AI知道当司机非常困
3级自动化仍然需要提醒司机
疲劳驾驶是一个大问题。国家公路交通安全管理局估计在美国,在2017年,昏昏欲睡的司机造成大约90000事故,50000人受伤,800人死亡。
虽然制造商朝着自主车辆,他们没有准备好让一个司机坐下来小憩。导航车辆通过一个不可预知的世界充满了粗心的行人,恶劣天气,和恶化的道路仍远远超出了最先进的人工智能(AI)。大多数车辆不会超越“三级自治在可预见的未来,要求司机保持高度警惕,接管时车辆的要求。睡意仍将构成一个问题。
汽车必须确定驾驶员的意识状态,和可能的解决方案不同。一些跟踪司机的眼皮,但这些系统在照明条件有困难或者司机看起来。其他评估司机的输入,如方向盘的运动,但这不会在一个自治车辆工作当司机不转向。然而,一项新的研究格拉茨科技大学的发现一种新的方式来确定睡意从心脏的电活动的巧妙应用人工智能。
模式的数据
培训健壮的机器学习算法分类需要数量可观的标签的例子。生成标签的训练例子,奥地利团队使用一个定制的驾驶模拟器。这不是一些视频游戏或像你会看到在街机赛车席位。格拉茨的自动驾驶模拟器(ADSG)开始整个迷你同胞的车。八个LCD面板周围司机、风能和引擎噪音通过音响系统,和低音扬声器振动整个装置。
”的基本理念是创造一个巨大的独特的昏昏欲睡的数据库驱动程序也会供公共使用。”
阿诺Eichberger,格拉茨大学工程学教授的技术
说:“这是非常现实的阿诺Eichberger工程教授格拉茨和团队领导。”,具体研究在嗜睡,甚至更好,因为这种类型的单调驾驶模拟并不困难。”
他们重新创建一个夜间开车在公路上没有任何流量。”的司机,我们得到了一个完整的微睡眠,”他说。
92名司机团队收集的数据。每个参与者来到实验室两次:一次休息时,一旦疲劳的时候。在疲劳条件下,他们被要求已经醒了至少16小时或有睡了前一天晚上不超过四个小时。在每一次访问,他们参加了手动和自动驾驶的场景。
”的基本理念是创造一个巨大的独特的昏昏欲睡的数据库驱动程序也会供公众使用”,Eichberger说。
尽管研究人员收集的各种数据在他们的司机,包括眼球运动、呼吸、排汗,视线方向,瞳孔放大,这个研究仅仅依赖心活动测量心电图(ECG)电极。
客观测量睡意仍是一个研究的挑战,但对于他们的研究,格拉茨的研究人员创建地面实况标签要求交通心理学家观察记录的司机,给他们最好的评估基于打哈欠,头点头,长眨眼。心理学家提供了一个四个标签:警惕,适度昏昏欲睡,极其昏昏欲睡,睡着了。本研究结合了两个极其昏昏欲睡。
Eichberger说重要的是至少有三个类的睡意,因为如果你只有two-alert极其drowsy-then汽车警告你,极其昏昏欲睡,你已经处于危险之中。
深度睡眠
Eichberger机器学习的研究小组利用一种称为深度学习,包括多层神经网络。他们建立了一个卷积神经网络,网络专门处理空间输入。这种类型的算法可以看一只猫的照片,像素分辨复杂的模式,识别作为一个猫的形象。
先前的睡意检测方法使用手动编码规则处理心电信号,到是一个复杂的波形。每次心脏跳动时,它产生的心电图称为R-peak。程序员们告诉他们的软件寻找那些R-peaks,测量它们之间的时间长度,并计算出这些跨越不同,生产统计叫做心率变异性,它与嗜睡。但这些方法可能会错过其他重要信息隐藏在心电图信号,研究人员不知道去寻找。深度学习的力量是能够找到那些微妙的模式,人类建立直觉通过经验的方式。
那么如何应用卷积神经网络用于图像,心电图信号,也就是一系列电振幅吗?为什么你会这样做吗?回答你:如何把海浪变成一个图像。
Sadegh Arefnezhad的主要作者纸在新方法,发表在能量利用MATLAB的小波工具箱™®创建小波量图。时间序列数据可以被认为是许多的和短暂的“小波”的不同频率。MATLAB波分解成这些简单的小波,与时间x设在和频率y设在。小波量图中的每一点的亮度代表小波的振幅的频率。
为什么一波转换成一个阴影图像在喂食前神经网络吗?“我们的想法是,一个信号的时频视图可以使相关特征更明显的比原始时域数据,”韦恩·王说,MathWorks首席软件工程师。“重要的是,创建图像允许研究人员利用卷积神经网络,计算机科学家们多年的磨练。”
