driving performance, and sleepiness awareness in tunnel environments: a simulator study”. Iranian Journal of Science and Technology, Transactions of Civil Engineering, 42(2), 143–151, (2018).
• 7. Kar S, Bhagat M and Routray A.: “EEG signal analysis for the assessment and quantification of driver’s fatigue”. Transportation Research Part F: Traffic Psychology and Behaviour, 13(5), 297–306, (2010).
• 8. Azim T, Jaffar MA and Mirza AM.: “Fully automated real time fatigue detection of drivers through Fuzzy Expert Systems”. Applied Soft Computing, 18, 25–38, (2014).
• 9. Jagannath M and Balasubramanian V.: “Assessment of early onset of driver fatigue using multimodal fatigue measures in a static simulator”. Applied Ergonomics, 45(4), 1140–1147, (2014).
• 10. Lawoyin S, Fei DY and Bai O.: “Accelerometer-based steering-wheel movement monitoring for drowsy-driving detection”. Proceedings of the Institution of Mechanical Engineers, Part D: Journal of Automobile Engineering, 229(2), 163–173, (2015).
• 11. Hoddes E, Zarcone V, Smythe H, Phillips R and Dement WC.: “Quantification of sleepiness: a new approach”. Psychophysiology, 10(4), 431–436, (1973).
• 12. Wang Y, Li L and Prato CG.: “The relation between working conditions, aberrant driving behaviour and crash propensity among taxi drivers in China”. Accident Analysis & Prevention, doi: 10.1016/j.aap.2018.03.028, (2018).
• 13. Hjälmdahl M, Krupenia S and Thorslund B: “Driver behaviour and driver experience of partial and fully automated truck platooning – a simulator study”. European Transport Research Review, 9(1), 8, (2017).
• 14. Bener A, Yildirim E, Özkan T and Lajunen T.: “Driver sleepiness, fatigue, careless behavior and risk of motor vehicle crash and injury: population based case and control study”. Journal of Traffic and Transportation Engineering (English Edition), 2017;4(5), 496–502, (2017).
• 15. Kureckova V, Gabrhel V, Zamecnik P, Rezac P, Zaoral A and Hobl J.: “First aid as an important traffic safety factor – evaluation of the experience–based training”. European Transport Research Review, 9(1), 5, (2017).

Uwagi

Opracowanie rekordu w ramach umowy 509/P-DUN/2018 ze środków MNiSW przeznaczonych na działalność upowszechniającą naukę (2019).