Machine Learning-Based Detection of Driver Distraction by Capacitive Electrocardiogram Signals
Rattachement africain : rs. Niveau de preuve : code pays fourni par la source.
Le résumé fourni par la source
Unobtrusive acquisition systems for recording vital parameters of drivers enable the development of ML models for monitoring health state, stress level, and driving conditions during driving in daily application. The paper proposed an ML-based model for the classification of four different driving conditions (driving without distraction, uncomfortable driving, distraction drivers by talking, and no driving) by the extraction of only five features from the capacitive electrocardiogram time series (cECG). The proposed method was validated on open data sets cECG recorded during simulated driving. The highest accuracy (95.83%), and Matthew's coefficient (0.95) were achieved by random forest classifier.
Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.
Le contrôle bibliographique ouvert
DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.
- Titre Crossref
- Machine Learning-Based Detection of Driver Distraction by Capacitive Electrocardiogram Signals
- Date Crossref
- 20/03/2024
- Éditeur
- IEEE
- Type
- proceedings-article
Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude, et il ne compte pas comme une seconde source scientifique indépendante.
Les institutions déclarées
Une affiliation ne permet pas de déduire la nationalité d’un auteur.