Machine Learning for Physiological-Data-Based Driver Monitoring Systems: A Comparative Review and Experimental Case Study on Classification and Regression Approaches

Özet

Trafik kazaları, küresel çapta büyük kayıplara yol açan ciddi bir sorundur ve temelinde yorgunluk, dikkat kaybı ile uyku hali gibi insani faktörler yatar. Erken dönem ADAS sistemleri dış tehditleri ve araç dinamiklerini izleyerek daha çok reaktif (tepkisel) önlemlere odaklanırken, günümüzde proaktif (önleyici) Sürücü İzleme Sistemlerine (SİS) doğru temel bir paradigma değişimi yaşanmaktadır. Bu modern sistemler, kritik bir durum henüz ortaya çıkmadan riskleri tahmin edip önleyebilmek adına doğrudan sürücünün vücudundan alınan fizyolojik verileri kullanır. Bu çalışma, makine öğrenmesi (MÖ) modellerinin sürücü fizyolojik verilerini analiz etmede nasıl kullanıldığını incelemekte; sınıflandırma ve regresyon yaklaşımlarını karşılaştırmalı olarak ele alan kapsamlı bir literatür derlemesi sunmaktadır. Çalışmada temel fizyolojik ve davranışsal metrikler incelenmiş, çeşitli MÖ modellerinin uygulama alanları ve etkinlikleri analiz edilmiş; ayrıca veri değişkenliği, gerçek zamanlı işleme zorlukları ve sensör kısıtlamaları gibi kritik sorunlar tartışılmıştır. Derleme sonucunda, derin öğrenme yöntemlerinin artan gücü ve bu sistemlerin gerçek dünya koşullarında sağlam, genellenebilir bir şekilde çalışabilmesi için çok modlu sensör füzyonunun taşıdığı stratejik önem açıkça vurgulanmaktadır