Detection of Dangerous Driver Health Problems Using HOG-Autoencoder
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F61989100%3A27240%2F23%3A10254726" target="_blank" >RIV/61989100:27240/23:10254726 - isvavai.cz</a>
Výsledek na webu
<a href="https://link.springer.com/chapter/10.1007/978-3-031-40971-4_43" target="_blank" >https://link.springer.com/chapter/10.1007/978-3-031-40971-4_43</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1007/978-3-031-40971-4_43" target="_blank" >10.1007/978-3-031-40971-4_43</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Detection of Dangerous Driver Health Problems Using HOG-Autoencoder
Popis výsledku v původním jazyce
In this paper, we present a method that can be used to detect unexpected driver health problems (e.g. stroke, heart attack, epileptic or similar types of seizures). Obviously, in such cases, the goal is to obtain the recognition results in the shortest possible time. Therefore, the main contribution of the presented method is the speed combined with satisfactory detection results. To achieve these goals, we use the HOG method for fast image feature extraction in the first step. In the second step, an autoencoder network is used to compress the features. Based on the autoencoder reconstruction error, it is then decided whether the driver's health condition is normal or abnormal. The results seem to be promising for the possible practical deployment.
Název v anglickém jazyce
Detection of Dangerous Driver Health Problems Using HOG-Autoencoder
Popis výsledku anglicky
In this paper, we present a method that can be used to detect unexpected driver health problems (e.g. stroke, heart attack, epileptic or similar types of seizures). Obviously, in such cases, the goal is to obtain the recognition results in the shortest possible time. Therefore, the main contribution of the presented method is the speed combined with satisfactory detection results. To achieve these goals, we use the HOG method for fast image feature extraction in the first step. In the second step, an autoencoder network is used to compress the features. Based on the autoencoder reconstruction error, it is then decided whether the driver's health condition is normal or abnormal. The results seem to be promising for the possible practical deployment.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
—
OECD FORD obor
10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)
Návaznosti výsledku
Projekt
—
Návaznosti
S - Specificky vyzkum na vysokych skolach
Ostatní
Rok uplatnění
2023
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
Lecture Notes on Data Engineering and Communications Technologies. Volume 182
ISBN
978-3-031-40970-7
ISSN
2367-4512
e-ISSN
2367-4520
Počet stran výsledku
11
Strana od-do
454-464
Název nakladatele
Springer
Místo vydání
Cham
Místo konání akce
Čiang Mai
Datum konání akce
6. 9. 2023
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
—