DOI: https://doi.org/10.1038/s41598-025-89651-4
PMID: https://pubmed.ncbi.nlm.nih.gov/39971977
تاريخ النشر: 2025-02-19
المؤلف: Madallah Alruwaili وآخرون
الموضوع الرئيسي: أنظمة التعرف على النشاط المعتمد على السياق
نظرة عامة
تناقش ورقة البحث القضية الحرجة للازدحام المروري الذي يؤثر على خدمات الطوارئ الطبية (EMS) في المناطق الحضرية، مقترحة نظام إدارة حركة مرور مدفوع بالذكاء الاصطناعي في الوقت الحقيقي لتحسين أوقات استجابة EMS. يدمج النظام ثلاثة مكونات رئيسية: أولوية إشارات المرور المعتمدة على Raspberry Pi، التعلم العميق لاكتشاف سيارات الإسعاف السمعية والبصرية، وإطار إدارة حركة المرور الذكي. على وجه التحديد، يتم معالجة الإشارات الصوتية إلى طيف باستخدام معاملات تردد ميل (MFCCs) وتصنيفها عبر شبكة الذاكرة طويلة وقصيرة الأمد (LSTM)، بينما يتم تحليل البيانات المرئية باستخدام شبكة عصبية تلافيفية ResNet18. حقق دمج البيانات متعددة الوسائط دقة مثيرة للإعجاب بنسبة 99% في اكتشاف سيارات الإسعاف، مع دقة عالية، واسترجاع، ودرجات F1، مما يوضح فعالية النظام في إدارة حركة المرور في الوقت الحقيقي.
في الختام، تسلط الورقة الضوء على النشر الناجح لنموذج ذكاء اصطناعي هجين يجمع بين البيانات الصوتية والمرئية لإعطاء الأولوية للمركبات الطارئة عند إشارات المرور، محققة دقة تصنيف تبلغ 98.95%. تم اقتراح تحسينات مستقبلية، بما في ذلك دمج واجهة إنترنت للمراقبة في الوقت الحقيقي، وتطوير قاعدة بيانات للطوارئ، وإدماج المركبات ذاتية القيادة في نظام إدارة حركة المرور. كما يقترح المؤلفون الاستفادة من الحوسبة الطرفية لتقليل تأخيرات الاستجابة وتحسين كفاءة المعالجة. بشكل عام، يقدم الإطار المقترح حلاً قابلاً للتوسع يمكن تكييفه مع بيئات حضرية متنوعة، مع تطبيقات محتملة تمتد إلى ظروف مرور وبنية تحتية متنوعة.
الطرق
في قسم الطرق من ورقة البحث، يتم تلخيص المواد والتقنيات المختلفة المستخدمة في دراسات مختلفة، مع تسليط الضوء على نتائجها في إدارة المرور وإعطاء الأولوية للمركبات الطارئة. استخدم سيدقي وآخرون (2023) نظام Arduino Uno وSIM808 GSM/GPS/GPRS للتحكم في إشارات المرور، مما يضمن تفعيل إشارة المركبة القادمة بينما تتحول الإشارات الأخرى إلى اللون الأحمر، مما يعيد فعالية النظام بعد الهجرة. استخدم بوندير وآخرون (2018) تقنيات ZigBee وRFID مع متحكم دقيق للقضاء على التأخيرات في وصول المركبات الطارئة. دمج هميون وآخرون (2022) وحدات على جانب الطريق (RSUs) وأجهزة 5G لتعزيز تبادل البيانات وإدارة الطرق، مما يوضح فعالية استخدام المسار الجانبي والنمذجة الرياضية لإعطاء الأولوية للمركبات الطارئة من اتجاهات متعددة.
بالإضافة إلى ذلك، ركز نيلور وهانك (2016) على أنظمة الكاميرات وأوصوا ببروتوكول PE-MAC لنقل معلومات المركبات بكفاءة. قدموا تمثيلاً مضغوطًا يعرف باسم معاملات تردد ميل (MFCC)، والتي تلتقط الأشكال الطيفية مع حساسية منخفضة للتغيرات في النغمة والسعة، مما يشير إلى إمكاناتها كميزة قوية لمجموعة متنوعة من تطبيقات معالجة الصوت. تؤكد هذه النتائج مجتمعة على التقدم في التحكم في إشارات المرور وأنظمة الاستجابة للطوارئ من خلال تطبيقات تكنولوجية مبتكرة.
