[论文解读] 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 4

一句话总结

本研究提出了一种基于k-NN的驾驶员困倦分类系统，利用从驾驶员监控摄像头数据中提取的眼睑眨眼和头部运动特征。该系统在二元分类中实现了84.2%的平衡准确率，并识别出与困倦强相关的关键行为特征，如PERCLOS2、眼睑裂隙和头部摆动，从而为更稳健的实时监控系统提供支持。

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.

研究动机与目标

• 通过利用驾驶员监控摄像头获取的非侵入性信号，提升车辆中驾驶员困倦检测的性能。
• 识别并评估一组包含35个与困倦相关的眨眼和头部运动特征。
• 开发并优化一种k-最近邻（k-NN）分类器，通过特征选择实现对驾驶员状态的准确分类。
• 深入理解困倦如何影响眨眼行为和头部运动，为未来更稳健的监测系统提供依据。

提出的方法

• 在驾驶模拟器中收集参与者在清醒、可疑和困倦状态下的数据，生成包含35个行为特征的数据集。
• 提取的特征包括眨眼持续时间、开眼/重新开眼持续时间、PERCLOS1/PERCLOS2、头部摆动、眼睑裂隙以及振幅-速度比。
• 采用基于包装器的特征选择方法结合k-NN，识别二元分类和多类分类的最优特征子集。
• 采用一对一分类（OvO）策略以提升多类分类性能，并深入分析类别可分性。
• 通过交叉验证对k-NN模型进行调优，优化k值并选择合适的距离度量方法。
• 使用平衡准确率评估模型性能，并分析不同分类任务中特征的重要性。

实验结果

研究问题

• RQ1 哪些眨眼和头部运动特征的组合最能有效区分清醒、可疑和困倦的驾驶员状态？
• RQ2 当使用大量行为特征时，k-NN算法在驾驶员困倦分类中的表现如何？
• RQ3 特征选择能否提升基于k-NN的困倦分类的准确率和鲁棒性？
• RQ4 哪些特征最具有区分能力，可将困倦状态与警觉状态分离，且在不同分类策略下表现如何？
• RQ5 与标准多类k-NN相比，一对一分类（OvO）方法是否能带来更好的性能表现并提供更深入的洞察？

主要发现

• k-NN分类器在二元分类（清醒 vs. 困倦）中实现了84.2%的平衡验证准确率，表明在所选特征集下表现优异。
• 多类分类的平衡准确率为70.0%，表明在标准k-NN设置下，区分三种不同状态仍存在挑战。
• OvO分类方法相比标准多类分类略有优势，提升了敏感度并提供了更细致的类别特异性洞察。
• PERCLOS2、眼睑裂隙、头部摆动和重新开眼持续时间等特征在多个最优特征子集中被一致选中，表明其具有高度的区分能力。
• 模型揭示，眼睑裂隙和重新开眼持续时间在区分清醒状态与困倦或可疑状态方面尤为有效。
• 采用较少特征和较低k值的紧凑型k-NN模型优于更复杂的模型，表明在此情境下，简洁性有助于提升泛化能力。