Reconhecimento da ansiedade em motoristas: estudo de caso de uma arquitetura de inteligência artificial para identificação de padrões em vídeos de rastreamento ocular
Data
2021-06-07
Autores
Bastos, Wagner Gomes 
Orientadores
Mancini, Felipe
Tipo
Dissertação de mestrado
Título da Revista
ISSN da Revista
Título de Volume
Resumo
INTRODUÇÃO: O comportamento de ansiedade em motoristas pode ser relacionado aos erros de condução e, consequentemente, aos acidentes de trânsito, pois produz um decréscimo de desempenho na execução da tarefa de dirigir. O relacionamento entre os movimentos dos olhos e ansiedade tem sido investigado por meio do uso de dispositivos de rastreamento ocular. O estudo da ansiedade por meio do rastreamento ocular produz vídeos com uma grande quantidade de imagens (frames). Estas imagens necessitam que a inspeção visual seja realizada pelo pesquisador, possibilitando erros ou comprometendo a reprodutibilidade do resultado da pesquisa. Os dados provenientes da inspeção visual necessitam de uma análise que possibilite a identificação de padrões de ansiedade em motoristas. OBJETIVO GERAL: Propor uma arquitetura computacional baseada em Inteligência Artificial em dados de rastreamento ocular para identificação de padrões de ansiedade estado de motoristas em ambiente simulado. MATERIAL E MÉTODOS: Esta pesquisa é dividida em duas etapas. A primeira parte é de caráter quantitativa e correlacional, pois será realizada a inspeção automática das imagens dos vídeos, por meio de visão computacional para correlacioná-las com a inspeção visual do pesquisador. A segunda parte é de caráter quantitativa e exploratória, pois será utilizado algoritmos de aprendizado de máquina, sobre os dados provenientes da inspeção automática por visão computacional, com o objetivo de procurar por perfis de ansiedade. Também foi realizada uma revisão integrativa da literatura para identificação do estado da arte nas pesquisas de visão computacional, aprendizado de máquina e rastreamento ocular para a área da saúde. RESULTADOS: No pipeline de aprendizado de máquina utilizando SOM e árvore de decisão obteve-se a melhor acurácia de 62,25% na correlação da característica variância das localizações das fixações com a ansiedade estado. No pipeline de aprendizado de máquina utilizando regressão logística binária identificou-se as características, candidatas a indicadores de ansiedade estado, velocímetro e pista com acurácia de 90% e AUC de 0,79 para motoristas experientes e baixo reinvestidores. CONCLUSÃO: Uma arquitetura computacional com inteligência artificial em dados de rastreamento ocular foi criada e validada para predição da ansiedade estado de motoristas em ambiente simulado. Espera-se que novos estudos façam uso desta arquitetura para diagnóstico da ansiedade estado em aplicações de treinamento de motorista, sistemas de advertência e/ou controle de veículos, a fim de contribuir com a redução de acidentes.
INTRODUCTION: The anxiety behavior in drivers can be related to driving errors and, consequently, to traffic accidents, as it produces a decrease in execution’ performance of the driving task. The relationship between eye movements and anxiety has been investigated through the use of eye tracking devices. The study of anxiety through eye tracking produces videos with a large number of images (frames). These images require the visual inspection to be carried out by the researcher, allowing errors or compromising the reproducibility of the research result. The data from the visual inspection need an analysis that allows the identification of anxiety patterns in drivers. GENERAL OBJECTIVE: Propose a computational architecture based on Artificial Intelligence in eye tracking data to identify patterns of anxiety in the driver's state in a simulated environment. MATERIAL AND METHODS: This research is divided into two parts. The first part is quantitative and correlational, since the automatic inspection of the videos images will be performed, through computer vision to correlate them with the visual inspection of the researcher. The second part is quantitative and exploratory, as machine learning algorithms will be used, on the data from the automatic inspection by computer vision, in order to search for anxiety profiles. An integrative literature review was also carried out to identify the state of the art in computer vision research, machine learning and eye tracking for the health area. RESULTS: In the machine learning pipeline using SOM and decision tree, the best accuracy of 62.25% was obtained in the correlation of the characteristic variance of fixation locations with state anxiety. In the machine learning pipeline using binary logistic regression, the characteristics were identified, candidates for state, speedometer and lane anxiety indicators with 90% accuracy and 0.79 AUC for experienced drivers and low reinvestors. CONCLUSION: A computational architecture with artificial intelligence on eye tracking data was created and validated to predict the anxiety state of drivers in a simulated environment. It is expected that further studies make use of this architecture to diagnose state anxiety in driver training applications, warning systems and/or vehicle control, in order to contribute to the reduction of accidents.
INTRODUCTION: The anxiety behavior in drivers can be related to driving errors and, consequently, to traffic accidents, as it produces a decrease in execution’ performance of the driving task. The relationship between eye movements and anxiety has been investigated through the use of eye tracking devices. The study of anxiety through eye tracking produces videos with a large number of images (frames). These images require the visual inspection to be carried out by the researcher, allowing errors or compromising the reproducibility of the research result. The data from the visual inspection need an analysis that allows the identification of anxiety patterns in drivers. GENERAL OBJECTIVE: Propose a computational architecture based on Artificial Intelligence in eye tracking data to identify patterns of anxiety in the driver's state in a simulated environment. MATERIAL AND METHODS: This research is divided into two parts. The first part is quantitative and correlational, since the automatic inspection of the videos images will be performed, through computer vision to correlate them with the visual inspection of the researcher. The second part is quantitative and exploratory, as machine learning algorithms will be used, on the data from the automatic inspection by computer vision, in order to search for anxiety profiles. An integrative literature review was also carried out to identify the state of the art in computer vision research, machine learning and eye tracking for the health area. RESULTS: In the machine learning pipeline using SOM and decision tree, the best accuracy of 62.25% was obtained in the correlation of the characteristic variance of fixation locations with state anxiety. In the machine learning pipeline using binary logistic regression, the characteristics were identified, candidates for state, speedometer and lane anxiety indicators with 90% accuracy and 0.79 AUC for experienced drivers and low reinvestors. CONCLUSION: A computational architecture with artificial intelligence on eye tracking data was created and validated to predict the anxiety state of drivers in a simulated environment. It is expected that further studies make use of this architecture to diagnose state anxiety in driver training applications, warning systems and/or vehicle control, in order to contribute to the reduction of accidents.