مروری بر مطالعات سنسورهای تشخیص‌دهنده خواب‌آلودگی راننده و ارائه روش‌های ترکیبی تشخیصی و طرح مدل کارآمد

خلاصه فارسی

مقدمه: در سال‌های اخیر خواب‌آلودگی راننده یکی از دلایل اصلی تصادفات جاده‌ای می‌باشد که می‌تواند منجر به صدمات فیزیکی، مرگ‌ومیر و تلفات قابل‌توجه اقتصادی شود. آمارها نشان می‌دهد که به یک سیستم مناسب برای آشکارساز وضعیت خواب‌آلودگی راننده موردنیاز می‌باشد، به‌طوری‌که بتواند قبل از اینکه رویداد ناگواری اتفاق بیافتد هشدار لازم را بدهد. لذا این مطالعه مروری با هدف بررسی مطالعات سنسورهای تشخیص‌دهنده خواب‌آلودگی راننده و ارائه روش‌های ترکیبی تشخیصی و طرح مدل کارآمد انجام گرفت. روش کار: این مطالعه مروری توصیفی از طریق یک جستجوی نظام‌مند و با استفاده از کلیدواژه‌های رانندگان و تشخیص خواب‌آلودگی در پایگاه‌های داده بین‌المللی شامل Scopus, Pubmed و Web of Scienses انجام گرفت که شامل جدیدترین تحقیقات انجام‌شده مرتبط در این زمینه از سال 2005 تا سپتامبر 2021 بود. همچنین لیست منابع مطالعات نهایی برای یافتن مطالعات بیشتر بررسی شد تا روش‌ها و مطالعات خاص (تیپیک) مورد اشاره واقع شوند و با یکدیگر مقایسه شوند. یافته ها: به‌طورکلی محققان خواب‌آلودگی راننده را با استفاده از سه روش انـدازه‌گیری بر اساس وسیله نقلیه، اندازه‌گیری رفتاری و اندازه‌گیری فیزیولوژیکی مورد ارزیابی قرار می‌دهند. جزئیات و نحوه انجام این اندازه‌گیری‌ها تأثیر و تفاوت زیادی روی سیستم‌های موجود ایجاد می‌کند. در این مطالعه مروری، هر سه اندازه‌گیری ذکرشده با استفاده از سنسورهای معین بررسی و همچنین مزیت‌ها و محدودیت‌های هر کدام موردبحث قرار گرفت. مقایسه شرایط رانندگی واقعی و شبیه‌سازی‌شده نیز موردبحث قرار گرفت. همچنین راه‌های مختلفی که میزان خواب‌آلودگی را به‌صورت آزمایشگاهی نشان می‌دهد، موردبررسی قرار گرفت. درنهایت پس از مقایسه تحلیلی بین روش‌های تشخیص خواب‌آلودگی، یک دیاگرام پیشنهادی برای ارائه مدل کارآمد که به‌صورت ترکیبی بود ارائه شد. نتیجه گیری: به‌طورکلی می‌توان بیان داشت که با توجه به محدودیت‌های هریک از روش‌ها، نیاز است که با طراحی سیستم آشکارساز خواب‌آلودگی که ترکیبی از معیارهای رفتاری، عملکردی و سایر اندازه‌گیری‌ها است، بتوان به‌دقت سطح هوشیاری راننده را مشخص کرد. درنهایت این مدل ترکیبی (کارآمد) باید در محیط شبیه‌سازی ساخته و تست شده باشد تا با ارسال هشدار به راننده‌ای خواب‌آلود از تعداد تصادفات جاده‌ای اجتناب شود.

عنوان انگليسی

A Review of the Studies on Driver Drowsiness Detection Sensors and Proposing Hybrid Diagnostic Methods and Efficient Model Design

خلاصه انگلیسی

Introduction: In recent years, driver’s drowsiness has been one of the leading causes of road accidents, which can lead to physical injuries, death, and significant economic losses. Statistics show that an efficient system is needed to detect the driver’s drowsiness, that gives the necessary warning before an unfortunate event occurs. Therefore, this review study was conducted to investigate the studies on driver’s drowsiness sensors and to present a combination of diagnostic methods and an efficient model design. Material and Methods: This narrative review study was conducted through a systematic search using “driver” and “drowsiness detection” as search keywords in indexing databases including Scopus, PubMed, and Web of Sciences. The search encompassed the latest related research conducted in this field from 2010 to September 2020. The reference lists were also reviewed to find further studies. Results: In general, researchers evaluate driver’s drowsiness using three methods including vehicle-based measurement, behavioural measurement, and physiological measurement. The details and how these measurements are made make a big difference to the existing systems. In this study, which is a narrative review, the three mentioned measurements were examined using sensors and also the advantages and limitations of each were discussed. Real and simulated driving conditions were also compared. In addition, different ways to detect drowsiness in the laboratory were examined. Finally, after an analytical comparison of the methods of diagnosing drowsiness, a diagram was presented based on which an efficient and combined model was developed. Conclusion: Taking into account the limitations of each of the methods, we need a combination of behavioural, performance, and other measures to have an efficient drowsiness diagnosing model. Such model must be tested using simulations and in real world situations.

Document Downloads