JP2020185284A - 着座者の眠気推定システム - Google Patents
着座者の眠気推定システム Download PDFInfo
- Publication number
- JP2020185284A JP2020185284A JP2019093239A JP2019093239A JP2020185284A JP 2020185284 A JP2020185284 A JP 2020185284A JP 2019093239 A JP2019093239 A JP 2019093239A JP 2019093239 A JP2019093239 A JP 2019093239A JP 2020185284 A JP2020185284 A JP 2020185284A
- Authority
- JP
- Japan
- Prior art keywords
- drowsiness
- seated person
- sampling time
- sensor
- estimation system
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
Description
眠気推定システム1は、着座者を対象とし、着座者の眠気レベルを推定する。着座者は、任意の座面に着座している者である。着座者としては、近年における自動運転に伴って、自動車や電車などの車両の運転者が対象として好適であるが、運転者に限定されるものではない。
(2−1.第一例のセンサ10の構成)
第一例のセンサ10の構成について、図3を参照して説明する。図3においては、着座者2が、車両の運転者である場合を例に挙げる。つまり、着座者2は、車両のシート31に着座しており、ステアリングホイール32を把持している。
第二例のセンサ10の構成について、図4を参照して説明する。眠気推定システム1は、第二例のセンサ10として、脈拍および呼吸を検出するためのカメラ14と、座圧分布を検出する面状感圧センサ13とを備える。カメラ14によって撮像された着座者2の顔画像または顔動画により、脈拍および呼吸を検出することが可能である。
第三例のセンサ10の構成について、図5を参照して説明する。眠気推定システム1は、第三例のセンサ10として、シート31の座面に配置された1枚の面状感圧センサ15を備える。面状感圧センサ15は、着座者2の大腿部(太もも)または臀部(尻)における動脈の動きを検出することで、脈拍を検出するセンサとして機能すると共に、呼吸を検出するセンサとして機能する。さらに、面状感圧センサ15は、着座者2の座圧分布を検出する座圧センサとしても機能する。つまり、面状感圧センサ15は、脈拍、呼吸および座圧の全てを検出することができる共通のセンサとなる。なお、面状感圧センサ15は、大腿部および臀部に限らず、心臓の脈動に由来する体の振動を検出することができる部位に配置すればよい。
面状感圧センサ13,15の構成の一例について、図6を参照して説明する。面状感圧センサ13,15は、可撓性を有し、面状に形成されている。面状感圧センサ13,15は、面法線方向に、圧縮変形可能である。面状感圧センサ13,15は、例えば、8列の第一電極13a,15aと、16列の第二電極13b,15bと、誘電層13c,15cとを備える。なお、第一電極13a,15aと第二電極13b,15bの列数は、適宜変更可能である。
第一例の推定処理装置20の構成について、図7および図8を参照して説明する。推定処理装置20は、上述したように、機械学習アルゴリズムにより構築された学習済みモデルを用いて、眠気レベルを推定する。以下において、推定処理装置20の構成について、機械学習における学習フェーズと推定フェーズとに分けて説明する。ここで、以下の説明においては、眠気推定システム1が、図3に示す第一例のセンサ10を備える場合を例に挙げるが、図4に示す第二例のセンサ10および図5に示す第三例のセンサ10を備える場合にも、実質的に同様の構成となる。
学習フェーズにおいて、第一例の推定処理装置20は、図7に示すように、脈拍信号取得部21、呼吸信号取得部22、座圧信号取得部23、特徴量抽出部24、眠気レベル取得部25、学習済みモデル生成部26および学習済みモデル記憶部27を備える。
推定フェーズにおいて、第一例の推定処理装置20は、図8に示すように、脈拍信号取得部21、呼吸信号取得部22、座圧信号取得部23、特徴量抽出部24、学習済みモデル記憶部27および推定処理部28を備える。脈拍信号取得部21、呼吸信号取得部22、座圧信号取得部23、特徴量抽出部24および学習済みモデル記憶部27は、学習フェーズにおいて説明した各構成と同様である。
以下に、推定処理装置20にて適用される機械学習アルゴリズムの例について説明する。ここで、特徴量として、脈拍、呼吸および座圧に関する基本情報が用いられる。これらの特徴量は何れも、眠気に応じて時間変化を伴うものである。例えば、眠気レベルが高い場合には、脈拍信号のピーク間隔が徐々に変化する。また、眠気レベルが高い場合には、呼吸信号のピーク間隔が徐々に変化する。また、眠気レベルが高い場合には、座り直しなどに伴って座圧分布が変化する。
