Hamidur Rahman försvarar sin licentiatuppsats i datavetenskap

Disputationer och licentiatseminarier

Datum: 2018-06-19
Tid: 13.15
Plats: sal Kappa, MDH Västerås

Hamidur Rahman vid akademin för innovation, design och teknik (IDT), försvarar sin licentiatuppsats i datavetenskap den 19 juni klockan 13.15 i sal Kappa, MDH Västerås.

Titel: “An Intelligent Non-Contact based Approach for Monitoring Driver’s Cognitive Load”.  

Serienummer: 268.

Betygsnämnden utgörs av docent Jerker Westin, Högskolan Dalarna, professor Carolina Wählby, Uppsala Universitet, docent Mikael Ekström, MDH, varav docent Jerker Westin utsetts till opponent.

Reserv är docent Saad Mubeen, MDH.

Sammanfattning

Moderna bilar har utrustats med högteknologiska egenskaper för att göra dem snabba, säkra och bekväma. För att förbättra transportsäkerheten, dvs för att undvika oväntade trafikolyckor, är det nödvändigt att överväga en fordonsförare som är en del av miljön och där förarens hälsa och mentala tillstånd övervakas.

Enligt litteraturen används ofta körbeteendebaserade och fysiologiska parameterbaserade metoder för att övervaka förarens hälsa och mentala tillstånd. Dessa studier är i huvudsak baserade på fysiologiska parameterbaserade metoder där sensorer ofta är knutna till människokroppen. Dessa sensorer ger utmärkta signaler under laboratorieförhållanden men är ofta förenade med artefakter och besvärliga och obekväma i körsituationer. Fysiologiska parametrar baserade på videobilder erbjuder ett nytt paradigm för förarens hälsa och mentala övervakning.

Denna licentiat rapport presenterar ett intelligent, icke-kontaktbaserat tillvägagångssätt för att övervaka förarens kognitiva belastning baserat på fysiologiska parametrar och fordonsparametrar. Denna metod använder en kamerasensor som kontaktlös och genomgripande metod för mätning av fysiologiskaparametrar. Denna avhandling genererar ett trefaldigt bidrag:

1) Kamerabaserad metod implementeras för att extrahera fysiologiska parametrar, t.ex. hjärtfrekvens (HR), hjärtfrekvensvariation (HRV), interbit-intervall (IBI), syremättnad (SpO2) och andningsgrad (RR) med tanke på belysning, rörelse, och vibration.

2) vehikelparametrar, t.ex. ryggvinkel, rattvinkel, rattmoment, rygghastighet, lanex och sidoposition extraheras från simulatorn.

3) Tre maskininlärningsalgoritmer, dvs Logistic Regression (LR), Support Vector Machine (SVM) och Linear Discriminant Analysis (LDA) undersöks för att klassificera förarens kognitiva belastning.

Enligt det experimentella arbetet, med tanke på de utmanande förhållandena, är den högsta korrelationskoefficienten som uppnåtts för både HR och SpO2 0,96. Återigen visar Bland Altman-grafer 95% överenskommelse mellan kamera och referenssensor. För IBI uppnås kvalitetsindex (QI) 97,5% med tanke på 100 ms R-topp fel.

Slutligen är den uppnådda genomsnittliga noggrannheten för klassificering av kognitiv belastning 91% för studie1 och 83% för studie 2. I framtiden bör det föreslagna tillvägagångssättet utvärderas i körvägsmiljöer i andra mer komplicerade utmanande situationer som (exempelvis) hög temperatur, fullständigt ljus/mörker, ovanliga rörelser, ansikt oscklusion med händer, solglasögon, halsduk, skägg etc.