Yapay Zekâ Teknikleri ile Sürücü Yorgunluk Tespit Sistemi
Abstract views: 22
/ 
PDF downloads: 23
DOI:
https://doi.org/10.5281/zenodo.14957424Keywords:
Sürücü Yorgunluk Tespiti, Yapay Zeka, Bulanık Mantık, Fotopletismografi (PPG), Kızılötesi Sensör, Biyometrik İzleme, Trafik GüvenliğiAbstract
Sürücü yorgunluğu, dünya genelinde trafik kazalarına neden olan kritik bir faktördür ve
araştırmalar, yorgunluk kaynaklı kazaların diğer nedenlere kıyasla daha yüksek ölüm oranlarına yol
açtığını göstermektedir. Bu çalışmada, sürücülerin fizyolojik verilerini kullanarak yorgunluklarını tespit
eden yenilikçi ve müdahalesiz bir sistem önerilmektedir. Sistem, direksiyon simidine entegre edilmiş bir
Fotopletismografi (PPG) sensörü ile nabız takibini sağlarken, kızılötesi sensör aracılığıyla burun
sıcaklığındaki değişimleri ölçerek sürücünün solunum hızını tahmin etmektedir. Elde edilen bu biyolojik
veriler, bulanık mantık tabanlı yapay zeka algoritmaları ile işlenerek sürücünün yorgunluk seviyesi gerçek
zamanlı olarak belirlenmektedir.
Önerilen sistem, uykusuzluk, dikkatsizlik ve otoyol hipnozu gibi yorgunluk kaynaklı kazaların temel
nedenlerini ele alarak sürücülere erken uyarılar sağlamayı hedeflemektedir. Geleneksel yorgunluk tespit
sistemleri genellikle sürücü davranışlarına veya araç hareket modellerine dayanırken, bu çalışmada
sürücüye özgü biyolojik sinyaller ile araç tabanlı veriler birleştirilerek daha yüksek doğruluk
sağlanmaktadır. Deneysel sonuçlar, çok kaynaklı veri entegrasyonunun tespit doğruluğunu artırdığını ve
sistemin gerçek dünya uygulamaları için yüksek güvenilirlik sunduğunu göstermektedir.
Bu araştırma, akıllı ulaşım sistemleri alanına katkıda bulunarak, modern araçlara entegre edilebilecek
gelişmiş bir yorgunluk tespit mekanizması sunmaktadır. Bulgular, biyometrik sensörlerin yapay zeka
destekli analizlerle birleştirilmesinin yorgunluk kaynaklı kazaların riskini önemli ölçüde azaltabileceğini
ve yol güvenliğini artırabileceğini göstermektedir. Gelecek çalışmalar, sistemin farklı sürüş koşullarına
adaptasyonunun iyileştirilmesi ve daha gelişmiş makine öğrenimi tekniklerinin entegrasyonu üzerine
odaklanacaktır.
Downloads
References
Healey, J. A., & Picard, R. W. (2005). Detecting stress during real-world driving tasks using physiological sensors. IEEE Transactions on Intelligent Transportation Systems, 6(2), 156-166.
Kwon, S., Kim, S., & Park, K. (2011). Validation of heart rate extraction using forehead photoplethysmographic sensor against ECG measurement. Medical engineering & physics, 33(7), 862-867.
Awais, M., Badruddin, N., & Drieberg, M. (2016). Driver drowsiness detection using multi-channel physiological sensors. Biomedical Signal Processing and Control, 24, 149-157.
Li, Y., Zhao, C., & Zhou, F. (2019). Real-time drowsiness detection using eye aspect ratio and machine learning techniques. IEEE Access, 7, 159437- 159447.
Singh, A., & Papanikolaou, A. (2020). A review on driver drowsiness detection techniques: Classifications, challenges, and open research issues. IEEE Transactions on Intelligent Transportation Systems.
Botros, N., & Sullivan, C. E. (2004). Impact of hypoxia on sleep and performance. Sleep Medicine Reviews, 8(5), 391-399.
Taylor, N. A., & Cotter, J. D. (2008). Heat adaptation: Guidelines for the optimization of human performance. International Journal of Sports Medicine, 29(3), 206-216
Sullivan, J. R., & Gopinath, B. (2011). Combined effects of hypoxia and heat stress on fatigue. Journal of Applied Physiology, 110(6), 1541-1548.
