[論文レビュー] Predicting Driver Fatigue in Automated Driving with Explainability

Feng Zhou, Areen Alsaid+6 more|arXiv (Cornell University)|Mar 3, 2021

Sleep and Work-Related Fatigue参考文献 37被引用数 5

ひとこと要約

本研究では、生理的および行動的指標を用いて自動運転におけるドライバーの疲労を予測する説明可能なXGBoostモデルをSHAPと統合して提案した。高い精度（RMSE: 3.847、MAE: 1.768、調整済R²: 0.996）を達成し、心拍変動量や呼吸数といった重要な予測要因を特定した。これにより、運転継承の遷移時にリアルタイムでの干渉が可能となるインサイトが得られた。

ABSTRACT

Research indicates that monotonous automated driving increases the incidence of fatigued driving. Although many prediction models based on advanced machine learning techniques were proposed to monitor driver fatigue, especially in manual driving, little is known about how these black-box machine learning models work. In this paper, we proposed a combination of eXtreme Gradient Boosting (XGBoost) and SHAP (SHapley Additive exPlanations) to predict driver fatigue with explanations due to their efficiency and accuracy. First, in order to obtain the ground truth of driver fatigue, PERCLOS (percentage of eyelid closure over the pupil over time) between 0 and 100 was used as the response variable. Second, we built a driver fatigue regression model using both physiological and behavioral measures with XGBoost and it outperformed other selected machine learning models with 3.847 root-mean-squared error (RMSE), 1.768 mean absolute error (MAE) and 0.996 adjusted $R^2$. Third, we employed SHAP to identify the most important predictor variables and uncovered the black-box XGBoost model by showing the main effects of most important predictor variables globally and explaining individual predictions locally. Such an explainable driver fatigue prediction model offered insights into how to intervene in automated driving when necessary, such as during the takeover transition period from automated driving to manual driving.

研究の動機と目的

• 単調な走行状態における説明可能な疲労予測モデルの不足に応えること。
• 高精度で解釈可能なモデルを構築し、ドライバーの疲労の主な生理的および行動的予測要因を同定すること。
• ドライバー状態と疲労発現の因果関係を解明することで、リアルタイムでの干渉を可能にすること。
• 透明で解釈可能な予測を提供することで、自動化システムへの信頼と受容を支援すること。
• モデルから抽出したドメイン知識を活用して、疲労軽減システムの設計を支援すること。

提案手法

• ドライバーの疲労の基準基準変数として、瞳孔に対するまぶたの閉じる割合（PERCLOS）を用いた。
• 制御されたドライブ研究から、心拍数、呼吸数、眼動作用の指標を含む11個の予測変数を収集した。
• PERCLOSを高精度に予測するために、データセット上でXGBoost回帰モデルを学習した。
• XGBoostモデルのグローバルおよびローカルな解釈のために、SHAP（SHapley Additive exPlanations）を適用した。
• SHAP特徴量重要度スコアを用いて、最も重要な5つの特徴量を同定した。
• 個々の予測を説明するために、グローバルなSHAP依存プロットとローカルなSHAPフォースプロットを可視化した。

実験結果

リサーチクエスチョン

• RQ1 生理的および行動的データを用いたXGBoostモデルは、自動運転におけるドライバーの疲労をどの程度正確に予測できるか？
• RQ2 自動運転におけるドライバーの疲労を最も予測する生理的および行動的変数は何か？
• RQ3 SHAPはXGBoostモデルの予測をグローバルおよびローカルにどのように説明できるか？
• RQ4 説明可能なモデルから得られる実用的インサイトは、自動運転における疲労軽減にどのように活用できるか？
• RQ5 異なる心拍変動量指標は疲労レベルとどのように関連しているか？非線形的パターンを示すか？

主な発見

• XGBoostモデルは、平均二乗誤差（RMSE）が3.847、平均絶対誤差（MAE）が1.768、調整済R²が0.996を達成し、高い予測精度を示した。
• 最も重要な5つの予測要因は、心拍変動量（HRV）、呼吸数、心拍数の標準偏差（hr_std60）、および2つの眼動作用の特徴量であった。
• SHAP分析により、心拍変動量とPERCLOSの間にV字型の関係が明らかになった。転換点は50 msおよび2 bpmに位置し、複雑な非線形効果が示された。
• 呼吸数の低下は、一貫して疲労の増加と関連しており、疲労指標としての有効性が裏付けられた。
• 低心拍数および低心拍変動量は、覚醒度の低下と疲労の増加と関連しており、覚醒を高める干渉の可能性を示唆した。
• モデルの解釈から、呼吸パターンの変動性が小さい（br_std60が低い）場合も疲労と相関していることが判明し、これは以前に報告が少なかった指標であった。