文/陈根
无疑,疲劳驾驶有很高的安全风险,甚至是造成交通致死事故的重要原因之一。通过系统检测和监测疲劳显得至关重要。
然而,在动态环境(如驾驶)中,现有监测技术极易受干扰。比如,多用于胸腔和头皮的检测贴片,或者将方向盘和传感器结合用于监测驾驶员心率的监测设备,这些设备受驾驶员行为的影响较大,所得数据存在不稳定性,将会给准确检测带来干扰。
因此,开发干扰性小,能准确记录监测信号和数据的设备对监测疲劳驾驶等行为尤为关键。其中,非侵入性或最小侵入性方法被寄予免受干扰的希望。
现在,德国英戈尔施塔特工业技术大学的的研究人员就在易获取的腕式可穿戴传感器上实现了这一目标,并将该类传感器与常见的机器学习模式结合用于疲劳驾驶监测。
为了验证其准确性和可行性,将结果与一种医用级心电图仪。在一个高保真驾驶模拟器中对30名参与者进行的用户研究进行了测试。
其中,腕式可穿戴设备记录了驾驶员心率信号。腕带记录心博间期(Inter-beat Intervals)的心率数据,这些数据将用于心跳变异分析(Heart Rate Variability, HRV)。
实验中方向盘前方的摄影机会将驾驶员面部表情记录下来,以供观察者评估实验中驾驶员的清醒状态。
同时,作为医疗级设备参考对象,实验中会同时使用三通道心电测量仪(Electrocardiography, ECG)来监测心率。
实验数据表明,医疗级设备ECG所获得的数据准确度相对更高,但就消费者友好性来说,腕式可穿戴设备更胜一筹,且其所获得的数据与医疗设备所得数据极具可比性。
实验所展示的技术提供了新的车内人机交互的可能性,或将进一步加快驾驶员嗜睡监测技术的发展、完善车-驾驶员交互概念并提高自动化驾驶领域的安全性。
