Eine neue Studie zeigt, dass Algorithmen für maschinelles Lernen und Deep Learning müde Fahrer effektiv erkennen und so möglicherweise die Zahl der Verkehrsunfälle senken können. Der bahnbrechende Ansatz erreichte eine nahezu 100-prozentige Genauigkeit bei der Erkennung von Schläfrigkeit und ebnete damit den Weg für sichereres Fahren.
Forscher von Universitäten in den Vereinigten Arabischen Emiraten und Algerien haben bedeutende Fortschritte bei der Fahrersicherheit erzielt, indem sie einen Algorithmus entwickelten, der die Schläfrigkeit des Fahrers mit beispielloser Genauigkeit erkennt. Der innovative Ansatz nutzt Algorithmen für maschinelles Lernen (ML) und Deep Learning (DL), um Unfälle durch schläfrige Fahrer zu verhindern.
Laut der National Highway Traffic Safety Administration ist Müdigkeit in den USA jährlich für etwa 100,000 Verkehrsunfälle verantwortlich, die 1,500 Tote und 70,000 Verletzte zur Folge haben. Ziel dieser neuen Forschung ist es, diese alarmierende Statistik einzudämmen, indem die Fahrer mithilfe von Technologie vor ihrer Müdigkeit gewarnt werden, um ein rechtzeitiges Eingreifen zu gewährleisten.
„Die Erkennung von Schläfrigkeit bei Fahrern [ist] zu einer wichtigen Aufgabe geworden, die ein automatisiertes System erfordert, um diese negativen Folgen frühzeitig zu erkennen und zu verhindern“, sagte Saad Harous, Professor für Informatik an der Universität von Sharjah, in einem Pressemitteilung.
Die wesentliche Innovation der Studie liegt in der Verwendung der Elektroenzephalografie (EEG), die aufgrund ihrer Effizienz und Zuverlässigkeit allgemein als „Goldstandard“ zur Erkennung von Müdigkeit gilt. Bei herkömmlichen EEG-Müdigkeitserkennungssystemen ist es jedoch schwierig, optimale Vorverarbeitungsparameter zu bestimmen.
Diese Studie ist bahnbrechend in der Anwendung eines Optimierungsalgorithmus zum Ermitteln dieser Parameter, was zu hoher Genauigkeit und verkürzter Trainingszeit führt.
Die Forschung, veröffentlicht in der Zeitschrift Biomedical Signal Processing and Control, demonstriert die erfolgreiche Integration von Convolutional Neural Networks (CNN) mit ML-Klassifikatoren, wodurch ein tiefes hybrides Lernmodell entsteht.
Der durchschnittliche Genauigkeitswert des Algorithmus stieg nach der Optimierung von 91 % auf 95 % und konnte durch weitere Verbesserungen auf 97 % gesteigert werden. Besonders beeindruckend ist, dass das Hybridmodell bei einer erheblichen Verkürzung der Trainingszeit eine nahezu perfekte Genauigkeitsrate von 99.9 % erreichte.
„Und schließlich, und das ist das Wichtigste, wurde durch die Verwendung des CNN-SVM-Klassifikators die höchste durchschnittliche Genauigkeit von 99.9 % erreicht und die Trainingszeit auf einen geringen Wert reduziert“, stellten die Autoren in der Studie fest.
Die praktischen Auswirkungen dieser Forschung sind enorm. Der Einbau eines solchen Systems in Fahrzeuge könnte die Zahl der durch übermüdete Fahrer verursachten Unfälle drastisch reduzieren.
Harous betonte die gesellschaftlichen Auswirkungen und fügte hinzu: „Wenn das System von der Verkehrsbehörde übernommen wird, kann es große Auswirkungen auf die Gesellschaft haben.“
Mit Blick auf die Zukunft erwägen die Forscher praktische Anwendungen ihres Algorithmus, beispielsweise die Einbettung in eine Kamera oder ein mobiles Gerät, das am Armaturenbrett eines Autos montiert ist. Trotz der überzeugenden Ergebnisse haben sie noch kein Investitionsinteresse der Industrie geweckt, um das Projekt auf den Markt zu bringen.
„Wir haben noch keine E-Mails oder Einladungen von Unternehmen erhalten, die bereit sind, in das Projekt zu investieren oder uns bitten, unsere Arbeit vorzustellen, obwohl wir im Vergleich zu anderen Arbeiten in kürzerer Zeit die höchste Genauigkeit erreicht haben“, fügte Harous hinzu.
Die Forschung stellt einen vielversprechenden Schritt hin zu sichereren Straßen dar und unterstreicht das Potenzial künstlicher Intelligenz bei der Lösung realer Probleme. Während das Team seine Arbeit weiter verfeinert und nach Partnerschaften sucht, rückt der Traum, durch übermüdete Fahrer verursachte Unfälle nahezu auszuschließen, immer näher an die Realität.