Indonesi an  Journa l  of El ect ri cal Engineer ing  an d  Comp ut er  Scie nce   Vo l.   13 ,  No.   1 ,  Jan uar y   201 9 ,   pp.  1 70 ~ 1 78   IS S N: 25 02 - 4752, DO I: 10 .11 591/ijeecs .v1 3 .i 1 .pp 1 70 - 1 78          170       Journ al h om e page :  http: // ia es core.c om/j ourn als/i ndex. ph p/ij eecs   Gazing  as actual  p arameter for d rowsin ess assessm ent    in d riving s imu lato rs       Art h ur  M ou ri ts Rum ag i t,  Iz z at  A uli a Akb ar,   Mit aku  Utsunomi ya, T a ka m asa  Mo ri e ,    Tomohi ko Ig asaki   Facul t y   of  Adva nce d  Sc ie n ce   an d  Technol og y ,   K um amoto  Univer sit y   2 - 39 - 1  Kurokam i,   Chuo - war d,   Kum amoto  860 - 8555,   Japa n ,   telp/ fax : +81 - 96 - 342 - 3613       Art ic le  In f o     ABSTR A CT    Art ic le  history:   Re cei ved   A ug   28 , 201 8   Re vised  N ov  2 1 , 2 01 8   Accepte d  Nov   3 0 , 201 8       Man y   tr aff i c  a ccide nts  ar e  due  t o  drows y   dr ivi n g.   How eve r,   to  dat e ,   onl y   a   few  studie s  ha ve  bee n  condu ct ed  on  th e  ga zi ng  prope rt ie s   rel ated  to   drows ine ss .   Thi s  study   was  conduc te d  with  the  obje ct iv e  of  esti m at ing  th e   rel a ti onship  be t wee n  ga zi ng  p rope rties  and  d rows ine ss   in  thre e  fa cial   expr ession  ev aluati on  (FE E)  c at egor ie s:  al er t  (FEE  =  0) ,   li g htly   drows y     (FEE  =   1−2) ,   h ea vi l y   drows y   ( FEE  =   3−4) .   D rows ine ss   was  inve stiga t ed   base d  on  the se  e y e - g azing  prope rti es  b y   anal y zi n g  the   gazing  signal   utilizin g   an  e y e   ga ze  trac ker   and   FEE  in  a  drivi n g  sim ulator  environm ent .   The  result s   obta in ed  indicate  tha t  g azing  prope rties  have   si gnifi c ant   diff erence s  among   the   three  drows ine ss   condi ti ons,   with  p  <  0. 00 1  in  a  Krus kal – W al li s  te st .   Furthermore,   th e  over al l   class ifi ca ti on  ac cu racy   of   the  thr ee   drows ine ss   condi ti ons  b ase d  on  gaz ing  pro per ties  using  a  support  vec tor  m ac hine   was   76. 3%.   Thi s  ind ic a te s  th at   our   proposed  gazing   prope rties  c an  be  used  to   quant itati v ely   as sess   drows ine ss .   Ke yw or d s :   Dr i ving sim ula tor   Drowsi nes s   Ey e g aze t racke r   Gazin g   Suppor t  v ect or m achine   Copyright   ©   201 9   Instit ut e  o f Ad vanc ed   Engi n ee r ing  and  S cienc e .    Al l   rights re serv ed .   Corres pond in g  Aut h or :   Tom oh ik o  I gas aki,     Faculty  of  Adv anced Sci en ce  and Tec hnolog y,    Ku m a m oto  Un iversity ,    2 - 39 - 1  Kur ok a m i, Chuo - ward , Kum a m oto  860 - 8555, J a pa n, te lp/fa x: +81 - 96 - 342 - 3613.   Em a il :  iga@cs.kum a m oto - u. a c.jp       1.   INTROD U CTION     Drowsi ness  durin g  dri ving  is   a  sever e  prob l e m   and   is  belie ved   t o  be  a  di rect  con tri bu ti ng   ca us e  of  traff ic   acci de nts  [1 ,   2].  It  plac es  the  li ves  of   dr i ver s  an d  pa s sen ger s  at   risk  and   ca n  cause  serio us   acci de nts  on  m ajo r   r oa ds .  Accor ding  to   a  U.S.  Nati on al   Highway   T raf fic   Sa fety   Ad m inist rati on  ( NH T SA)  re port  in     201 7   [ 3],  dro w siness  an d  fall ing   asl ee p  w hile  dr ivi ng  w as  r esp on s i ble  for  at   le ast   10 0,000  autom ob il e  crash e s   and  84 6  deat hs   within   a  y ear.  