特徴量抽出部24により抽出される複数の特徴量について説明する。上述したように、特徴量抽出部24は、脈拍信号取得部21により取得される脈拍に関する基本情報に基づいて、1つまたは複数の特徴量を抽出する。つまり、脈拍に関する特徴量は、以下の(A1)〜(A8)である。
(A1)所定サンプリング時間Tsamにおける脈拍信号ピーク間隔Dnの平均値
(A2)所定セグメント時間Tsegごとの脈拍信号ピーク間隔Dnの平均値のそれぞれを母集団とした場合に所定サンプリング時間Tsamにおける母集団の標準偏差
(A3)所定サンプリング時間Tsamにおける脈拍信号ピーク間隔Dnの標準偏差
(A4)所定セグメント時間Tsegごとの脈拍信号ピーク間隔Dnの標準偏差のそれぞれを母集団とした場合に所定サンプリング時間Tsamにおける母集団の平均値
(A5)隣接する脈拍信号ピーク間隔Dnの差の二乗値についての所定サンプリング時間Tsamにおける平均値の平方根
(A6)隣接する脈拍信号ピーク間隔Dnの差の絶対値についての所定サンプリング時間Tsamにおける平均値
(A7)隣接する脈拍信号ピーク間隔Dnの差についての所定サンプリング時間Tsamにおける標準偏差
(A8)所定サンプリング時間Tsamにおいて隣接する脈拍信号ピーク間隔Dnの差が50msecを超える比率
(B1)所定サンプリング時間Tsamにおける呼吸信号ピーク間隔Enの平均値
(B2)所定セグメント時間Tsegごとの呼吸信号ピーク間隔Enの平均値のそれぞれを母集団とした場合に所定サンプリング時間Tsamにおける母集団の標準偏差
(B3)所定サンプリング時間Tsamにおける呼吸信号ピーク間隔Enの標準偏差
(B4)所定セグメント時間Tsegごとの呼吸信号ピーク間隔Enの標準偏差のそれぞれを母集団とした場合に所定サンプリング時間Tsamにおける母集団の平均値
(B5)隣接する呼吸信号ピーク間隔Enの差の二乗値についての所定サンプリング時間Tsamにおける平均値の平方根
(B6)隣接する呼吸信号ピーク間隔Enの差の絶対値についての所定サンプリング時間Tsamにおける平均値
(B7)隣接する呼吸信号ピーク間隔Enの差についての所定サンプリング時間Tsamにおける標準偏差
(C1)所定サンプリング時間Tsamにおける座圧信号の基線からのゆらぎ
(C2)所定サンプリング時間Tsamにおける左右の座圧信号の重心位置の逐次差分の標準偏差
(C3)所定サンプリング時間Tsamにおける座圧信号の重心位置の分散共分散行列が定める楕円の面積
(C4)所定サンプリング時間Tsamにおける左右の座圧信号の重心位置の標準偏差
第二例の推定処理装置20の構成について、図15−図17を参照して説明する。ここで、第二例の推定処理装置20において、図7および図8に示す第一例の推定処理装置20と同一構成については同一符号を付す。また、第二例の推定処理装置20について、第一例と同様に、学習フェーズと推定フェーズに分けて説明する。
学習フェーズにおいて、第二例の推定処理装置20は、脈拍信号取得部21、呼吸信号取得部22、座圧信号取得部23、特徴量抽出部24、眠気レベル取得部25、学習済みモデル生成部26aおよび学習済みモデル記憶部27aを備える。学習済みモデル生成部26aは、複数の学習済みモデルを生成し、生成された複数の学習済みモデルは、学習済みモデル記憶部27aに記憶される。ここで、複数の学習済みモデルは、同一の訓練データを用いた教師あり学習を行うことにより生成される。
推定フェーズにおいて、第二例の推定処理装置20は、脈拍信号取得部21、呼吸信号取得部22、座圧信号取得部23、特徴量抽出部24、学習済みモデル記憶部27aおよび推定処理部28aを備える。推定処理部28aは、複数の特徴量と複数の学習済みモデルのそれぞれとに基づいて着座者2の複数の予備眠気レベルを推定し、さらに複数の予備眠気レベルに基づいて眠気レベルを推定する。
本例における機械学習アルゴリズム50(以下、アルゴリズム50と称する)は、図17に示すように、複数のエコーステートネットワークを用いて構成される。つまり、アルゴリズム50は、入力層51と、複数の内部層52a,52b,52c、複数の出力層53a,53b,53c、総合出力層54を備える。そして、入力層41、内部層52a,52b,52cの1つ、出力層53a,53b,53cの1つが、1つの学習済みモデルを構成する。
第三例の推定処理装置20の構成について、図18および図19を参照して説明する。第三例の推定処理装置20は、着座者2の体格に応じた学習済みモデルを用いて眠気レベルを推定する。脈拍、呼吸および座圧は、人間の体格に応じて異なることが知られている。そこで、より高精度に眠気レベルを推定するために、着座者2の体格に応じて、判定に用いる学習済みモデルを変更する。
