1. Введение

Опасность сонливости за рулём связана с кратковременным прекращением коррекции курса. Автомобиль продолжает движение по прежней траектории там, где дорога уже изменила направление, либо водитель выполняет запоздалую резкую коррекцию. Долю таких происшествий оценить трудно: в материалах учёта сонливость часто не фиксируется. Национальное управление безопасностью движения США по полицейским отчётам за 2017 год приводит около 91 тыс. аварий, около 50 тыс. пострадавших и почти 800 погибших и указывает, что оценка занижена [4]. Реконструкция по углублённым расследованиям смертельных аварий в США за 2017–2021 годы даёт иную величину: водитель в состоянии сонливости участвовал примерно в 17,6 % таких аварий [10].

Признаки сонливости принято относить к трём группам. Первая — лицо и взгляд: закрытие век, зевота, положение головы. Вторая — физиологические сигналы: электроэнцефалограмма, пульс, кожная проводимость. Третья — параметры движения автомобиля и управляющих воздействий: скорость, ускорения, курс, положение в полосе, а в серийных системах ещё и угол поворота руля [1, 7]. Датчики третьей группы уже имеются на автомобиле либо на смартфоне, закреплённом на лобовом стекле. Камера, направленная на лицо, чувствительна к освещению, очкам и повороту головы, носимые электроды в обычной поездке практически не применяют.

Ограничение методов третьей группы состоит в том, что сходный след дают и другие причины. На узкой дороге с поворотами бодрствующий водитель смещается в полосе сильнее, чем на прямой магистрали. При том же уровне бодрствования другой водитель корректирует курс иначе. Метод, настроенный на одного водителя и на магистраль, может принять индивидуальную манеру управления или кривизну дороги за сонливость. Сапрыкин, Рязанцев и Смирнов отмечают, что оценка по траектории и по рулю зависит от дороги и от того, как водитель удерживает курс [1].

Опубликованные сравнения, как правило, отвечают на другой вопрос: какой алгоритм точнее на выборке, близкой к обучающей. В сводке Nakagama, Ishii и Yoshizoe заявленная точность методов по динамике автомобиля лежит примерно в диапазоне от 74 до 98 %. При единой схеме проверки на открытом симуляторном наборе часть этих значений не подтвердилась, а Random Forest дал около 88 % правильных ответов и AUC 0,85 [7]. Этот набор соответствует прямой четырёхполосной магистрали. Смена типа дороги в той работе не выделена в отдельную проверку, а перенос на нового водителя не входит в постановку задачи.

Цель работы — сравнить методы выявления сонливости по параметрам движения автомобиля и оценить, сохраняется ли качество классификации при новом водителе и при другом типе дороги. Новый алгоритм не предлагается. Камера, направленная на лицо, и физиологические датчики в сравнение не включены.

2. Обзор методов и ограничения опубликованных сравнений

Метка сонливости в опубликованных работах получена из разных источников. Шкала Каролинска — самооценка сонливости от 1 до 9 [2]. На симуляторе её заменяют оценкой наблюдателя, событием сценария или спектром электроэнцефалограммы. При разных метках проценты из разных статей несопоставимы. Динамический признак при этом описывают сходным образом. Бодрствующий водитель непрерывно вносит небольшие коррекции. При сонливости пауза между коррекциями растёт, автомобиль смещается от центра полосы, после чего следует более резкая коррекция. По этому следу вычисляют разброс положения в полосе, частоту и амплитуду коррекций курса, разброс скорости и ускорений [1, 5].

Krajewski и соавторы по статистикам угла поворота руля различили слабую и сильную усталость с точностью 86,1 % и указали, что модель целесообразно адаптировать под водителя [5]. McDonald и соавторы по тому же углу и классификатору Random Forest предсказывали выезд из полосы, связанный с сонливостью, точнее, чем по показателю закрытия век PERCLOS; в сводке заявленных результатов для этого метода указано около 79 % [6, 7]. Arefnezhad и соавторы сообщают около 98 % для SVM по статистикам руля [3]. На открытых данных при отдельной тестовой выборке близкая схема дала около 65 % и AUC 0,53: по разбору Nakagama и др., исходная цифра близка к точности на обучении [7].

