.png){kind=icon}
返回
An Efficient Drowsiness Detection Framework for Improving Driver Safety Through Supervised Learning Models
.png){kind=icon}
OA
AI
DOI：10.3390/wevj16110620.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
如今，我们生活在智能出行时代，车辆配备了小型传感设备以收集各种道路信息。借助这些传感器，我们能够提供道路状况的概览，并为交通拥堵、事故、避免交通信号灯、燃油消耗等问题提供高效解决方案。特别是，驾驶员瞌睡是交通系统面临的最重要问题之一，且大多导致严重事故、伤害和死亡。为克服此类问题，已将一组传感设备集成到车辆中，以监测驾驶员和驾驶行为，进而评估驾驶员的状态，例如瞌睡或清醒。不幸的是，大多数提出的瞌睡检测技术仅专注于分析一种行为类型，而非两者，这可能影响检测的准确率。在本文中，我们提出了一种高效的瞌睡检测框架（RDDF），该框架可分析一种行为或适应两种行为，以提高瞌睡检测的准确性。主要地，RDDF定期监测驾驶员和驾驶行为，提取重要模式，然后使用并比较一系列监督学习模型以检测瞌睡驾驶员。之后，RDDF提出了一种改进的K近邻（KNN）模型版本，称为Jaccard-KNN（JKNN），该模型提高了瞌睡检测的准确性，并克服了传统模型带来的若干挑战。该提出的框架已通过真实传感器数据进行初步验证，我们展示了该框架在实时检测瞌睡驾驶员方面的有效性，准确率高达99%。
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
2.6
论文数:
1.9K
被引数:
3.8K
机构
暂无机构信息
引用论文
FRCNN-GNB: Cascade Faster R-CNN With Gabor Filters and Naive Bayes for Enhanced Eye Detection.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏An Effective Hybrid Model for EEG-Based Drowsiness Detection一种有效的基于EEG的睡意检测混合模型IEEE SENSORS JOURNAL
IEEE SENSORS JOURNALIF4.5
PREAI
分享收藏Different types of injury associated with road traffic accidentsJaulkar, S.; Parihar, A. 与道路交通事故相关的不同类型损伤。Multidiscip. Rev. 2025, 8, e2025111. [Google Scholar] [CrossRef]
PREAI
分享收藏An Attention Deep Learning Framework-Based Drowsiness Detection Model for Intelligent Transportation SystemGanguly, B.; Dey, D.; Munshi, S. 一种基于注意力深度学习框架的智能交通系统驾驶疲劳检测模型。IEEE Trans. Intell. Transp. Syst. 2025, 26, 4517–4527. [Google Scholar] [CrossRef]
PREAI
分享收藏Driver behavior detection and classification using deep convolutional neural networks基于深度卷积神经网络的驾驶员行为检测与分类
PREAI
分享收藏A local community detection algorithm based on internal force between nodesAPPLIED INTELLIGENCE
APPLIED INTELLIGENCEIF3.5
PREAI
分享收藏
查看更多内容