T he   Nati on al   Po li ce  A gen cy   of  Ja pa n  al s o  release d  data  s howing  that   appr ox im at ely  434 , 000  tra ff ic   acci den ts  occ urred   in  201 7   [4 ] .  P rev i ou s  s tud ie s  the or iz e d  that  the  caus es  of   acci d ents  m ig ht  be  relat ed  to  facto rs  su c h  as  la ck  of   co ncen t rati on   durin g  dr i ving  and   poor   dr i ving  sk il ls.   Howe ver, th ose  shor tc om ing s can be  recti fie d by im pr ov i ng  dr i ver  a wa re ness  a nd  dr i ving s kill s.   Var i ou s  m et ho ds   for  detect ing   dr ow si nes s  hav e  been   pro po se d.   Among  the  m os t  popu la r  is  i m ple m enting  a  traject or y  se ns or  i ns ide  t he   ta rg et   veh ic le   [5,   6].   This  se ns or  m easur es  the  m agn it ud e  of   t he   ste ering   wh eel   ang le   an d  it s  velocit y,  as  well   as  the  frequ e ncy  with  wh ic h  the  dro wsy  dr i ver   c orrectl y  po sit io ns   the  s te ering   wh eel   ang le .  Plac i ng  the  sensor  ins ide  the  ve hicle   is  m or e  conv enient  f or   the  dr i ver  instea d  of  at ta chin g  it   to   th e  dri ve r  direct ly .  Howe ver,  the  r oa d  s urfa ce  an d  c onditi on  m ay   red uc e  th e   detect ion acc ur acy  o f  the se nsor .   We  the or iz e  t hat  dro wsin es s  it sel f  is  strongly  relat ed  to  the  physi cal   conditi on   of  a  pe rson,    and  the refor e ,  drowsi ness   det ect ion   ca n  be   im pr ov e d  by  directl y  inv est ig at ing   t his  c ondi ti on .  Fun dam e ntall y,   the  act ual  sta t e  of   the  hum a n  body  is  us ua ll y  deter m ined  by  placi ng   el ect rodes   or  bio - se nsors  on   t he  body   Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  25 02 - 4752       Ga zi ng as  actu al par amet er for dr owsiness   as sess me nt in drivi ng sim ula t or s  ( Arth ur Mo ur it s R uma git )   171   it sel f.   Howe ve r,   seve ral  pre vious  stu dies  hav e  repo rted   ano t her   ap pr oach   for  dete ct ing   dro wsi ne ss  that  involves  us in g  hu m an  bio lo gical   sign al s,  su c h  as  ey e  m ov e m ents  and   ey e  blink in g  obta ined  usi ng   a n  el ect ro oc ulog r a m   (EOG)   [7,   8],  hea rtbeats  us in g  a n  el ect r ocardio gr am   ( ECG)  [ 9 - 11 ] ,  br ai n  act ivit y  us in g  a n  el ect ro ence pha logram   (EEG )  [12 - 14 ] ,  m on it or i ng   m us cl e  a ct ivit y  us ing   an  el ect ro m yogra m   (EMG)   [15 ,   16 ] ,   and   al s o  pu lse   rate  act ivit y  [1 7].  H oweve r,  sk in  co ntact   by  el ect ro des  or   a  bio - se nso r  cou l d  cause  dr i ver  discom fo rt  dur ing   dri vi ng.  A no t her   a pprop r ia te   m et ho d  f or  detect ing   a nd  est i m a ti ng   the  dr owsi ness  sta te   of   a   dr i ver   with m inim a l or   no s kin  c on ta ct  is t he refor e  n ee de d .   An   al te r native   m et ho d  of  es tim a ti ng   dro w siness  is  by  u sing   a  cam era  to  record  ey e  beh a vior.  Pr e vious stu dies r ep or te d  tha t i t  is p os sible t o  detect  d r owsiness u si ng   num ero us  less - int ru si ve  te chn i ques an d  m ini m iz ing   sk i n  co ntact   by  placi ng   a  cam era  in  fr ont  of  the   dr ive r  to  capt ur e  the  face  an d  ey e.  