[論文レビュー] Driver Drowsiness Classification Based on Eye Blink and Head Movement Features Using the k-NN Algorithm

Mariella Dreißig, Mohamed Hedi Baccour+2 more|arXiv (Cornell University)|Sep 28, 2020

Sleep and Work-Related Fatigue参考文献 37被引用数 4

ひとこと要約

本研究では、ドライバーモニタリングカメラのデータから抽出したまぶたの瞬きおよび頭部の動きの特徴を用いて、k-NNに基づくドライバーの眠りの分類システムを提案する。二値分類において84.2%のバランス精度を達成し、PERCLOS2、まぶたのすきま、頭部の上下動といった、眠りと強く相関する重要な行動特徴を同定した。これにより、より強固なリアルタイム監視システムの実現が可能になる。

ABSTRACT

Modern advanced driver-assistance systems analyze the driving performance to gather information about the driver's state. Such systems are able, for example, to detect signs of drowsiness by evaluating the steering or lane keeping behavior and to alert the driver when the drowsiness state reaches a critical level. However, these kinds of systems have no access to direct cues about the driver's state. Hence, the aim of this work is to extend the driver drowsiness detection in vehicles using signals of a driver monitoring camera. For this purpose, 35 features related to the driver's eye blinking behavior and head movements are extracted in driving simulator experiments. Based on that large dataset, we developed and evaluated a feature selection method based on the k-Nearest Neighbor algorithm for the driver's state classification. A concluding analysis of the best performing feature sets yields valuable insights about the influence of drowsiness on the driver's blink behavior and head movements. These findings will help in the future development of robust and reliable driver drowsiness monitoring systems to prevent fatigue-induced accidents.

研究の動機と目的

• ドライバーモニタリングカメラからの非侵襲的信号を活用して、車両内でのドライバーの眠り検出を向上させること。
• 眠りを示す可能性のある35の瞬きおよび頭部の動きの特徴を特定・評価すること。
• 特徴選択を用いて最適化されたk-Nearest Neighbor（k-NN）分類器を構築し、ドライバー状態の正確な分類を実現すること。
• 眠りが瞬き行動および頭部の動きに与える影響を解明し、今後の強固な監視システムの設計に役立てる知見を提供すること。

提案手法

• アラート、疑わしい、眠いの3状態で参加者からドライブシミュレータデータを収集し、35の行動特徴からなるデータセットを構築した。
• 瞬き持続時間、開閉時間、PERCLOS1/PERCLOS2、頭部の上下動、まぶたのすきま、振幅-速度比などの特徴を抽出した。
• k-NNを用いたワイヤードベースの特徴選択を実施し、二値分類および多クラス分類に最適な特徴サブセットを同定した。
• 多クラス分類性能の向上とクラス分離性の理解を深めるために、1対1（OvO）分類戦略を採用した。
• 交差検証を用いてkの値を最適化し、適切な距離尺度を選択することでk-NNモデルを最適化した。
• バランス精度を用いてモデル性能を評価し、異なる分類タスクにおける特徴の重要度を分析した。

実験結果

リサーチクエスチョン

• RQ1 瞬きおよび頭部の動きのどの特徴の組み合わせが、アラート、疑わしい、眠いのドライバー状態を最も効果的に区別できるか？
• RQ2 多数の行動特徴を用いた場合、k-NNアルゴリズムはドライバーの眠りをどの程度正確に分類できるか？
• RQ3 特徴選択を適用することで、k-NNに基づく眠り分類の精度および耐障害性が向上するか？
• RQ4 眠った状態とアラート状態を分離するために最も特徴的な特徴は何か？また、分類戦略によってその特徴はどのように変化するか？
• RQ5 標準的な多クラスk-NNと比較して、1対1（OvO）分類アプローチは、性能向上およびより深い洞察をもたらすか？

主な発見

• k-NN分類器は、二値分類（アラート対眠り）において、選択された特徴セットを用いて84.2%のバランス検証精度を達成し、優れた性能を示した。
• 多クラス分類ではバランス精度が70.0%にとどまり、3つの明確な状態を標準的なk-NN設定で区別するには課題があることが示された。
• OvO分類アプローチは、標準的な多クラス分類よりもわずかに優れた結果をもたらし、感度の向上とクラス固有の洞察が得られた。
• PERCLOS2、まぶたのすきま、頭部の上下動、再開時間といった特徴が、最適な特徴サブセットにおいて一貫して選択された。これは、それらの特徴が高い識別力を持っていることを示している。
• モデルは、まぶたのすきまと再開時間の特徴が、アラート状態と眠りまたは疑わしい状態を区別するのに特に効果的であることを明らかにした。
• より少ない特徴と低いk値を用いた、小型で簡素なk-NNモデルが、より複雑なモデルを上回る性能を示した。これは、この文脈において単純さが一般化性能を高めることを示唆している。