Интеллектуальные алгоритмы определения физиологических состояний зевания для оценки усталости
Боковая панель статьи
Основное содержимое статьи
Аннотация
В данном исследовании были использованы зевота, считающаяся одним из физиологических отклонений человека, классификация состояния открывания рта и несколько алгоритмов машинного обучения. Модель CNN превзошла традиционные методы машинного обучения, такие как SVM, MLP и KNN, с точностью 97,07%. В ходе исследования был сформирован набор данных с использованием изображений части рта, извлеченных из изображений лица с использованием CNN, и была обучена модель. Кроме того, общая производительность модели улучшается с помощью методов нормализации набора данных и исключения. Результаты демонстрируют эффективность алгоритма CNN в обнаружении состояния открытия рта (зевания) и открывают возможность дальнейшего совершенствования систем обнаружения состояния усталости в будущем.
Информация о статье
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Библиографические ссылки
Venugopal, C., Singh, A. S., & Suman, S. (2023). Indian Road Accident Analysis with Machine Learning (No. 9960). EasyChair.
Pant, N., Rathee, D., & Gupta, R. (2022). Face Recognition Using Artificially Intelligent Methodologies on FERET and FEI Datasets. In Proceedings of Data Analytics and Management: ICDAM 2021, Volume 2 (pp. 797-814). Springer Singapore.
Bansal, M., Kumar, M., Sachdeva, M., & Mittal, A. (2023). Transfer learning for image classification using VGG19: Caltech-101 image data set. Journal of ambient intelligence and humanized computing, 1-12.
Sikander, G., & Anwar, S. (2018). Driver fatigue detection systems: A review. IEEE Transactions on Intelligent Transportation Systems, 20(6), 2339-2352.
Kır Savaş, B., & Becerikli, Y. (2022). Behavior-based driver fatigue detection system with deep belief network. Neural Computing and Applications, 34(16), 14053-14065.
Назаров, Ф. М., & Хамидов, М. М. (2024). Анализ методов и механизмов обнаружения усталости водителей на основе машинного обучения.
F. M. Nazarov, S. Yarmatov and M. Xamidov, "Machine Learning Price Prediction on Green Building Prices," 2024 International Russian Smart Industry Conference (SmartIndustryCon), Sochi, Russian Federation, 2024, pp. 906-911, doi: 10.1109/SmartIndustryCon61328.2024.10515790.
Eshtemirov, B., Nazarov, F., Khamidov, M., & Dagur, A. (2024). Deep learning-based traffic congestion forecasting research. In Artificial Intelligence and Information Technologies (pp. 1-6). CRC Press.
Omidyeganeh, M., Shirmohammadi, S., Abtahi, S., Khurshid, A., Farhan, M., Scharcanski, J., ... & Martel, L. (2016). Yawning detection using embedded smart cameras. IEEE Transactions on Instrumentation and Measurement, 65(3), 570-582.
Amira, B. G., Zoulikha, M. M., & Hector, P. (2021). Driver drowsiness detection and tracking based on YOLO with Haar cascades and ERNN. International Journal of Safety and Security Engineering, 11(1), 35-42.
Sulavko, A. E., Lozhnikov, P. S., Choban, A. G., Stadnikov, D. G., Nigrey, A. A., & Inivatov, D. P. (2020). Evaluation of EEG identification potential using statistical approach and convolutional neural networks. Информационно-управляющие системы, (6 (109)), 37-49.
Dreißig, M., Baccour, M. H., Schäck, T., & Kasneci, E. (2020, December). Driver drowsiness classification based on eye blink and head movement features using the k-NN algorithm. In 2020 IEEE Symposium Series on Computational Intelligence (SSCI) (pp. 889-896). IEEE.
Ganesan, K., & Rajaguru, H. (2019). Performance analysis of KNN classifier with various distance metrics method for MRI images. In Soft Computing and Signal Processing: Proceedings of ICSCSP 2018, Volume 1 (pp. 673-682). Springer Singapore.
Akhatov, A., Rashidov, A., & Renavikar, A. (2023). Optimization of the database structure based on Machine Learning algorithms in case of increased data flow. In Artificial Intelligence, Blockchain, Computing and Security Volume 2 (pp. 675-680). CRC Press.
Sharma, S., Mehra, R., & Kumar, S. (2021). Optimised CNN in conjunction with efficient pooling strategy for the multi‐classification of breast cancer. IET Image Processing, 15(4), 936-946.