For  inst an ce,  ey el id  m ov em ent  [ 18 ] , g aze and  h ea d  [ 19,   20 ] ,  ey e  trac ki ng   a nd p upil   posit ion  [ 21] , f a ce  expressi on  d et ect ion  [22],  face  e xpr ession  m on it ori ng   [ 23 ] ,  blin k  detect ion  [ 24 ] ,   ey e  sta te   analy sis  [25,   26] ,  po rtion  of  ey e  cl os ure  [27],  a nd  ey el id  cl osu re  [28 ]   hav e   been  inv e sti gated.  T hese  m et ho ds   ha d  t he  sam e  goal   of  pr ovidin g  inf or m at ion   rel at ed  to  t he  s ubje ct /driv e r  co nd it ion   w hile  pe r form ing   var i ous  ta sk s o r   un de r  va rio us   c ondi ti on s  (e. g. ,  rest,  fati gu e ,  an d  dro w siness) .  H ow e ver,  al though  pr e vious  ap pr oach e s  co uld   est i m at e   the  dr owsy   conditi on,  ther e  wer e  draw ba cks  su c h  as  th e  necessit y  to  pro vid e  a  cl ear  view  an d  sta bl e  po sit ion i ng   of   th e   ca m era dur i ng  the r ec ordin g p ro ces s.   Our  pro po se d  syst e m   e m plo ys   an  ey e  t racke r  se ns or  m ounted  on  the   he ad  to   obta in  e ye   prop e rtie s   durin g  dr i ving.   W e  c onfirm ed  that  this  kind  of   a rr a ngem ent  has  rar el y  be e n  us ed   to  date,  even  th ough  a  head - m ou nted  ey e  tracker  ca n  ove r com e  view  and  po sit io n  lim it a ti on s  w hile  eva luati ng   the  dr i ve r’ s  ey e  pr op e r ti es.  As  previ ously   descr i bed,  m o st  stud ie s  us e d  the  subj ect ’s  e ye   and   facial   m ov e m ent  i m a ges  to  e valuate   their   conditi on,  esp eci al ly   dr ow si ness.   Howe ver,  we  co uld   not   find   a ny  cl ear  inform ation   on  how  to  util i ze  the   gazin g  of  the  dr i ver   to  deter m ine  his/her  c onditi on.  I n  th is  stud y,  we  f oc us e d  on  ey e - gazin g  beca use   of   the   lim it ed  extent  to  w hich  it   has  been   util iz ed.   To  e valuate  th e  dro wsin ess  c onditi on,  we   e valuated   the  s ubj ect ’s   conditi on  us i ng  facial   ex pres sion   e valuati on  ( FEE)   [ 29 ]   i n  acco r dan ce  with  the  e xper i m ent’s  locat io n  an d  env i ronm ent.  We  util iz ed  this  evaluati on  m et hod  with  the   obj ect ive  of  obser ving  t he  a ct ual  co nd it io n  of   t he   su bject   by c onsiderin g seve ra l po i nts  of   vie w wit h  the  sam e sour ce  in for m at ion .   Th us ,  we  est i m at ed  the  relat ion s hip   betwee n  dro wsin e ss  a nd   gazin g  pa ra m e te rs  in  three   cat ego ries  of   dro wsin es s.   W e  hy pothesi zed  that  these   three  cat eg ori es  ha ve  a  str ong  relat io nship  with  the  ey e - ga zi ng  pro per ti es,  es pecial ly   fo r   est i m ating   the   co nd it io n  be fore  act ual  drowsi ness   to   preve nt  acci den ts .     We  in vestigat e d  wh et her   e ac h  feat ur e   of  th e  gazin g  pro pe rtie s  has  a   sig ni ficant  dif fer e nc e  an d  e xam in ed  th e   perform ance  of  relat ed  featu r es  us in g  a  s up port  vect or   m achine  (SVM).  Finall y,  we  co nf irm ed  w heth er  the  gazin g  si gn al  c ou l d be  us e d  as  an  act ual  par a m et er to  assess  drowsine s s  w hile d riving.       2.   METHO D S     2 . 1.      S ubj e cts   Ele ven   healt hy  m al es  of   ages  in  the  range   of   21− 35   ye a rs  pa rtic ipate d  in  this  stud y.   Be fo re  th e   exp e rim ent,  wr it te n  inform e d  co ns ent  f or   this  stud y  was   ob ta ine d  fro m   each  par ti cip ant.  T he  pa rtic ipants   wer e a sk e d  t o get su ff ic ie nt s le ep  duri ng the  n ig ht a nd   ha ve  their lu nc h bef or e  pa rtic ipati ng in  t he  e xperi m ent.   