Förartrötthet har fått ökad uppmärksamhet under de senaste åren och anses vara en viktig orsak till ca 15- 30% av alla trafikolyckor. Ett sätt att upptäcka sömnighet är med hjälp av fysiologiska mätningar. Av den anledningen är hjärtfrekvensvariabilitet (HRV) och dess relation till förares sömnighet i fokus i denna studie, där förhållandet mellan hjärtfrekvensvariation och förares sömnighet har studerats. Baserat på denna studie och med hjälp av maskinlärande metoder har en algoritm för att identifiera förarens sömnighet utvecklats. Denna algoritm baseras på en klassificerare som har förmåga att diskriminera mellan vaken och sömnig förare. Studien genomfördes i en grupp på 80 förare som kör på en offentlig motorväg 3 gånger om dagen - morgon, eftermiddag och kväll. Subjektiv sömnighet utvärderas var 5:e minut, vilket leder till över 3500 epoker att analysera. Innan beräkning av HRV index, görs ´outlier detection´ på hjärtats slag-till slag variation (interbeat intervall; IBI) genom ett godtyckligt val. För HRV indexen i frekvensplanet, representerar spektral omvandling ett godtyckligt andrahandsval. Alla potentiellt lämpliga metoder testades för att utvärdera att val av metod inte skulle ha en betydande inverkan. Slutlig ´outlier detection´ baserades på att IBI skiljer sig med mer än 30% från medelvärdet av de fyra föregående intervallerna, och spektrala omvandlingen baserades på fouriertransform. Som klassificerare användes en stödvektormaskin (SVM) med radiell kärna. Algoritmen för detektion av förares sömnighet uppnådde en mycket hög noggrannhet på tio gånger kors-validering. Prestanda, mätt som ´area under kurvan´ (AUC) hos ROC (receiving operating characteristic) var över 0,93.

Driver fatigue has received increased attention during recent years and it is now considered to be a major contributor to approximately 15-30% of all crashes. One way to detect sleepiness is with help of physiological measurements. For that reason heart rate variability (HRV) and its relation to drivers´ sleepiness is in focus of this study. The relationship between heart rate variability and drivers´ sleepiness have been studied. Based on this study and using machine learning methods an algorithm to detect driver sleepiness was developed. This algorithm was based on a classifier that discriminate between alert and sleepy driver. The study, was conducted on a population of 80 drivers driving on a public motorway 3 times a day -morning, afternoon and night, with subjective sleepiness evaluations every 5 minutes, leading to over 3500 epochs. Prior to deriving HRV indices, outlier detection on the heart interbeat intervals (IBI) signal constitute an arbitrary choice. For the HRV indices in the frequency domain, spectral transformation represent a second arbitrary choice. All potentially suitable methods were tested determining that the methods of choice would not have a significant impact. Finally outliers’ detection was based on a heart IBI differing in more than 30% from the mean value of the four previous intervals and spectral transformation was based on the Fourier transform. As classifier, a support vector machine with radial kernel was used. The best classifier was achieved using 12 HRV indices, time of the day and time driving, the parameter for adjustment ? was fixed to 1. The performance measured as area under the receiving operating characteristic (ROC) curve (AUC) was over 0.93, see ROC in Figure 1. Examples of Sensitivity and Specificity at certain costs are, Sensitivity=95% & Specificity=80%, Sensitivity=99% & Specificity=50%, or Specificity=90% & Sensitivity=78%, Specificity=97% & Sensitivity=50%. The algorithm achieved in this project together with unobtrusive accurate HR detection are the two necessary pieces for implementing a driver sleepiness detection system based on physiological measurements.