[论文解读] 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 5

一句话总结

本研究提出了一种结合SHAP的可解释XGBoost模型，利用生理和行为指标预测自动驾驶中的驾驶员疲劳。该模型实现了高精度（RMSE: 3.847，MAE: 1.768，调整决定系数R²: 0.996），并识别出心率变异性与呼吸频率等关键预测因子，为接管过渡期间的实时干预提供了可操作的洞察。

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.

研究动机与目标

• 为解决自动驾驶中缺乏可解释疲劳预测模型的问题，特别是针对单调驾驶条件下的问题。
• 开发一种高精度、可解释的模型，以识别驾驶员疲劳的关键生理和行为预测因子。
• 通过揭示驾驶员状态与疲劳发生之间的因果关系，实现实时干预。
• 通过提供透明、可解释的预测结果，增强用户对自动化系统的信任与接受度。
• 基于从模型中提取的领域知识，指导疲劳缓解系统的设计。

提出的方法

• 将PERCLOS（瞳孔被眼睑遮盖的百分比）作为驾驶员疲劳的基准响应变量。
• 从受控驾驶实验中收集了11个预测变量，包括心率、呼吸频率和眼动指标。
• 在数据集上训练XGBoost回归模型，以高精度预测PERCLOS。
• 应用SHAP（SHapley Additive exPlanations）对XGBoost模型进行全局和局部解释。
• 利用SHAP特征重要性得分识别出最重要的五个特征。
• 通过可视化全局SHAP依赖图和局部SHAP力图，解释单个预测结果。

实验结果

研究问题

• RQ1 使用生理和行为数据，XGBoost模型在自动驾驶中预测驾驶员疲劳的准确度如何？
• RQ2 在自动驾驶中，哪些生理和行为变量对驾驶员疲劳最具预测性？
• RQ3 SHAP如何提供对XGBoost模型预测结果的全局和局部解释？
• RQ4 从可解释模型中可以得出哪些可操作的洞察，以减轻自动驾驶中的疲劳？
• RQ5 不同的心率变异性指标与疲劳水平之间有何关系？它们是否表现出非线性模式？

主要发现

• XGBoost模型实现了3.847的均方根误差（RMSE）、1.768的平均绝对误差（MAE）以及0.996的调整决定系数（R²），表明具有很高的预测精度。
• 最重要的五个预测因子为心率变异性（HRV）、呼吸频率、心率标准差（hr_std60）以及两个眼动特征。
• SHAP分析揭示了心率变异性与PERCLOS之间存在V形关系，转折点分别位于50 ms和2 bpm，表明存在复杂的非线性效应。
• 呼吸频率的降低与疲劳水平的上升持续相关，支持其作为疲劳指标的使用价值。
• 心率低和心率变异性低与警觉性下降和疲劳增加相关，提示可实施提升警觉性的干预措施。
• 模型解释表明，呼吸模式的变异性较低（低br_std60）也与疲劳相关，这是此前较少报道的指标。