אלגוריתם למידת מכונה יכול לסייע במניעת נהיגה בעייפות

This post is also available in: English (אנגלית)

מחקר חדש מאוניברסיטת שארג'ה חשף אלגוריתם חדשני של למידת מכונה (ML) ולמידה עמוקה (DL) שנועד לזהות עייפות בנהגים – דבר שיכול, פוטנציאלית, להיות מציל חיים עבור אלפי אנשים מדי שנה. המחקר, שפורסם ב-Biomedical Signal Processing Control, מציע פתרון מבטיח לבעיית העייפות – בעיית בטיחות חמורה בכביש.

פרופ' סעד הארוס, החוקר הראשי, מציין כי עייפות היא הגורם המוביל לתאונות דרכים, ומנהל הבטיחות בדרכים בארה"ב מעריך כי היא מובילה ל-100,000 תאונות בשנה, וכתוצאה מכך ל-1,500 מקרי מוות ו-70,000 פציעות. "גילוי עייפות הנהג הפך למשימה חשובה המחייבת מערכת אוטומטית כדי לזהות ולמנוע תוצאות הרסניות אלה בשלב מוקדם", אמר, על פי TechXplore.

המחקר משתמש במכשיר אא"ג, שיטה מוכרת לזיהוי עייפות, ומשלב אותה עם טכניקות ML חדשניות, ספציפית רשתות עצביות קונבוליות (CNNs). CNNs, סוג של אלגוריתם של למידה עמוקה, מיומנים בניתוח נתונים מורכבים, כמו אותות מוח. החוקרים יישמו אלגוריתם אופטימיזציה אקראי לחיפוש כדי לכוונן את הפרמטרים של EEG לפני עיבוד, דבר שמעולם לא נעשה בעבר במחקר איתור עייפות.

לאחר אופטימיזציה של הפרמטרים, החוקרים השיגו תוצאות מדהימות. הדיוק של המערכת שלהם זינק מ-91% ל-95%, וכוונון עדין יותר באמצעות Optuna Hyperparameter framework  הגביר את הדיוק ל-97%. מסווג ה- CNN-SVMשל הצוות – שילוב של CNN עם מסווגי למידת מכונה – הגיע לדיוק מרשים של 99.9%, תוך הפחתת זמן האימון באופן משמעותי.

אלגוריתם זה יכול לעזור בקרוב לזהות עייפות בדיוק גבוה, ולהתריע נהגים מפני עייפות שעלולה להוביל לתאונות. אם תאומץ על ידי רשויות התחבורה, לטכנולוגיה זו יכולה להיות השפעה עצומה על החברה.

למרות התוצאות המבטיחות, החוקרים עדיין מחפשים עניין בתעשייה ליישום. הארוס מקווה שהטכנולוגיה, שמשתלבת במערכות רכב, תוכל לשנות את כללי המשחק בבטיחות בדרכים. עם פריצת דרך הזו, הצוות התקדם משמעותית לקראת הפחתת תאונות הנגרמות על ידי נהיגה בעייפות ושיפור בטיחות הציבור בכבישים.