Analýza fyziologických dat řidičů při variabilních situacích

Abstract

Diplomová práce se zabývá analýzou a klasifikací fyziologických dat řidičů získaných během simulovaných jízd v různých situacích se stresovou náročností. Hlavními zkoumanými fyziologickými parametry byly srdeční rytmus (HR), variabilita srdečního rytmu (HRV) a galvanické odezvy kůže (GSR), které umožňují objektivní hodnocení stresových faktorů a emocionálních reakcí řidičů. Práce se zaměřuje na předzpracování fyziologických signálů v situacích stresové náročnosti, implementaci algoritmů pro identifikaci vazeb mezi fyziologickými projevy a specifickými jízdními situacemi, a na kvantitativní hodnocení těchto vazeb. Klasifikace stresových situací pomocí fyziologických signálů zahrnovala jak klasické statistické metody, tak využití pokročilých přístupů, jako jsou modely Support Vector Machines (SVM) a modely mělkých neuronových sítí, s cílem zvýšit přesnost detekce stresu v situacích. Výsledky práce ukázaly, že kombinace parametrů HR a GSR poskytuje spolehlivější výsledky klasifikace stressových situací než kombinace parametrů HRV a GSR pro krátké 6-7 minutové signály. Nejvyšší dosažené 95% přesnosti binární stresové klasifikace bylo dosaženo pomocí mělkých neuronových sítí na základě parametrů HR a GSR. Navržené metody a algoritmy byly úspěšně ověřeny na reálných datech a prokázaly potenciál pro implementaci v systémech asistence řidiče.

The thesis focuses on the analysis and classification of drivers' physiological data collected during simulated drives under various stress-inducing situations. The main physiological parameters examined were heart rate (HR), heart rate variability (HRV), and galvanic skin response (GSR), which enable objective evaluation of stress factors and drivers' emotional reactions. The work focuses on the preprocessing of physiological signals during stress-inducing situations, the implementation of algorithms for identifying relationships between physiological responses and specific driving scenarios, and the quantitative evaluation of these relationships.The classification of stress-related situations based on physiological signals involved both traditional statistical methods and advanced approaches, such as Support Vector Machine (SVM) models and shallow neural network models, aiming to improve the accuracy of stress detection in different situations. The results demonstrated that the combination of HR and GSR parameters provides more reliable stress situation classification outcomes compared to the combination of HRV and GSR parameters for short 6–7 minute signal recordings.The highest achieved 95% accuracy in binary stress classification was obtained using shallow neural networks based on HR and GSR parameters.The proposed methods and algorithms were successfully validated on real-world data and demonstrated potential forimplementation in driver assistance systems.