They  wer e als o aske d n ot to  c on s um e alc ohol  o r  caf feine  be fore the  expe rim ent.     2 . 2 .     T as ks   We  us e d  a  dr i ving  sim ulator  (D A - 1110,  H onda  Mot or ,  J apan),  ey e   gaz e  tracker  ( Tal kEye  Lit e,     Takei  Scie ntifi c  In str um ents,  Japan),  web   c a m era  (HD  Pro  W e bcam   C92 0,  Lo gico ol,  China) ,  com pute r  to   record  t he  dri ver’s  facial   expressi on,  an d  dri ving  sim ulator  syst em   con tr ol,  as  sh ow n  in  Fig ur e  1.     Each  sub j ect   was  aske d  to  dr i ve  on  the  oval   track  wit hout  obsta cl es  durin g  the  day tim e  in  an  aut om atic   transm issi on   c ar  w hile  m ai nt ai nin g  a  s peed  of   100  km /h  for  50  m inu te s.  The  e xperim ent  was  sc he du le d  twic e   per   day  from  8 :00  am  to  10:0 0  am  an d from  1 :0 0 pm  to  3:00  pm , r especti ve l y. Th us , eac h su bj e ct  p a rtic ipate d  in eigh t t rial s  duri ng  t he  ex pe r i m ent o n  di ff e r ent d ay s. All  pro ce dures use d i n  this stu dy were ap pro ved   by  the   Ethic al  Com m i tt ee of  t he  Fac ulty  o f  Ad van c ed  Scie nce a nd  Tech nolo gy, Kum a m oto  Un iversity .     2 . 3 .     Reco r dings   2 . 3 . 1   P hy si ological  Measure ment   We  m ou nted  t he  ey e  gaze  tr acker ,  as  show n  in  Fig ur e  2,   on   th e  hea d  to   ob ta in  a nd   re cord  the  ey e  gaze  sig nal  at   a  sa m pling   rate   of  3 0  Hz.   I n  a dd it io n,   the  s ubj ect ’s  face w a s  recorde d  us in g  the  we b  cam era  f or  ps yc holo gical   m ea su rem ent.     Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vo l.   13 , N o.   1 ,  Ja nu a ry 20 19   :   1 7 0   –   1 7 8   172       Figure  1. Re se arch en vir on m ent       Figure  2 .  Eye  gaze trac ke r       2 . 3 . 2   Ps ycholo gical  Measure ment   FEE  is  perfor m ed  with  evaluati on   from   di ff e ren t  pe rs pec ti ves  by  evalu at or s.  T he  eva luators  m us t  evaluate  the  s ubj ect s ’  sta te   wi th  the  sam e  facial   exp res sio n  recordi ng   sou rce  duri ng   dri vi ng .  Eval uato rs   al so   need  to  m at ch  their  judgm e nt  w hile  pro vi ding  the   eval ua ti on   a nd  stri ve  f or  the   pe r cepti on  of  dif fer e nt  evaluato rs   to  be  relat ively   si m i la r.   T he  m at ching  of   pe r cepti ons  is  ca r ried  out  jointl y  at   the  e nd  of  the   evaluati on.  Theref or e , we e xpect ed FEE t o pro vid e a   reli a ble m easur e of  the con diti on of the  sub j ect .   FEE  was  us e d  to  e valuate   e ach  s ubj ect ’s  drowsi ness   co nd it io n.  It  c on sist s  of  a  five - le vel  (0 − 4)   drowsi ness  qu est ionnaire,  i n  wh ic h  e ver y  nu m ber   r ep res ents  a  dr ow si ne ss  de gr ee ,  f rom   ver y  al ert  to  ve ry  sle epy .  O n  c om ple ti on   of  th e  exp e rim ent,  four   e xam iners  evaluate d  ea ch  s ubj ect ’s  dro wsin es s  co ndit ion  ever y  e poch   ( 1  ep och  = 30  s ),  acco rd i ng  to   the  F EE questi onnai re  s how n  i n  Ta ble 1 ,   by w at chin g  the vi deo  of   the  subj ect ’s  f aci al   exp ressi on  rec orde d  by   the  web   cam era  w hile  the  su bject   wa s  dr iving.  The  fin al   FEE   evaluati on sc or e w as  d eci ded  by the m ajorit y v ote of t he  f ou r  e xam iners.   Be fore  an d  a fter  each  t rial ,  e ach  s ubj ect   w as  instr ucted  t o  m ai ntain  a  resti ng   sta te   in   the  dri vi ng  si m ulator’ s  se at   for  5  m in.  