onr:"swepub:oai:DiVA.org:mdh-56825"
Sökning: onr:"swepub:oai:DiVA.org:mdh-56825" > Vision-based driver...
- 1 av 1
- Föregående post
- Nästa post
- Till träfflistan
- Rahman, Hamidur,Doctoral Student,1984-Mälardalens högskola,Inbyggda system (författare)
Vision-based driver’s cognitive load classification considering eye movement using machine learning and deep learning
- Artikel/kapitelEngelska2021
Förlag, utgivningsår, omfång ...
- 2021-11-30
- MDPI,2021
- printrdacarrier
Nummerbeteckningar
- LIBRIS-ID:oai:DiVA.org:mdh-56825
- https://urn.kb.se/resolve?urn=urn:nbn:se:mdh:diva-56825URI
- https://doi.org/10.3390/s21238019DOI
Kompletterande språkuppgifter
- Språk:engelska
- Sammanfattning på:engelska
Ingår i deldatabas
- SwePubSwePub
Klassifikation
Anmärkningar
- Due to the advancement of science and technology, modern cars are highly technical, more activity occurs inside the car and driving is faster; however, statistics show that the number of road fatalities have increased in recent years because of drivers’ unsafe behaviors. Therefore, to make the traffic environment safe it is important to keep the driver alert and awake both in human and autonomous driving cars. A driver’s cognitive load is considered a good indication of alertness, but determining cognitive load is challenging and the acceptance of wire sensor solutions are not preferred in real-world driving scenarios. The recent development of a non-contact approach through image processing and decreasing hardware prices enables new solutions and there are several interesting features related to the driver’s eyes that are currently explored in research. This paper presents a vision-based method to extract useful parameters from a driver’s eye movement signals and manual feature extraction based on domain knowledge, as well as automatic feature extraction using deep learning architectures. Five machine learning models and three deep learning architectures are developed to classify a driver’s cognitive load. The results show that the highest classification accuracy achieved is 92% by the support vector machine model with linear kernel function and 91% by the convolutional neural networks model. This non-contact technology can be a potential contributor in advanced driver assistive systems.
Ämnesord och genrebeteckningar
- TEKNIK OCH TEKNOLOGIER Elektroteknik och elektronik Datorsystem hsv//swe
- ENGINEERING AND TECHNOLOGY Electrical Engineering, Electronic Engineering, Information Engineering Computer Systems hsv//eng
- Cognitive load
- Eye-movement
- Machine learning
- Non-contact
Biuppslag (personer, institutioner, konferenser, titlar ...)
- Ahmed, Mobyen Uddin,Dr,1976-Mälardalens högskola,Inbyggda system(Swepub:mdh)mad02 (författare)
- Barua, ShaibalMälardalens högskola,Inbyggda system(Swepub:mdh)sba01 (författare)
- Funk, Peter,1957-Mälardalens högskola,Inbyggda system(Swepub:mdh)pfk01 (författare)
- Begum, Shahina,1977-Mälardalens högskola,Inbyggda system(Swepub:mdh)sbm02 (författare)
- Mälardalens högskolaInbyggda system (creator_code:org_t)
Sammanhörande titlar
- Ingår i:Sensors: MDPI21:231424-8220
Internetlänk
- 1 av 1
- Föregående post
- Nästa post
- Till träfflistan
Hitta mer i SwePub
- Av författaren/redakt...
- Rahman, Hamidur, ...
- Ahmed, Mobyen Ud ...
- Barua, Shaibal
- Funk, Peter, 195 ...
- Begum, Shahina, ...
- Om ämnet
-
- TEKNIK OCH TEKNOLOGIER
- TEKNIK OCH TEKNO ...
- och Elektroteknik oc ...
- och Datorsystem
- Artiklar i publikationen
- Sensors
- Av lärosätet
- Mälardalens universitet
Sök utanför SwePub
- Sök vidare i:
- Google Book Search
- Google Scholar
Kungliga biblioteket hanterar dina personuppgifter i enlighet med EU:s dataskyddsförordning (2018), GDPR. Läs mer om hur det funkar här.
Så här hanterar KB dina uppgifter vid användning av denna tjänst.
- Copyright © LIBRIS - Nationella bibliotekssystem
- LIBRIS.kb.se