学習フェーズにおいて、第三例の推定処理装置20は、図18に示すように、脈拍信号取得部21、呼吸信号取得部22、座圧信号取得部23、特徴量抽出部24、体格判定部121、眠気レベル取得部25、学習済みモデル生成部26bおよび学習済みモデル記憶部27bを備える。
推定フェーズにおいて、第三例の推定処理装置20は、図19に示すように、脈拍信号取得部21、呼吸信号取得部22、座圧信号取得部23、特徴量抽出部24、体格判定部121、学習済みモデル記憶部27bおよび推定処理部28bを備える。推定処理部28bは、学習済みモデル記憶部27bに記憶されている複数の学習済みモデルの中から、体格センサ131により検出された着座者2の体格に応じた学習済みモデルを決定する。そして、推定処理部28bは、複数の特徴量と体格センサ131により検出された着座者2の体格に応じた学習済みモデルとに基づいて着座者2の眠気レベルを推定する。
推定処理装置20による眠気レベルの推定精度について確認するための実験を行った。第一例の推定処理装置20を適用し、さらに機械学習アルゴリズム40は、エコーステートネットワークを適用する。また、第一例のセンサ10を適用する。
ドライビングシミュレータを用い、被験者による高速道路を模擬したコースでの走行を行った。実験時間は、1回あたりおよそ1時間とし、一定速度120km/hでの走行とした。また、実験室は、眠気を誘発しやすくするために、実験室の照明は点灯せずに行うと共に、走行するコースは、単調な直線のコースを採用した。
9人の9回分のテストデータについて、3人の3回分についての結果を、図21A、図21B、図21Cに示す。各図において、破線が真値を示し、実線が推定値を示す。
Claims (15)
- 着座者の脈拍、前記着座者の呼吸および前記着座者による座圧の少なくとも2種の基本情報を検出するセンサと、
前記センサにより検出される前記基本情報に基づいて前記着座者の眠気を推定する推定処理装置と、
を備え、
前記推定処理装置は、
前記基本情報に基づいて機械学習に用いる複数の特徴量を抽出する特徴量抽出部と、
所定の機械学習アルゴリズムにより構築されたモデルであって、前記複数の特徴量に基づいて前記着座者の眠気レベルを判定するための学習済みモデルを記憶する学習済みモデル記憶部と、
前記複数の特徴量と前記学習済みモデルとに基づいて前記着座者の眠気レベルを推定する推定処理部と、
を備える、眠気推定システム。 - 前記基本情報は、少なくとも前記脈拍を含む、請求項1に記載の眠気推定システム。
- 前記基本情報は、前記脈拍、前記呼吸および前記座圧の3種を含む、請求項1または2に記載の眠気推定システム。
- 前記特徴量抽出部は、前記脈拍に関する特徴量として、
所定サンプリング時間における脈拍信号ピーク間隔の平均値、
所定セグメント時間ごとの脈拍信号ピーク間隔の平均値のそれぞれを母集団とした場合に所定サンプリング時間における母集団の標準偏差、
所定サンプリング時間における脈拍信号ピーク間隔の標準偏差、
所定セグメント時間ごとの脈拍信号ピーク間隔の標準偏差のそれぞれを母集団とした場合に所定サンプリング時間における母集団の平均値、
隣接する脈拍信号ピーク間隔の差の二乗値についての所定サンプリング時間における平均値の平方根、
隣接する脈拍信号ピーク間隔の差の絶対値についての所定サンプリング時間における平均値、
隣接する脈拍信号ピーク間隔の差についての所定サンプリング時間における標準偏差、
所定サンプリング時間において隣接する脈拍信号ピーク間隔の差が50msecを超える比率、
のうち少なくとも1つを抽出する、請求項2または3に記載の眠気推定システム。 - 前記基本情報は、少なくとも前記呼吸を含み、
前記特徴量抽出部は、前記呼吸に関する特徴量として、
所定サンプリング時間における呼吸信号ピーク間隔の平均値、
所定セグメント時間ごとの呼吸信号ピーク間隔の平均値のそれぞれを母集団とした場合に所定サンプリング時間における母集団の標準偏差、
所定サンプリング時間における呼吸信号ピーク間隔の標準偏差、
所定セグメント時間ごとの呼吸信号ピーク間隔の標準偏差のそれぞれを母集団とした場合に所定サンプリング時間における母集団の平均値、
隣接する呼吸信号ピーク間隔の差の二乗値についての所定サンプリング時間における平均値の平方根、
隣接する呼吸信号ピーク間隔の差の絶対値についての所定サンプリング時間における平均値、
隣接する呼吸信号ピーク間隔の差についての所定サンプリング時間における標準偏差、
のうち少なくとも1つを抽出する、請求項1−3の何れか1項に記載の眠気推定システム。 - 前記基本情報は、少なくとも前記座圧を含み、
前記特徴量抽出部は、前記座圧に関する特徴量として、
所定サンプリング時間における座圧信号の重心位置の基線からのゆらぎ、
所定サンプリング時間における左右の座圧信号の重心位置の逐次差分の標準偏差、
所定サンプリング時間における座圧信号の重心位置の分散共分散行列が定める楕円の面積、
所定サンプリング時間における左右の座圧信号の重心位置の標準偏差、
