基于机器学习的智能手机感知驾驶员行为分类
通过手机传感器收集的活动数据可可靠地预测人的个性。使用从加速度计记录和运动模式计算出的指标,我们能够在两类问题上预测用户的个性,F1 得分最高可达 0.78。这些新颖的个性指标为社会科学的未来研究开辟了新的途径。我们的结果揭示了不同的行为模式,这些模式对五个大的人格特征有不同的预测作用。它们为无问卷调查地研究与个性相关的问题提供了成本效益高、前所未有规模的可能性。总体而言,本文展示了通过智能手机传感和机器学习技术获取丰富的行为数据如何促进个性研究,并能够为从业者和研究人员提供有关个性不同行为模式的信息。这些发现对于利用移动传感器数据进行个性评估的组织具有实际意义,并将指导未来更精确和高效的预测模型的改进。
Jan, 2024
通过使用传感器和智能车载系统,评估驾驶员行为的研究可以提高驾驶体验和道路安全。本文研究了使用视觉和车载数据分析驾驶员行为的各种技术,并提供了该领域最新研究的概述,同时讨论了面临的挑战和未解决的问题,并为未来的研究提出了潜在建议。综述得出结论,整合视觉和车载信息可以显著提高驾驶员行为分析的准确性和有效性,从而提高安全措施并减少交通事故。
Aug, 2023
本文介绍了一种基于 Android 应用的生理传感器控制和监控系统,与驾驶模拟器实现了同步工作。该应用可以监测驾驶员并分析其生理状态与驾驶表现之间的关系,通过配置、选择、接收、处理、可视化和存储心电图、肌电图、皮肤电反应以及加速度计、磁力计和陀螺仪等信号来实现。该应用在不同的采样频率和不同的 Android 设备上同时测试了多种传感器的工作情况,以及与驾驶模拟器之间的同步工作,并通过与 25 人的测试数据分析了 ECG、EMG、GSR 和陀螺仪传感器与驾驶模拟器之间的关系。该 Android 应用可以通过微小的改进应用于其他不同的用户,如慢性病患者或运动员。
Feb, 2024
该论文提出了一种利用手机内置的加速度计传感器数据来识别用户身份的方法,通过建立一个随机森林分类模型,从步行数据样本中提取时间和频率信息特征。实验结果表明,该模型具有 0.9679 的准确率和 0.9822 的曲线下面积(AUC),可为智能手机提供一种低成本、高效的用户身份认证方法。
Nov, 2017
该研究提出了一个利用主动学习框架从实时收集的数据中,对自动驾驶车辆进行正确分类的方法,该方法通过有效处理贫乏且嘈杂的数据,并在数据质量和多样性之间进行权衡,从其他车辆接收的信息以及有关自身传感器的信息进行数据分析,从而实现高准确度的分类,而该方法相比其他现有的解决方案,具备数据传输带宽要求低的优势。
Feb, 2020
在使用人工智能的基础上,下一代汽车通过创新解决方案嵌入了对驾驶安全的智能评估。为了重构汽车驾驶员的生理状态,作者建议使用一种专为生理参数设计的生物传感系统,结合了近红外光谱的 LED 组和光电探测器,以检测生理信号 PPG,并连接到心脏活动,从而根据受试者的注意水平监测驾驶员的昏睡状态。该论文还提出了基于智能驾驶情景理解的进一步驾驶安全评估。
Apr, 2023
通过使用基于视觉和基于机器学习的方法,同时检测疲劳和注意力分散的行为,以提高智能车辆系统的驾驶行为监测能力并获得更准确和时间更短的结果。
Jan, 2024