Aplikace metod automatické klasifikace při monitorování únavy řidičů

Abstract

Cílem této práce bylo zpracovat data z projektu "Bdící auto, spící řidič," která byla naměřena v letech 2000 - 2002. Dále z těchto dat získat příznaky, které by byly vhodné pro rozlišení, zda je řidič bdělý či unavený. Poté zhodnotit relevantnost jednotlivých příznaků a vybrané příznaky pak použít pro automatickou klasifikaci únavy a bdělosti řidičů. V teoretické části práce je popsána únava jako fyziologický úkaz, popsány základní principy použitých metod automatické klasifikace a zhotovena rešerše aktuálního stavu řešení dané problematiky. V praktické části je popsán postup experimentu, při kterém byla data získána. Poté následuje samotný popis metodiky této práce, kdy byly signály elektrookulografie a signálu z Hallovy sondy, který reprezentoval natočení volantu, předzpracovány v programu Matlab. Následně pak byly vypočteny příznaky z jednotlivých signálů, vyexportovány do programu MS Excel, kde byly zpracovány do formy grafů a statisticky zhodnoceny. Po vyřazení nerelevantních příznaků byly použity metody automatické klasifikace pro rozlišení bdělosti a únavy.

The goal of this thesis was to process data from the project "Wakeful car, sleeping driver," which were acquired during the period of 2000-2002. Furthermore, to obtain attributes from the data which would be appropriate for determination whether the driver is awake or tired. Moreover to evaluate the relevance of the attributes and to use them for automatic fatigue and alertness classification in drivers. The theoretical part describes fatigue as a physiological phenomenon and discusses the current state of research of the issue. The practical part then describes the experiment in which the data was obtained. This is followed by the description of the methodology of this study where signals of elektrooculography and the hall probe, which represented the steering wheel angle, were pre-processed in Matlab. Subsequently, the attributes were calculated from the individual signals and exported to MS Excel, where they were processed into the form of graphs and statistically evaluated. After the removal of irrelevant attributes automatic classification methods were used for discrimination between alertness and fatigue.