のうち少なくとも1つを抽出する、請求項1−3の何れか1項に記載の眠気推定システム。 - 前記学習済みモデルは、カメラにより撮像された前記着座者の顔表情に基づいて複数の評価者が評価した眠気レベルを教師データとして生成された、請求項1−6の何れか1項に記載の眠気推定システム。
- 前記学習済みモデルは、前記着座者の自己申告による眠気レベルを教師データとして生成された、請求項1−6の何れか1項に記載の眠気推定システム。
- 前記機械学習アルゴリズムは、リカレントニューラルネットワーク(RNN)である、請求項1−8の何れか1項に記載の眠気推定システム。
- 前記機械学習アルゴリズムは、リカレントニューラルネットワーク(RNN)の1種であるエコーステートネットワーク(ESN)である、請求項9に記載の眠気推定システム。
- 前記学習済みモデル記憶部は、複数の前記学習済みモデルを記憶し、
前記推定処理部は、
前記複数の特徴量と複数の前記学習済みモデルのそれぞれとに基づいて前記着座者の複数の予備眠気レベルを推定し、
前記複数の予備眠気レベルに基づいて前記眠気レベルを推定する、
請求項1−10の何れか1項に記載の眠気推定システム。 - 前記学習済みモデル記憶部は、前記着座者の体格に応じた複数の前記学習済みモデルを記憶し、
前記眠気推定システムは、さらに、前記着座者の体格を検出する体格センサを備え、
前記推定処理部は、前記複数の特徴量と、前記体格センサにより検出された前記着座者の前記体格に応じた前記学習済みモデルとに基づいて、前記着座者の眠気レベルを推定する、請求項1−11の何れか1項に記載の眠気推定システム。 - 前記着座者は、車両の運転者である、請求項1−12の何れか1項に記載の眠気推定システム。
- 前記センサは、座面に配置された1枚の面状感圧センサであり、前記脈拍、前記呼吸および前記座圧の全てを検出する共通のセンサである、請求項1−13の何れか1項に記載の眠気推定システム。
- 前記センサは、
前記脈拍および前記呼吸の少なくとも一方を検出するカメラと、
前記座圧を検出する面状感圧センサと、
を備える、請求項1−13の何れか1項に記載の眠気推定システム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019093239A JP2020185284A (ja) | 2019-05-16 | 2019-05-16 | 着座者の眠気推定システム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019093239A JP2020185284A (ja) | 2019-05-16 | 2019-05-16 | 着座者の眠気推定システム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2020185284A true JP2020185284A (ja) | 2020-11-19 |
Family
ID=73221152
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019093239A Pending JP2020185284A (ja) | 2019-05-16 | 2019-05-16 | 着座者の眠気推定システム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2020185284A (ja) |
-
2019
- 2019-05-16 JP JP2019093239A patent/JP2020185284A/ja active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lee et al. | Wearable glove-type driver stress detection using a motion sensor | |
Lanatà et al. | How the autonomic nervous system and driving style change with incremental stressing conditions during simulated driving | |
EP3158392B1 (en) | System and method for responding to driver state | |
US10618522B2 (en) | Drowsiness detection and intervention system and method | |
Li et al. | A novel learning model of driver fatigue features representation for steering wheel angle | |
Lee et al. | Wearable mobile-based emotional response-monitoring system for drivers | |
CN106073712B (zh) | 基于心生理信号的驾驶警示方向盘套装置及信号检测方法 | |