النتائج
يقدم قسم النتائج من ورقة البحث تقييمًا شاملاً لمختلف نماذج التصنيف، مع التركيز بشكل خاص على البيانات الصوتية والصورية لاكتشاف المركبات الطارئة. تفوق نموذج LSTM على نموذج CNN في تصنيف الصوت، محققًا دقة تبلغ 98.3% مقارنة بـ 96.6% لنموذج CNN، مما يشير إلى قدرته الفائقة في التقاط الاعتماديات الزمنية في البيانات المتسلسلة. أكدت مقاييس الأداء مثل الدقة والاسترجاع ودرجة F1 فعالية LSTM، مع قيم بلغت 98.0% و98.5% و98.2%، على التوالي. كشفت تحليل مصفوفة الالتباس عن تصنيفات خاطئة قليلة، خاصة بين أصوات سيارات الإسعاف وشاحنات الإطفاء، مما يبرز موثوقية النموذج.
بالإضافة إلى نماذج LSTM وCNN، تقيم الورقة عدة هياكل أخرى، بما في ذلك ResNet18 وMobileNetV3Large، مع تسليط الضوء على مقاييس أدائها. حقق ResNet18 دقة تبلغ 98.1%، مما يجعله النموذج الأكثر فعالية لمهام تصنيف الصور، بينما حقق نموذج الدمج الذي يجمع بين البيانات الصوتية والصورية دقة مثيرة للإعجاب تبلغ 99.0%. أظهر نموذج الدمج هذا دقة عالية، واسترجاع، ودرجة F1، جميعها عند 98.95%، مما يشير إلى أن دمج البيانات متعددة الوسائط يعزز بشكل كبير من قدرات الكشف عن المركبات الطارئة. بشكل عام، تؤكد النتائج على أهمية استخدام مصادر بيانات متنوعة لتحسين دقة التصنيف وتضع أساسًا للبحوث المستقبلية في هذا المجال.
المناقشة
تسلط قسم المناقشة في الورقة الضوء على التقدم في نماذج التعلم العميق لاكتشاف سيارات الإسعاف وأنظمة الإرسال، مع التأكيد على تأثيرها على أوقات الاستجابة للطوارئ. تم استخدام هياكل شبكات عصبية مختلفة، مثل MnasNet وResNet وYOLOv8، لتعزيز قدرات الكشف عن المركبات الطارئة. من الجدير بالذكر أن النموذج الهجين المقترح يدمج شبكات الذاكرة طويلة وقصيرة الأمد (LSTM) لتصنيف الصوت وResNet18 لتصنيف الصور، محققًا دقة مثيرة للإعجاب تبلغ 98.95%. يتفوق هذا النموذج على الأنظمة الحالية من خلال تحليل تدفقات البيانات الصوتية والمرئية في الوقت الحقيقي بشكل فعال، مما يحسن من إعطاء الأولوية للمركبات الطارئة في إدارة المرور.
تناقش الورقة أيضًا التحديات المتعلقة بالتنفيذ في العالم الحقيقي، بما في ذلك الحاجة إلى التكامل مع البنية التحتية الحالية للمرور والمخاوف المتعلقة بخصوصية البيانات. يقترح المؤلفون أن الالتزام باللوائح المتعلقة بحماية البيانات وتطوير حلول قابلة للتوسع أمران حاسمان للنشر الناجح للنظام المقترح. بشكل عام، تؤكد النتائج على إمكانية دمج الأساليب المدفوعة بالذكاء الاصطناعي مع أنظمة إدارة المرور التقليدية لتحسين كفاءة الاستجابة للطوارئ بشكل كبير. تهدف الأعمال المستقبلية إلى تعزيز قدرات النظام من خلال المراقبة المستمرة في الوقت الحقيقي ودمج قواعد بيانات الطوارئ الشاملة.
DOI: https://doi.org/10.1038/s41598-025-89651-4
PMID: https://pubmed.ncbi.nlm.nih.gov/39971977
Publication Date: 2025-02-19
Author(s): Madallah Alruwaili et al.