Шилов и Кашевник не использовали угол поворота руля: по скорости, ускорению и рывку дерево решений дало accuracy около 0,87 и F1 около 0,90 [9]. Тип дороги отдельно не выделялся. Nakagama и др. свели несколько схем к единой процедуре на симуляторном наборе MMDAP. На общей проверке Random Forest оказался устойчивее SVM и рекуррентной сети: полнота сети по классу сонливости составила около 5 % [7].

Таблица 1.

Опубликованные методы по параметрам движения автомобиля

Примечание. Проценты приведены так, как они даны в указанных работах. Между собой они не сравнимы: разные метки, разные выборки и разный способ деления на обучение и тест.

Из таблицы 1 видно, что высокая точность получена там, где водитель и дорога в тесте близки к обучению. Сравнение 2025 года подтвердило это для одной магистрали и не включало нового водителя и другой тип дороги.

3. Методика сравнения

Данные взяты из открытого набора UAH-DriveSet [8]. Шесть водителей на шести автомобилях проходили два маршрута в окрестностях Мадрида: магистраль около 25 км, как правило три полосы и ограничение 120 км/ч, и второстепенная дорога около 16 км, как правило одна полоса и ограничение около 90 км/ч. Режимов три: обычное вождение, имитация лёгкой сонливости и агрессивное вождение. Смартфон на лобовом стекле регистрировал GPS с частотой около 1 Гц, ускорения, углы ориентации и положение относительно центра полосы. С агрессивными поездками в наборе более 500 минут. Эти поездки исключены: иначе классификатор отделял бы любое необычное вождение, а не сонливость. В расчёте остаются обычный режим и сонливость по инструкции. Шкалы Каролинска и электроэнцефалограммы нет, до засыпания водителей не доводили, поэтому оценки не переносятся на клинически подтверждённый сон.

Сигналы приведены к секундной сетке GPS: для каждой секунды взяты ближайшие боковое и продольное ускорения после фильтра Калмана, угол курса и положение в полосе. В описании набора ось Y смартфона соответствует боковой оси автомобиля, ось Z — продольной [8]. Длительность окна составляет 30 с без перекрытия, чтобы одни и те же секунды не входили одновременно в обучение и в тест. Окно исключалось, если в нём менее 20 с или средняя скорость ниже 30 км/ч. Получено 754 окна, из них 326 отнесены к сонливости (43 %). Положение в полосе доступно в 99,3 % окон.

Признаки одного окна, общие для обучаемых методов:

• среднее и стандартное отклонение скорости;
• стандартное отклонение, доля смен знака и энергия бокового ускорения;
• стандартное отклонение и дисперсия продольного ускорения;
• стандартное отклонение и доля смен знака угловой скорости курса, посчитанной по приращению угла курса;
• дисперсия рывка продольного ускорения;
• стандартное отклонение положения автомобиля относительно центра полосы.

На этих окнах сравниваются три классификатора.

Пороговый классификатор использует один признак — стандартное отклонение бокового ускорения. Порог и направление правила подбираются только на обучающей выборке: перебираются значения от 5-го до 95-го процентиля, а к сонливости относится либо превышение порога, либо значение ниже него. На тесте порог фиксирован. SVM обучается на полном наборе признаков после стандартизации по обучающей выборке (нулевое среднее и единичная дисперсия), с радиальным ядром и балансировкой весов классов. Нейронечёткий отбор признаков из работы Arefnezhad и соавторов не воспроизводился: статистики угла поворота руля в наборе отсутствуют. Random Forest включает 300 деревьев, минимальный размер листа — два окна, веса классов сбалансированы. SVM соответствует постановке Krajewski и Arefnezhad, Random Forest — постановке McDonald и Nakagama.

Выполнены три схемы проверки.

Смешанная выборка. В каждой группе «водитель, тип дороги, режим» центральные 20 % окон по времени отнесены к тесту, остальные — к обучению. Все шесть водителей присутствуют в обеих частях, поэтому схема оценивает качество при близких условиях обучения и теста. В тесте 152 окна, в обучении 602. Новый водитель проверяется по схеме leave-one-driver-out: каждый из шести водителей по очереди целиком составляет тест, обучение выполняется на остальных пяти; ниже приведены среднее и стандартное отклонение. Смена типа дороги: обучение только на магистрали и тест на второстепенной дороге, затем обратный перенос. Состав водителей при этом не меняется, меняется дорога.