The n,   the   sub je ct s  wer e  a ske d  to  dri ve  for  50  m in  in  the  dr ivi ng  sim ula tor ,     and a  vid e o of  each s ubj ect ’s face rec orde d.       Table  1.   Faci al   Ex pr e ssio n  E va luati on   an d  it s   Crit eria   Grade   Drows in ess  stag e   Actio n  cr iteri a   0   No t dro wsy   Qu ick  and  f requ en t ey e  sh if t,  activ e b o d y   m o v e m en t   1   So m ewh at dro ws y   Op en  lip, slo w e y e   m o v e m en t   2   Drows y   Slo w and  f requ en t  ey eb lin k ,  m o u th   m o v e m en t   3   Qu ite dro wsy   Co n scio u s ey eb lin k ,  h ead s h ak e,  f requ en t y awn   4   Ver y  dro wsy   Clo se ey elid ,  h ead  tilt f o rwar d  or f all  b eh in d       2 . 4 .     Analyses   2 . 4 . 1   Fe ature  Extr act i on   Be fore  e xtracti ng  ga zi ng  pro pe rtie s,  the   th re sh ol d  t o  judge  the  gazin g  had  to  be   determ ined .  Ga zi ng   was  co ns i der e d  as  a  feat ur e   wh e n  the  m ov i ng   s pee d  was  m ai ntained  bel ow   t he  consi der e d  th r esh old .    To  c onfirm   the  op ti m u m   thresh ol d,   we  cal cul at ed  the  num ber   of  f ram es  in   wh ic h  gazi ng   occurre d  (1   fr a m e  =  1/30  s)  pe r  ep oc h  by  us in g  th e  m ini m u m   and   m axi m u m   th reshold .  By   co ns ide rin g  the  m axi m u m   su m   of   t he   diff e re nces  (SOD )  value   as  t he  op ti m u m   threshold   ca nd i da te ,  we   cal cula te d  the   S OD  of  the   f ram es  in  w hich   gazin g  occ urre d,   as  s how n  i n  Fig ure  3.  I n  this  ex per im e nt,  a  th reshold   of   2−3   de g/s  was  f ound  to  be  the   m axi m u m   SO D  val ue.   Acc ordin g  to  t hat  conditi on,  we   therefo re  ch ose   2  or   3  deg/ s  as  our  final   SOD   t hr es ho l d  ca nd idate .  D uri ng  t his  e xp e rim ent ,  ba sed   on  t his   data,   the  le ft  side  of   t he  t hresh old   ca ndida te   was  the  th res ho l d  1−2  de g/s  a nd   the  rig ht  sid e   was   the   thre s ho l d  3 = 4  deg / s.  I f  t he  neig hbori ng  ga p  fro m   th e   m axi m u m  SO D  value was cl os er to  t he  le ft,  t hen  2   deg /s  be ca m e the o ptim u m  thr esh old;  o ther wise, if  the g a p  from   the  m axim u m   SO D  of  t he  ca nd i date  of  the   final   thre s ho l d  value  was   cl os er   to  t he  righ t,   the n  a   thre sh ol d  of   3  deg /s  bec a m e  the  op ti m um   threshold.   In   t his  case,  from   the  op ti m u m   SO D  can dida te ,  a  thres hold  of   2  deg /s  was  cons idere d  as t he o pti m u m  thr esh old .  T her e fore,  w e  us e d  a t hr e sh ol d value  of  2 deg /s a s  our gazi ng   occurre nce  t hresh old .  Eve ry  su bject   ha d  a  diff e re nt  opti m um   threshold  i n  eac h  tria l.  In  a  total   of  88  tria ls,   there  wer e  31   tr ia ls  with  an  op ti m u m   thresh ol d  of  2  de g/ s,  30  tria ls  wit h  an  optim u m   thres ho l d  of  3  deg /s ,     and 27 t rial s wi th an   opti m u m  thr es hold  of  4 deg /s .   Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  25 02 - 4752       Ga zi ng as  actu al par amet er for dr owsiness   as sess me nt in drivi ng sim ula t or s  ( Arth ur Mo ur it s R uma git )   173   The  gazin g  s ign al   was  ge ner at e d  by  m ov i ng  sp ee d.  