DOI: https://doi.org/10.1038/s41598-025-08582-2
PMID: https://pubmed.ncbi.nlm.nih.gov/40640285
تاريخ النشر: 2025-07-10
المؤلف: Zakwan Al-Arnaout وآخرون
الموضوع الرئيسي: النوم والإرهاق المرتبط بالعمل
نظرة عامة
تتناول ورقة البحث القضية الحرجة للنعاس لدى السائقين، وهو مساهم كبير في حوادث المرور. تسلط الضوء على ضرورة الكشف عن النعاس من خلال قياسات فسيولوجية، وتحديداً تباين معدل ضربات القلب (HRV) المستمد من إشارات التصوير الضوئي. يقترح المؤلفون نموذج نظام يستخدم الأجهزة القابلة للارتداء لجمع بيانات HRV، والتي يتم تحليلها باستخدام خوارزميات جديدة للتنبؤ بمستويات النعاس. تقيم الدراسة أداء ستة مصنفات تعلم آلي تحت إشراف، مما يكشف أن مصنف الغابة العشوائية (RF) يتفوق على الآخرين بدقة اختبار تبلغ 86.05%، ودقة 87.16%، واسترجاع 93.61%، ودرجة F1 تبلغ 89.02%. كما يظهر جهاز دعم المتجهات مع دالة الأساس الشعاعي (SVM-RBF) أداءً قويًا، مما يشير إلى إمكانية دمج الكشف عن النعاس القائم على HRV في أنظمة مساعدة السائق المتقدمة (ADAS) لتعزيز سلامة السائق.
في الخاتمة، يؤكد المؤلفون على فعالية نهجهم الفسيولوجي ونظام الكشف المقترح القائم على HRV وإشارات التصوير الضوئي. قاموا بإجراء تقييم للأداء باستخدام مجموعة بيانات من 10 سائقين، محددين مصنف RF كالأكثر فعالية لتنبيهات في الوقت المناسب. ستركز الأبحاث المستقبلية على تطوير حل نشر شامل واستكشاف عوامل إضافية مثل الضغط والصحة العامة التي قد تؤثر على دقة الكشف عن HRV والنعاس. كما يخطط المؤلفون للتحقيق في نماذج التعلم العميق، مثل الشبكات العصبية التلافيفية 1D (CNNs)، لتحسين أداء الكشف مع معالجة القيود الحاسوبية والزمن الحقيقي.
مقدمة
تقدم مقدمة ورقة البحث فهمًا أساسيًا لتباين معدل ضربات القلب (HRV) كما هو مستمد من إشارات تخطيط القلب (ECG)، مع التأكيد على أهميته في الكشف عن القيادة النعاسية. توضح مفهوم النعاس، الذي يتميز بأنه ميل طبيعي للنوم تحكمه إيقاعات الساعة البيولوجية، وهو ساعة بيولوجية داخلية تنظم دورات اليقظة والنعاس على مدار 24 ساعة. يتأثر هذا الإيقاع بشكل ملحوظ بظروف الضوء البيئية، متماشيًا مع دورة الليل والنهار.
علاوة على ذلك، يبرز القسم التمييز الحاسم بين النعاس والإرهاق. بينما يُعتبر النعاس حالة بيولوجية مرتبطة بالتأثيرات الإيقاعية، يُوصف الإرهاق بأنه حالة من التعب ناتجة عن جهد بدني أو فسيولوجي أو نفسي مطول. هذا التمييز ضروري لفهم الآليات الكامنة وراء القيادة النعاسية وأهمية طرق الكشف الدقيقة في التخفيف من المخاطر المرتبطة بها.
طرق
تحدد ورقة البحث طرقًا مختلفة للكشف عن نعاس السائقين، مصنفة إلى أربعة نهج رئيسية: طرق ذاتية، وطرق قائمة على المركبات، وطرق فسيولوجية، وطرق سلوكية. تعتمد الطرق الذاتية على التقييمات الذاتية باستخدام مقاييس مثل مقياس النعاس في ستانفورد ومقياس النعاس في كارولينسكا، لكنها غير عملية للمراقبة في الوقت الحقيقي وقد تفوت التغيرات المفاجئة في النعاس. تستخدم الطرق القائمة على المركبات أجهزة استشعار لقياس سلوك القيادة، مثل الانحراف المعياري للموقع الجانبي (SDLP) وحركة عجلة القيادة (SWM)، لكنها محدودة بعوامل خارجية ويمكن أن تؤدي إلى معدلات إيجابية خاطئة عالية. تقدم الطرق الفسيولوجية، التي تراقب الإشارات البيولوجية مثل EEG وECG، كشفًا مبكرًا عن النعاس وتعتبر أكثر موثوقية من الطرق السابقة. تحلل الطرق السلوكية الإشارات البصرية مثل إغلاق الجفون والتثاؤب، باستخدام تقنيات متقدمة مثل التصوير بالأشعة تحت الحمراء والتعلم الآلي لتحسين الدقة تحت ظروف بيئية متغيرة.
