Please enable JavaScript.

Coggle requires JavaScript to display documents.

小論文運用機器學習採集生理訊息預測駕驗疲勞 - Coggle Diagram

- - - - 分析駕駛行為
        
        車輛在車道內的穩定性
        
        觸發車道偏移警示的頻率
        
        方向盤的轉動方式
      - 生理訊號偵測
        
        肌電圖（sEMG）
        
        電位
        
        frequency
  - - - 目睹公車司機打瞌睡
      - 晚上行駛差點撞到路人
      - 司機看錯紅綠燈
- - - - 疲勞
        
        為了解決肌肉疲勞檢測在訊號區分與方法驗證上的挑戰，本研究從40名參與者身上系統性地收集了表面肌電訊號（sEMG）數據集，並提出一個結合時間卷積網路（TCN）與卷積神經網路（CNN）的雙分支深度學習模型，該模型能同時分析訊號的時域與頻域特徵，最終達到了90.07%的準確率，證明其在複雜數據下仍具有卓越且穩定的疲勞檢測能力。
        
        本研究提出一個結合時域（時間卷積網路與自注意力機制）與頻域（一維卷積神經網路）分析的雙分支深度學習模型，以全面捕捉表面肌電訊號的特徵，從而精準地檢測肌肉疲勞狀態。
  - - - MediaPipe 是由 Google 開發並開源的一個框架，旨在讓開發者能輕鬆建構處理影像、聲音等感官數據的跨平台機器學習應用管道。它採用基於圖形（Graph）的架構，透過稱為「計算器 (Calculators)」的模組化處理單元和在其間流動的數據「串流 (Streams)」來運作，並藉由強大的排程系統、GPU 加速支援以及視覺化除錯工具，協助開發者快速打造出高效能的感知應用。
    - - 這篇論文介紹了 XGBoost，一個基於梯度提升樹（Gradient Tree Boosting）演算法的高效能、可擴展的機器學習系統。其核心貢獻在於透過多項演算法與系統層面的創新，解決了傳統實作中的效能瓶頸，例如，它提出了一種稀疏感知演算法來高效處理缺失值，並透過預排序的資料區塊（Block）與快取感知（Cache-aware）計算來最大化硬體效率，使其能夠在處理數十億筆樣本的大型資料集時，不僅速度遠超當時其他工具，還能實現核外（Out-of-core）計算。這些優化使 XGBoost 成為一個兼具頂尖準確度與極高運算效率的強大工具，並在許多數據科學競賽和實際應用中被廣泛採用。
  - - - 本研究利用電腦視覺技術，結合MTCNN和卷積神經網路，開發了一個基於深度學習的疲勞檢測系統，透過判斷偵測到的人臉的眼睛是否開啟或閉合來識別駕駛人的疲勞狀態，並根據自行建立的資料集進行測試，結果顯示，儘管臉部配戴口罩或眼鏡配件會對開閉眼辨識模型的表現產生影響，但仍能有效運作以減少交通事故的發生
    - - 據這份論文，為了訓練YOLO模型以辨識駕駛的異常行為，研究中特別標記了以下幾種行為特徵的影像：
        
        講手機 (Talking on the phone)
        
        抽菸 (Smoking)
        
        飲食 (Eating)
        
        分心 (Distraction)
        
        疲勞 (Fatigue)
        
        該研究的最終目標是專注於收集和分析「疲勞」行為的照片，但為了讓模型能夠有效且精準地識別出疲勞，研究人員也一併收集了其他幾種常見的異常駕駛行為影像（如講手機、抽菸等）來進行訓練和區分。
- - - - 定期休息
      - 保持車內空氣流通
      - 輪流駕駛
      - 檢查自身狀態
- - - - 180秒眼睛眨眼
      - 180秒內哈欠次數
      - 手 sEMG訊號強度
      - 腿 sEMG訊號強度
- - - - 眼大小
      - mouse