Для каждого прогона вычисляются accuracy, F1 класса сонливости и AUC. Основными метриками приняты F1 и AUC. На второстепенной дороге окон класса сонливости меньше, чем на магистрали: в протоколе набора на этой дороге больше поездок в обычном режиме. Accuracy при таком соотношении классов смещена даже тогда, когда качество различения не изменилось.

4. Результаты

На смешанной выборке направление порога, отобранное по F1, соответствовало большему разбросу: к сонливости относились окна с более высоким стандартным отклонением бокового ускорения. Качество порога при этом невелико: accuracy 0,60, F1 0,66, AUC 0,69. SVM и Random Forest дали одинаковый AUC 0,84. Accuracy составила 0,75 у Random Forest и 0,72 у SVM, F1 — 0,71 и 0,69.

Таблица 2.

Качество трёх методов в трёх проверках

Примечание. Для нового водителя приведено среднее по шести прогонам, в каждом из которых тестируемый водитель не участвовал в обучении. F1 считается по сонному классу.

Устойчивость к смене водителя у трёх методов различна. У порогового классификатора средний F1 снижается до 0,58 при стандартном отклонении 0,17 по водителям. У SVM средний AUC равен 0,87 при стандартном отклонении 0,04, у Random Forest — 0,83 при стандартном отклонении 0,09. Для SVM среднее не ниже результата на смешанной выборке, для Random Forest оно практически совпадает с ним: 0,83 против 0,84. Составы тестов при этом различаются: здесь в тест входит вся поездка водителя, а не центральные 20 % окон. Среднего ухудшения у обучаемых методов нет.

Пороговый классификатор при этом неустойчив на отдельном водителе. По таблице 3 у водителя 1 его AUC равен 0,35, то есть ниже 0,5. У того же водителя AUC метода SVM составляет 0,80, а Random Forest снижается до 0,65. У водителей 2 и 4 все три метода дают сравнительно высокие значения. Средняя оценка по водителям поэтому не показывает случаи, в которых простое правило не переносится.

Таблица 3.

Проверка на новом водителе

Смена типа дороги снижает AUC обоих обучаемых методов до близких значений. При переносе с магистрали на второстепенную дорогу AUC равен 0,78 и у SVM, и у Random Forest, в обратном направлении — 0,77 и 0,78. Относительно 0,84 на смешанной выборке снижение составляет около 0,06–0,07. F1 снижается сильнее при переносе на второстепенную дорогу: 0,61 у SVM и 0,60 у Random Forest; в обратном направлении F1 Random Forest равен 0,73. Accuracy здесь смещена: сонных окон на второстепенной дороге меньше, и более высокое значение может давать преобладание класса «бодрствование».

Пороговый классификатор реагирует на смену дороги иначе, чем на смену водителя. Его AUC при переносе с магистрали равен 0,75, при переносе на магистраль — 0,64. Правило, настроенное на более извилистой дороге, где боковое ускорение повышено и в обычном режиме, хуже отделяет сонливость на магистрали.

На смешанной выборке наибольшую важность в Random Forest имеет стандартное отклонение положения в полосе, около 28 %. Далее следуют стандартное отклонение угловой скорости курса (около 11 %), доля смен её знака (около 10 %) и энергия бокового ускорения (около 9 %). Вклад скорости и продольного рывка меньше. Положение в полосе получено по дорожной камере смартфона, а не по камере, направленной на лицо, и относится к параметрам движения автомобиля.

Заключение

Пороговый классификатор по стандартному отклонению бокового ускорения уступает SVM и Random Forest и не сохраняет качество на каждом новом водителе. Обучаемые методы при смене водителя в среднем сохраняют AUC 0,83–0,87. При смене магистрали и второстепенной дороги их AUC снижается до 0,77–0,78. Наибольший вклад в Random Forest вносит разброс положения автомобиля в полосе.

Границы вывода определяются составом данных. Сонливость задана инструкцией, а не измерена шкалой Каролинска или электроэнцефалограммой. Сигналы зарегистрированы смартфоном и приведены к частоте 1 Гц, поэтому короткие коррекции курса, различимые по углу поворота руля на десятках герц, здесь наблюдаются лишь частично. Водителей шесть, агрессивный режим в сравнение не включён. Те же три проверки могут быть перенесены в экспериментальную главу выпускной работы и повторены по полному ряду акселерометра из архива набора.