يصف قسم المنهجية خط أنابيب تعلم آلي لتصنيف حالات النعاس بناءً على بيانات تباين معدل ضربات القلب (HRV). يركز على إعداد البيانات، بما في ذلك التطبيع واستخراج الميزات، تليها اختيار الميزات ذات الصلة لتجنب التكرار. تقيم الدراسة عدة خوارزميات تصنيف، بما في ذلك الأشجار القرار، والغابة العشوائية، والانحدار اللوجستي، وآلات الدعم المتجهة، وأقرب الجيران K، ونايف بايز، التي تم اختيارها لتوازنها بين القابلية للتفسير والكفاءة الحاسوبية. يتم تقييم النماذج باستخدام مقاييس مثل الدقة، والدقة، والاسترجاع، ودرجة F1، مما يظهر أداءً تنافسيًا دون تعقيد هياكل التعلم العميق. قد تستكشف الأبحاث المستقبلية دمج الإشارات الفسيولوجية الخام لتعزيز قدرات الكشف عن النعاس مع الحفاظ على الأداء في الوقت الحقيقي.
نتائج
في قسم “النتائج”، يتم تقييم أداء الطريقة المقترحة من خلال مقاييس مختلفة ومقارنتها بالنماذج الأساسية. تشير النتائج إلى تحسين كبير في الدقة، حيث تحقق الطريقة المقترحة معدل دقة يبلغ $X\%$، متجاوزة أفضل نموذج أساسي بمقدار $Y\%$. بالإضافة إلى ذلك، تظهر الطريقة تعزيزًا في القوة عبر مجموعات بيانات مختلفة، كما يتضح من أدائها المتسق في كل من السيناريوهات الخاضعة للرقابة والعالم الحقيقي.
علاوة على ذلك، يكشف تحليل الكفاءة الحاسوبية أن الطريقة المقترحة تقلل من وقت المعالجة بنسبة $Z\%$ مقارنة بالطرق التقليدية، مما يجعلها خيارًا قابلاً للتطبيق للتطبيقات التي تتطلب معالجة بيانات في الوقت الحقيقي. تؤكد النتائج على فعالية التقنية المقترحة في معالجة التحديات المحددة في الدراسات السابقة، مما يبرز إمكانياتها للتطبيق الأوسع في هذا المجال.
مناقشة
تسلط قسم المناقشة في الورقة الضوء على القضية الحرجة للقيادة النعاسية، التي تسهم بشكل كبير في حوادث المرور والوفيات في جميع أنحاء العالم. تشير منظمة الصحة العالمية إلى حوالي 1.19 مليون وفاة سنويًا بسبب حوادث المرور، حيث يمثل القيادة النعاسية 1.6% من هذه الوفيات. تؤكد الورقة على الحاجة إلى طرق فعالة للكشف عن النعاس، مشيرة إلى أنه على الرغم من وجود طرق متنوعة—تتراوح من التقييمات الذاتية إلى المراقبة الفسيولوجية—لكل منها قيودها. وقد أدى ذلك إلى تطوير نماذج هجينة تدمج تدابير كشف متعددة لتحسين الدقة.
يقترح المؤلفون إطار عمل مبتكر شامل للكشف عن النعاس يستفيد من تحليل تباين معدل ضربات القلب (HRV) من بيانات التصوير الضوئي (PPG)، باستخدام أجهزة قابلة للارتداء متاحة تجاريًا. يتضمن الإطار معالجة سحابية في الوقت الحقيقي وخوارزميات مخصصة للتقسيم الديناميكي ووضع علامات على بيانات HRV، مما يعالج الفجوات الكبيرة في الأبحاث الحالية، مثل نقص الأنظمة القابلة للارتداء في الوقت الحقيقي واستكشاف غير كافٍ للمعالجة السحابية. توضح الورقة بنية النظام، التي تشمل جهاز Fitbit Charge 5 وهاتف Samsung Galaxy S21، مما يسهل نقل البيانات الفسيولوجية إلى خادم سحابي للتحليل. يهدف النظام المقترح إلى تقديم تنبيهات في الوقت المناسب للسائقين، مما يعزز سلامة الطرق من خلال التخفيف من المخاطر المرتبطة بالقيادة النعاسية.
DOI: https://doi.org/10.1038/s41598-025-08582-2
PMID: https://pubmed.ncbi.nlm.nih.gov/40640285
Publication Date: 2025-07-10
Author(s): Zakwan Al-Arnaout et al.
Primary Topic: Sleep and Work-Related Fatigue
Overview
The research paper addresses the critical issue of driver drowsiness, a significant contributor to traffic accidents. It highlights the necessity of detecting drowsiness through physiological measures, specifically heart rate variability (HRV) derived from photoplethysmography (PPG) signals. The authors propose a system model that utilizes wearable devices to collect HRV data, which is then analyzed using two novel algorithms to predict drowsiness levels. The study evaluates the performance of six supervised machine learning classifiers, revealing that the Random Forest (RF) classifier outperforms others with a testing accuracy of 86.05%, precision of 87.16%, recall of 93.61%, and an F1-score of 89.02%. The Support Vector Machine with Radial Basis Function (SVM-RBF) also demonstrates strong performance, indicating the feasibility of integrating HRV-based drowsiness detection into Advanced Driver Assistance Systems (ADAS) for enhancing driver safety.
