Phát hiện căng thẳng trong quá trình lái xe sử dụng các tín hiệu sinh học và học máy
329 lượt xemDOI:
https://doi.org/10.54939/1859-1043.j.mst.83.2022.22-29Từ khóa:
Phát hiện căng thẳng; Wearable sensors; Trích xuất đặc trưng; Học máy; Random forests.Tóm tắt
Căng thẳng (stress) là một vấn đề ảnh hưởng tới cả sức khỏe thể chất và tinh thần, gây ra các trạng thái cảm xúc tiêu cực. Căng thẳng có thể làm suy yếu khả năng nhận thức và xử lý tình huống của người lái trong việc lái xe an toàn. Do vậy, việc phát hiện và đánh giá mức độ căng thẳng đóng một vai trò quan trọng trong việc cải thiện sự dễ chịu và nâng cao trải nghiệm điều khiển phương tiện của người lái. Với bộ dữ liệu AffectiveROAD, bài báo này đề xuất một phương pháp phân loại mức độ căng thẳng dựa vào các tín hiệu sinh học. Những tín hiệu này được hiệu chuẩn thời gian và tiền xử lý để trích xuất các đặc trưng phù hợp trong chu kỳ 5 giây. Dựa vào các đặc trưng thu được, các mô hình học máy được huấn luyện để phân loại trạng thái stress thành 5 mức độ khác nhau. Kết quả kiểm nghiệm cho thấy độ chính xác đạt đến 94% với mô hình Random Forest (RF) khi sử dụng 7 đặc trưng quan trọng nhất từ các tín hiệu HR, EDA, TEMP, và tới 99% khi tích hợp thêm kỹ thuật chồng chập dữ liệu.
Tài liệu tham khảo
[1]. L. Petitta, T. M. Probst, V. Ghezzi, and C. Barbaranelli, “Economic stress, emotional contagion and safety outcomes: A cross-country study,” Work, vol. 66, no. 2, pp. 421–435, (2020). DOI: https://doi.org/10.3233/WOR-203182
[2]. A. Kashevnik, I. Lashkov, and A. Gurtov, “Methodology and Mobile Application for Driver Behavior Analysis and Accident Prevention,” IEEE Trans. Intell. Transp. Syst., vol. 21, no. 6, pp. 2427–2436, (2020). DOI: https://doi.org/10.1109/TITS.2019.2918328
[3]. N. El Haouij, J.-M. Poggi, R. Ghozi, S. Sevestre-Ghalila, and M. Jaïdane, “Random forest-based approach for physiological functional variable selection for driver’s stress level classification,” Stat. Methods Appl., vol. 28, no. 1, pp. 157–185, (2019). DOI: https://doi.org/10.1007/s10260-018-0423-5
[4]. M. Lohani, B. R. Payne, and D. L. Strayer, “A Review of Psychophysiological Measures to Assess Cognitive States in Real-World Driving,” Front. Hum. Neurosci., vol. 13, p. 57, (2019). DOI: https://doi.org/10.3389/fnhum.2019.00057
[5]. A. Němcová et al., “Multimodal Features for Detection of Driver Stress and Fatigue: Review,” IEEE Trans. Intell. Transp. Syst., pp. 1–20, (2020).
[6]. P. Melillo, M. Bracale, and L. Pecchia, “Nonlinear Heart Rate Variability features for real-life stress detection. Case study: students under stress due to university examination,” Biomed. Eng. Online, vol. 10, no. 1, pp. 96, (2011). DOI: https://doi.org/10.1186/1475-925X-10-96
[7]. J. Zhai and A. Barreto, “Stress Detection in Computer Users Based on Digital Signal Processing of Noninvasive Physiological Variables,” International Conference of the IEEE Engineering in Medicine and Biology Society, pp. 1355–1358, (2006). DOI: https://doi.org/10.1109/IEMBS.2006.259421
[8]. F.-T. Sun, C. Kuo, H.-T. Cheng, S. Buthpitiya, P. Collins, and M. Griss, “Activity-Aware Mental Stress Detection Using Physiological Sensors,” in Mobile Computing, Applications, and Services, Berlin, Heidelberg, pp. 282–301, (2012). DOI: https://doi.org/10.1007/978-3-642-29336-8_16
[9]. A. de Santos Sierra, C. Sanchez Avila, J. Guerra Casanova, and G. Bailador del Pozo, “A Stress-Detection System Based on Physiological Signals and Fuzzy Logic,” IEEE Trans. Ind. Electron., vol. 58, no. 10, pp. 4857–4865, (2011). DOI: https://doi.org/10.1109/TIE.2010.2103538
[10]. P. Siirtola and J. Röning, “Comparison of Regression and Classification Models for User-Independent and Personal Stress Detection,” Sensors, vol. 20, no. 16, Art. no. 16, (2020). DOI: https://doi.org/10.3390/s20164402
[11]. P. Schmidt, A. Reiss, R. Duerichen, C. Marberger, and K. Van Laerhoven, “Introducing WESAD, a Multimodal Dataset for Wearable Stress and Affect Detection,” in Proceedings of the 20th ACM International Conference on Multimodal Interaction, New York, NY, USA, pp. 400–408, (2018). DOI: https://doi.org/10.1145/3242969.3242985
[12]. D. Makowski et al., “NeuroKit2: A Python toolbox for neurophysiological signal processing,” Behav. Res. Methods, vol. 53, no. 4, pp. 1689–1696, (2021). DOI: https://doi.org/10.3758/s13428-020-01516-y
