شناسایی و طبقه بندی فناوری های تشخیص خستگی راننده مبتنی بر داده های زمینه ای

سیستم های نظارت بر رفتار راننده(DMS) به عنوان مداخله فناورانه، نقش موثری در بهبود ایمنی جاده دارند. بسیاری از این سیستم ها مبتنی بر پایش داده های عینی یعنی سیگنال های فیزیولوژیکی، رفتار راننده یا خودرو محور هستند که دارای محدودیت های کاربری خاص در شرایط واقعی می باشند. این سیستم ها در ترکیب با داده های زمینه ای از پتانسیل بالایی برای نظارت دقیق تر و مطمئن تر بر خستگی راننده برخوردار می باشند. حال آنکه استفاده از این داده ها نیازمند کسب اطلاعات جامع در این زمینه می باشد. این مرور حیطه ای به بررسی و طبقه بندی سیستم های مبتنی بر داده های زمینه ای و بررسی چالش های موجود در استفاده از این سیستم ها می پردازیم. سیزده مقاله براساس چارچوب PRISMA Extension for Scoping Reviews (PRISMA-Sc) از ۳ پایگاه داده ای Scopus، SienceDirect و PubMed بعلاوه موتور جستجوی Google Scholar جمع آوری شدند. داده ها به روش تحلیل موضوعی و با استفاده از نرم افزار MAXQDA تحلیل شدند. تعداد ۴۴ ویژگی زمینه ای شناسایی شدند. این ویژگی ها در شش دسته شامل عوامل شخصیتی، روانشناختی، شرایط جسمانی، خواب/استراحت، شرایط شغلی و سبک زندگی فردی/اجتماعی طبقه بندی گردید. زمان روز، مدت زمان رانندگی و محیط خواب نامناسب (شامل سرو صدا، گرم و مرطوب) از پرتکرارترین داده های زمینه ای مورد استفاده در سیستم های نظارت خستگی راننده در مطالعات قبلی بودند. درنهایت، چالش های DMS مبتنی بر داده های زمینه ای در بحث ارائه شد.

Keywords:

خستگی , پیش بینی , هوش مصنوعی , ترافیک جاده ای , مرور محدوده