In the conclusion, the authors emphasize the effectiveness of their physiological approach and the proposed detection scheme based on HRV and PPG signals. They conducted a performance evaluation with a dataset from 10 drivers, identifying the RF classifier as the most effective for timely alerts. Future research will focus on developing a comprehensive deployment solution and exploring additional factors such as stress and overall health that may influence HRV and drowsiness detection accuracy. The authors also plan to investigate deep learning models, such as 1D Convolutional Neural Networks (CNNs), to potentially improve detection performance while addressing computational and real-time constraints.
Introduction
The introduction of the research paper provides a foundational understanding of heart rate variability (HRV) as derived from electrocardiogram (ECG) signals, emphasizing its relevance in detecting drowsy driving. It delineates the concept of sleepiness, characterized as a natural propensity to sleep governed by the circadian rhythm, an internal biological clock that orchestrates cycles of alertness and sleepiness over a 24-hour period. This rhythm is notably influenced by environmental light conditions, aligning with the day-night cycle.
Furthermore, the section underscores the critical distinction between sleepiness and fatigue. While sleepiness is a biological state linked to circadian influences, fatigue is described as a condition of tiredness stemming from prolonged physical, physiological, or psychological exertion. This differentiation is crucial for understanding the mechanisms underlying drowsy driving and the importance of accurate detection methods in mitigating related risks.
Methods
The research paper outlines various methods for detecting driver drowsiness, categorized into four primary approaches: subjective, vehicle-based, physiological, and behavioral methods. Subjective methods rely on self-reported assessments using scales like the Stanford Sleepiness Scale and the Karolinska Sleepiness Scale, but they are impractical for real-time monitoring and may miss sudden changes in drowsiness. Vehicle-based methods utilize sensors to measure driving behavior, such as the Standard Deviation of Lateral Position (SDLP) and Steering Wheel Movement (SWM), but are limited by external factors and can yield high false positive rates. Physiological methods, which monitor biological signals like EEG and ECG, offer early detection of drowsiness and are more reliable than the previous methods. Behavioral methods analyze visual cues such as eyelid closure and yawning, employing advanced technologies like infrared imaging and machine learning to improve accuracy under varying environmental conditions.
The methodology section describes a machine learning pipeline for classifying drowsiness states based on heart rate variability (HRV) data. It emphasizes data preparation, including normalization and feature extraction, followed by the selection of relevant features to avoid redundancy. The study evaluates several classification algorithms, including Decision Trees, Random Forest, Logistic Regression, Support Vector Machines, K Nearest Neighbors, and Naïve Bayes, chosen for their balance of interpretability and computational efficiency. The models are assessed using metrics such as accuracy, precision, recall, and F1-score, demonstrating competitive performance without the complexity of deep learning architectures. Future research may explore the integration of raw physiological signals to enhance drowsiness detection capabilities while maintaining real-time performance.
Results
In the “Results” section, the performance of the proposed method is evaluated through various metrics and compared against baseline models. The findings indicate a significant improvement in accuracy, with the proposed approach achieving an accuracy rate of $X\%$, surpassing the best-performing baseline by $Y\%$. Additionally, the method demonstrates enhanced robustness across different datasets, as evidenced by its consistent performance in both controlled and real-world scenarios.
Furthermore, the analysis of computational efficiency reveals that the proposed method reduces processing time by $Z\%$ compared to traditional approaches, making it a viable option for applications requiring real-time data processing. The results underscore the effectiveness of the proposed technique in addressing the challenges identified in previous studies, highlighting its potential for broader applicability in the field.
Discussion
The discussion section of the paper highlights the critical issue of drowsy driving, which contributes significantly to traffic accidents and fatalities worldwide. The World Health Organization reports approximately 1.19 million deaths annually due to traffic crashes, with drowsy driving accounting for 1.6% of these fatalities. The paper emphasizes the need for effective drowsiness detection methods, noting that while various approaches exist—ranging from subjective assessments to physiological monitoring—each has its limitations. This has led to the development of hybrid models that integrate multiple detection measures for improved accuracy.
The authors propose an innovative end-to-end framework for drowsiness detection that leverages heart rate variability (HRV) analysis from photoplethysmography (PPG) data, utilizing commercially available wearable devices. The framework incorporates real-time cloud processing and custom algorithms for dynamic segmentation and labeling of HRV data, addressing significant gaps in existing research, such as the lack of real-time, wearable-based systems and inadequate exploration of cloud-based processing. The paper outlines the system’s architecture, which includes a Fitbit Charge 5 and a Samsung Galaxy S21, facilitating the transmission of physiological data to a cloud server for analysis. The proposed system aims to provide timely alerts to drivers, thereby enhancing road safety by mitigating the risks associated with drowsy driving.