Lee et al. | Smartwatch-based driver vigilance indicator with kernel-fuzzy-C-means-wavelet method | |
IT201900005868A1 (it) | Procedimento di elaborazione di un segnale elettrofisiologico, sistema, prodotto informatico e veicolo corrispondenti | |
Katsis et al. | Emotion recognition in car industry | |
US20100069795A1 (en) | Method and system for contour fitting and posture identification, and method for contour model adaptation | |
Thorey et al. | AI vs Humans for the diagnosis of sleep apnea | |
WO2018180134A1 (ja) | 感情認識装置および感情認識プログラム | |
Li et al. | Machine learning assessment of visually induced motion sickness levels based on multiple biosignals | |
Jiang et al. | Denoising and chaotic feature extraction of electrocardial signals for driver fatigue detection by Kolmogorov entropy | |
Lee et al. | Development of three driver state detection models from driving information using vehicle simulator; normal, drowsy and drunk driving | |
Kang et al. | A Precise Muscle activity onset/offset detection via EMG signal | |
Dehzangi et al. | Multi-modal system to detect on-the-road driver distraction | |
Ma et al. | Smart cushion-based activity recognition: Prompting users to maintain a healthy seated posture | |
Hayashi et al. | Toward health–related accident prevention: Symptom detection and intervention based on driver monitoring and verbal interaction | |
Kau et al. | Pressure-sensor-based sleep status and quality evaluation system | |
Hongchang et al. | Monitoring driving psychological fatigue through unconstrained heartbeat signal extraction by using pressure sensor array | |
JP2020185284A (ja) | 着座者の眠気推定システム | |
KR20140073669A (ko) | 운전능력 평가시스템 | |
Murugan et al. | Analysis of different measures to detect driver states: A review |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200205 |
|
A711 | Notification of change in applicant |
Free format text: JAPANESE INTERMEDIATE CODE: A711 Effective date: 20200205 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20200205 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200312 |
|
RD02 | Notification of acceptance of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7422 Effective date: 20210301 |