基于长短时记忆和卷积神经网络的驾驶员睡意检测( Using long short term memory and convolutional neural networks for driver drowsiness detection )

A Quddus AS Zandi L Prest FJE Comeau

疲劳对驾驶员在道路上的安全和性能产生负面影响。事实上，困倦和疲劳是造成大量机动车事故的原因。驾驶员之间的困倦可以通过多种方式来检测，包括脑电图(EEG)、眼动和车辆驾驶动态。其中脑电图的准确性很高，但干扰和繁琐。另一方面，车辆行驶动态非常容易获取，但准确性不是很高。基于眼动的方法在平衡这两个极端方面是非常有吸引力的。然而，基于眼动的睡意检测技术通常需要一个由高速摄像机组成的眼动跟踪装置，通过复杂的算法来提取与眼动相关的参数，如眨眼、闭眼、眼跳、注视等，这使得基于眼动跟踪的睡意检测很难作为一个实际系统来实现，尤其是在嵌入式平台上。在本文中，作者提出不需要昂贵的眼睛跟踪系统，直接使用摄像机的眼睛图像。在这里，通过递归神经网络(RNN)捕获眼睛相关的运动来检测睡意。长短时记忆(LSTM)是一类RNN。在本工作中，利用LSTM细胞阵列来模拟眼球运动。采用了两种LSTM：一维LSTM（R-LSTM）作为基线，卷积LSTM（C-LSTM）便于直接使用二维图像。对38名受试者进行模拟驾驶实验，在每只眼睛周围提取48×48大小的斑块。通过同时记录的多通道脑电图(EEG)信号的功率谱分析来独立评估受试者的警觉状态，并生成警觉和昏昏欲睡（基线）的二进制标记。结果表明，该系统具有较高的工作效率。基于R-LSTM的方法的准确率在82%左右，基于C-LSTM的方法的准确率在95%-97%之间。本文还与最近发表的基于眼球跟踪的方法进行了比较，结果表明，所提出的LSTM技术具有较大的优势。

SciDown文献求助系统（解决99%问题） Public Download Elsevier ResearchGate