驾驶员 drowsiness 检测的对抗鲁棒性与特征影响分析
机器学习
2023-06-13 v1 系统与控制
系统与控制
摘要
疲劳驾驶是道路交通事故的主要原因，但驾驶员忽视了疲劳对其反应时间的影響。为在任何功能受损发生前检测困倦，一种有前景的策略是利用机器学习（ML）监测心率变异性（HRV）信号。本工作给出了使用不同 HRV 时间窗与 ML 模型的多个实验、基于 Shapley Additive Explanations（SHAP）的特征影响分析，以及评估其在处理故障输入数据与受扰 HRV 信号时可靠性的对抗鲁棒性分析。最可靠的模型是 Extreme Gradient Boosting（XGB），最优时间窗为 120 至 150 秒之间。此外，SHAP 实现了 18 个最具影响特征的筛选，并训练了性能与初始模型相当更小的新型模型。尽管所有模型都易受对抗攻击，对抗训练使它们保持了显著更高的结果，尤其是 XGB。因此，ML 模型可显著受益于真实对抗训练，从而提供更鲁棒的驾驶员 drowsiness 检测。
引用
@article{arxiv.2303.13649,
title = {Adversarial Robustness and Feature Impact Analysis for Driver Drowsiness Detection},
author = {João Vitorino and Lourenço Rodrigues and Eva Maia and Isabel Praça and André Lourenço},
journal= {arXiv preprint arXiv:2303.13649},
year = {2023}
}
备注
10 pages, 2 tables, 3 figures, AIME 2023 conference