真实Arefnezhad美联储这些图像,连同睡意标签,为神经网络,他在使用深度学习MATLAB工具箱™构建。“这是非常友好,”Arefnezhad说。“我可以添加不同类型的层,容易使自己的神经网络。”他训练它通过心电图信号警报进行分类,适度昏昏欲睡,或极其昏昏欲睡。神经网络调整本身基于是否正确或错误的。
平衡不平衡数据
最后一个重要的层网络认为数据不平衡的事实。在手动驾驶测试,例如,只有6%的样本来自极其昏昏欲睡的司机。的算法是正确的几乎所有的时间如果只是猜到了另外两个标签。所以Arefnezhad添加一层额外的强调极其昏昏欲睡样本在训练。他说,其他一些研究人员喂养算法数据平均分担昏昏欲睡,而不是昏昏欲睡。
神经网络的参数,定义虚拟神经元之间连接的优势。这些参数变化在训练。他们也用hyperparameters在训练。研究人员设置这些值来控制学习速率(多少参数变化响应反馈)和噪声添加在训练(影响网络的健壮性)。有些人选择hyperparameters根据经验法则,和一些使用蛮力搜索尝试许多。Arefnezhad采用贝叶斯优化,利用概率论来缩小搜寻范围。
团队测试网络图片没有看到,其性能两个其他机器学习方法相比,这两个手动提取心电图数据依赖特性。首先,他们收集了所有R-peaks之间的时间间隔。然后,他们计算出11个值,如标准差内一组间隔。他们这些值输入两种分类器k最近的邻居(资讯)模型和随机森林。这些基线的最好方法,随机森林分类准确率达到62%,当睡意在手动驾驶模式和64%在自动模式。
深度学习神经网络优于这些方法。分别达到77%和79%的准确率。Arefnezhad惊讶于它能够找到合适的线索量图。看图片,“你不能看到那么多区别警报和适度昏昏欲睡的司机,”他说,“但是神经网络容易识别的区别。”
一个迷你迷你库柏乡下人是适应创建ADSG。(图片来源:Eichberger et al .,你格拉茨)
研究参与者与监测设备。(图片来源:Eichberger et al .,你格拉茨)
”一个信号的时频视图可以使相关特征更明显比原始时域数据。创建图像允许研究人员利用卷积神经网络。”
韦恩王MathWorks首席软件工程师
心电图信号段的例子和相应的小波(a)警告,(b)适度昏昏欲睡,和(c)非常瞌睡的司机条件。(图片来源:Arefnezhad et al .,你格拉茨)
“你不能看到那么多区别警报和适度昏昏欲睡的司机,但神经网络容易识别的区别。”
格拉茨大学Sadegh Arefnezhad技术
两种不同的方法分类司机困倦使用心电图信号:小波量图或派生HRV的特性。资讯的hyperparameter,随机森林,CNN模型使用贝叶斯优化方法进行了优化。(图片来源:Arefnezhad et al .,你格拉茨)
前方的道路
Eichberger Arefnezhad看到许多为这一研究路径前进。明确阻碍实际应用是他们收集的心电图数据使用胸部电极,每天司机不会穿。其他传感器,如smartwatches,可能需要胸部电极的地方。研究人员也开发相机系统能够检测皮肤颜色变化的脉搏。“这不是我们的意图有市场化的解决方案,”Eichberger说。“我们打算证明可行的技术,司机困倦分类是可能的在一个更好的方法比我们知道。”
”和一个可行的技术,司机困倦分类是可能的在一个更好的方法比我们知道。”
阿诺Eichberger,格拉茨大学工程学教授的技术
他们也希望结合心电图数据与其他数据,使系统更健壮,以防一个信号失败。他们想创建个性化的分类器信号以来一个人可能意味着一些不同于另一个。调整分类器可能需要司机花些时间,在一个模拟器提供数据。
Eichberger和Arefnezhad计划从静止的模拟器测试跟踪。这可能帮助他们解决另一个问题:“目前,没有人知道应该如何设计当车辆收购过程失败,“Eichberger说。“它该如何告诉司机负责?它应该允许多少时间?”
接管会更顺利,如果一辆汽车可以让司机适度昏昏欲睡的状态。“那么,知道什么时候司机只是适度drowsy-perhaps之前,“Eichberger说,“是一个巨大的进步。”
