智能驾驶员监控系统：道路安全中用于检测疲劳驾驶的技术综述

《ARTIFICIAL INTELLIGENCE REVIEW》：Intelligent driver monitoring systems: a survey of drowsiness detection technologies for road safety

　　

摘要

驾驶员疲劳是导致道路事故的公认因素之一。本综述系统地总结了各种驾驶员监测方法，这些方法涵盖了图像/视频、生理信号（脑电图EEG、心电图ECG、脉搏血氧饱和度PPG、眼电图EOG）以及多模态融合技术。我们使用PRISMA工作流程对2020至2025年间的主要文献数据库进行了系统性搜索，根据纳入标准筛选了全文，并对数据集、验证协议、评估指标和部署因素进行了编码（具体细节见“方法”部分）。在各种监测方式中，视觉监测从传统方法转向了深度学习（包括视觉变换器），而生理监测方法在能见度低的情况下具有较高的稳定性，但需要额外的硬件支持且会影响驾驶舒适性；多模态融合技术提高了系统的稳定性，但增加了计算和集成难度。所报告的性能结果高度依赖于具体实验协议：受试者依赖性或数据集内部的验证可能会夸大实际效果，而独立于受试者和跨数据集的测试则较为少见，但通常能提供更准确的评估结果。我们指出了一个评估标准方面的问题：数据集和实验协议的多样性导致不同研究之间的准确性比较存在误导性；因此我们统一了报告格式，并强调了操作性能指标的重要性。我们建议采用基于精确度-召回率分析（PR-AUC）的评估方法、操作点指标（例如在固定误报率下的召回率）、校准评估以及检测时间等指标来进行评估。此外，我们还讨论了隐私保护、法规要求以及部署相关问题（如边缘计算/设备端处理）。现有证据存在的局限性包括大规模道路研究的缺乏、基准数据的一致性不足以及跨人群验证的局限性。我们提出了一个针对该领域的具体研究议程，并构建了一个由多位作者共同参与的框架，在该框架中，驾驶员监控系统（DMS）可以在人类驾驶与自动驾驶之间进行安全性的协调控制，并通过可验证的安全指标来确保系统的可靠性。综上所述，这些研究为该领域提供了全面的概述和实用的评估指导。