Primary Topic: Context-Aware Activity Recognition Systems
Overview
The research paper addresses the critical issue of traffic congestion affecting emergency medical services (EMS) in urban areas, proposing an AI-driven real-time traffic management system to enhance EMS response times. The system integrates three main components: Raspberry Pi-based traffic signal prioritization, deep learning for audio-visual ambulance detection, and an intelligent traffic management framework. Specifically, audio signals are processed into spectrograms using Mel Frequency Cepstral Coefficients (MFCCs) and classified via a Long Short-Term Memory (LSTM) network, while visual data is analyzed using a ResNet18 convolutional neural network. The multimodal data fusion achieved an impressive 99% accuracy in ambulance detection, with high precision, recall, and F1 scores, demonstrating the system’s effectiveness in real-time traffic management.
In conclusion, the paper highlights the successful deployment of a hybrid AI model that combines audio and visual data for prioritizing emergency vehicles at traffic signals, achieving a classification accuracy of 98.95%. Future enhancements are proposed, including the integration of an Internet interface for real-time monitoring, the development of an emergency database, and the incorporation of self-driving vehicles into the traffic management system. The authors also suggest leveraging edge computing to minimize response delays and improve processing efficiency. Overall, the proposed framework offers a scalable solution adaptable to various urban environments, with potential applications extending to diverse traffic conditions and infrastructure.
Methods
In the methods section of the research paper, various materials and technologies utilized in different studies are summarized, highlighting their outcomes in traffic management and emergency vehicle prioritization. Siddiqi et al. (2023) employed an Arduino Uno and SIM808 GSM/GPS/GPRS system to control traffic signals, ensuring that the approaching vehicle’s signal activated while others turned red, effectively resuming system operations post-migration. Pundir et al. (2018) utilized ZigBee and RFID technologies with a microcontroller to eliminate delays in emergency vehicle arrivals. Humayun et al. (2022) integrated roadside units (RSUs) and 5G devices to enhance data exchange and road management, demonstrating the effectiveness of side lane utilization and mathematical modeling for prioritizing emergency vehicles from multiple directions.
Additionally, Nellore and Hancke (2016) focused on camera systems and recommended the PE-MAC protocol for efficient vehicle information transmission. They introduced a compact representation known as Mel-frequency cepstral coefficients (MFCC), which captures spectral shapes with reduced sensitivity to variations in pitch and amplitude, suggesting its potential as a robust feature for various audio processing applications. These findings collectively underscore the advancements in traffic signal control and emergency response systems through innovative technological applications.
Results
The results section of the research paper presents a comprehensive evaluation of various classification models, particularly focusing on audio and image data for emergency vehicle detection. The LSTM model outperformed the CNN model in audio classification, achieving an accuracy of 98.3% compared to 96.6% for CNN, indicating its superior capability in capturing temporal dependencies in sequential data. Performance metrics such as precision, recall, and F1-score further corroborated the LSTM’s effectiveness, with values of 98.0%, 98.5%, and 98.2%, respectively. The confusion matrix analysis revealed minimal misclassifications, particularly between ambulance and firetruck sounds, underscoring the model’s reliability.
In addition to the LSTM and CNN models, the paper evaluates several other architectures, including ResNet18 and MobileNetV3Large, highlighting their performance metrics. ResNet18 achieved an accuracy of 98.1%, making it the most effective model for image classification tasks, while the fusion model that integrates both audio and image data reached an impressive accuracy of 99.0%. This fusion model demonstrated high precision, recall, and F1-score, all at 98.95%, indicating that combining multimodal data significantly enhances the detection capabilities for emergency vehicles. Overall, the findings emphasize the importance of utilizing diverse data sources to improve classification accuracy and set a foundation for future research in this domain.
Discussion
The discussion section of the paper highlights the advancements in deep learning models for ambulance detection and dispatch systems, emphasizing their impact on emergency response times. Various neural network architectures, such as MnasNet, ResNet, and YOLOv8, have been employed to enhance the detection capabilities of emergency vehicles. Notably, the proposed hybrid model integrates Long Short-Term Memory (LSTM) networks for audio classification and ResNet18 for image classification, achieving an impressive accuracy of 98.95%. This model outperforms existing systems by effectively analyzing real-time audio and visual data streams, thereby optimizing emergency vehicle prioritization in traffic management.
The paper also addresses the challenges of real-world implementation, including the need for integration with existing traffic infrastructure and concerns regarding data privacy. The authors suggest that adherence to data protection regulations and the development of scalable solutions are crucial for the successful deployment of the proposed system. Overall, the findings underscore the potential of combining AI-driven approaches with traditional traffic management systems to significantly improve emergency response efficiency. Future work aims to enhance the system’s capabilities through continuous real-time monitoring and the integration of comprehensive emergency databases.