据外媒报道，一项研究发现，机器学习（ML）和深度学习（DL）算法可用于检测驾驶员是否困倦，并迅速及时地警示他们可能因困倦而造成危险，从而减少道路事故。

（图片来源：Biomedical Signal Processing and Control）

沙迦大学（Sharjah University）计算机科学教授萨Saad Harous表示，这项研究设计了一种基于算法的方案，有助于驾驶员避免困倦。“检测驾驶员是否困倦已成为一项重要任务。这需要一套自动化系统以实现早期检测，并预防这些不良后果。”

该团队研究人员分别来自阿拉伯联合酋长国和阿尔及利亚的大学，相关研究成果发表在期刊《生物医学信号处理与控制（Biomedical Signal Processing and Control）》上。

研究人员表示：“最近，人们提出了不同的ML和DL模型，以检测驾驶员是否困倦。这项研究利用可公开访问数据集，其中包含12名健康参与者。我们阅读了大量研究论文，然后发现没有基于EEG的特定困倦预处理参数值。因此，作为第一步，据我们所知在这个领域也是第一次，我们应用了一种优化算法，使用卷积神经网络（CNN）模型和将准确度作为目标函数，以确定最佳预处理参数值。”

脑电图（EEG）是迄今用于检测开车时是否出现困倦和睡眠的最可靠方法。研究人员在分析视觉数据时，通常使用的深度学习算法是CNN或传统神经网络。Harous教授承认，之前的研究已提出许多检测驾驶员是否困倦的生理信号和指标。为了检测和防止驾驶员困倦，很多研究人员采用不同的技术，包括机器学习和深度学习算法，提出并实施了各种系统。“然而，EEG信号（俗称黄金标准）是最常用的，这要归功于其效率和可靠性，以及简单的可获取性。在这项研究中，我们提出了一种可以高精度且在更短时间内检测驾驶员是否困倦的架构。”

研究人员采用随机搜索优化方法来选择最佳的预处理参数集。他们实现了多个CNN架构，然后根据10倍交叉验证评估方法的平均准确率来选择最佳架构。此外，他们还结合CNN与ML分类器（深度混合学习），这样做既能发挥CNN自动提取EEG特征的能力，又能发挥ML分类器的优势。在缺乏特定EGG基困倦预处理参数值的情况下，研究人员首先关注选择最佳预处理参数集，使用随机搜索优化方法来增强分类结果的性能。这些研究结果表明选择正确值的重要性。研究人员发现，一旦找到了正确的值，“平均准确率从91%上升到95%，且训练时间明显减少。”

Harous教授表示：“我们使用Optuna超参数优化框架来选择最优CNN超参数，从而将平均准确率从95%提高到97%。此外，我们注意到，以往大多数研究并未关注如何选择预处理参数值，或者什么是合适的值。我们收集了一众研究论文中的所有值，并使用优化算法来找到最优集合。最后，也是最重要的一点，使用CNN-SVM分类器可以实现高达99.9%的平均准确率，并将训练时间缩减至浅层值（shallow value）。”

研究人员将其方案的成功归功于合理利用优化技术，基于机器学习和深度学习技术以实现驾驶员困倦检测的最高准确性。Harous教授对该研究的实际意义持乐观态度，他表示：“如果交通管理部门采用该系统，将产生重大的社会影响。”

现在，研究人员正在考虑如何将其对数基方案付诸实践。Harous教授表示：“我们正在考虑的是在汽车仪表板上安装摄像头/手机。该应用将安装在摄像头/手机上。”