On  obta inin g  the  op ti m um   threshold ,    we  co ns tr ucted   and   extract e d  the  gazin g  sig na l,  as  sh own  in   Figu re  4.   Wh e n  the  m ov ing   s peed   was  le ss  than   the  thres ho l d  and   m or e  than  z ero,  gazin g  oc curred .  In   c on t rast,  w hen   the  m ov ing   sp ee d  was  great er  th an  the  thres ho l d,   the r e  was  no  gazi ng.  Wh e n  the   m ov in g  sp ee d  was  ze ro,  bl ink in g  occ urr ed.   I n  this  e xam ple,    a  thres ho l d  of  2  de g/s  was  us e d.   Th e  nu m ber   of   gazin g  occ urre nces,   blink i ng   occurre nces,  or   non - gazi ng   occurre nces   co uld   be  cal c ulate d  on  a   f ram e  by  f ram e  basis.  The   co ntinuo us   occurre nces  durin g  a   certai n  per i od   wer e  c ounte d  as  a  cl ust er.  Nine  featu res  of  the  gazing   si gn al ,  li ste d  in  Ta ble  2,   c ou l d  be  e xtract ed  an d  com pu te d  e very  ep oc h. T he p ro ces s was r ep eat ed  f or all  th e featu res  i n  ea ch  tria l.       Table  2 . Fea tu r es  Ext racted  from   Gazing   Sig nal   Para m eter   Ab b rev   Featu re   Gazing  f ra m e   GF   Nu m b e r  o f  f ra m es   in  which  gazin g  occu rr ed  per  ep o ch   Gazing  clus ter   GC   Nu m b e r  o f  clus ters  in wh ich  gazin g  occu rr ed  per  epo ch   No n - g azin g  f ra m e   NF   Nu m b e r  o f  f ra m es   in  which  no n - g azin g  occu rr ed  per ep o ch   No n - g azin g  clus ter   NC   Nu m b e r  o f   clu sters  in wh ich  no n - g azin g  occu rr ed  per ep o ch   Blin k  f ra m e   BF   Nu m b e r  o f  f ra m es   in  which  blin k s o c cu rr ed  per  ep o ch   Blin k  clus ter   BC   Nu m b e r  o f  f ra m es   in  which  blin k s o c cu rr ed  per  ep o ch   Ratio  of  gazin g  f ra m e s v s. c lu sters   RG   GF/GC   Ratio  of  no n - g azin g   f ra m es v s. c lu sters   RN   NF/NC   Ratio  of  blin k   f ram e s v s. c lu sters   RB   BF/B C       2 . 4 . 2.   Statis tics   Be fore  co nduc ti ng   sta ti sti cal  analy sis,  we  inv est igate d  w het he r  each  fe at ur e  co rr el at e d  with  the   conditi on  of  th e  subj ect   by  usi ng   F EE.  T he n,  a  K olm og oro v – Sm irno v  te st   was  us ed  t o  e xam ine  wh et he r  the   gazin g  sig nal  sh owe d  a  norm al   distribu ti on.   On e - way  A N OVA  analy sis  was  us e d  if  the   distribu ti on   da ta   ha d  a  no rm al   di stribu ti on;  oth e r w ise ,  W il coxo n - rank  su m   analy sis  was  us ed .  The  res ults  of   the  featur e  e xtr act ion   process  we re  di vid ed   into   th r ee  cat egories:   al ert  (F EE   =  0),  li ghtl y  dro w sy  (F EE   =  1− 2),  a nd  hea vily   drowsy  (F EE  =  3− 4) .  Af te r  div i ding  the  gazi ng   si gnal   into   t hese  three  cat e gories ,  sta ti sti cal   analy sis  was  perf orm ed   to  in vestigat e  t he  sig nifica nt  diff e re nces  within  t he  th ree  c at egories.  A  va lue  of  p  <  0.0 5  was  c onside re d  to   be  sta ti sti cally  sign ific ant.     2.4. 3 .   Classi fic at i on   In  our   stu dy,  a n  S VM  was  use d  as   a  cl assifi er  to   co nduct  perform ance  evaluati on  of  th e  featu res  i n  the  three  cat e gories — al e rt  (FEE   =  0),  li ghtl y  drow sy  (F E E  =  1− 2) ,   an d  heav il y  dro ws y  (F EE  =  3−4) — by   us in g  t he  L IB SV M  li brary  [ 30 ] ,   w hich   has   al so  bee n  util iz ed  by  A kbar   et   al .  [31].  T he  feat ures  we re  first  com bin ed  int o  one  dataset ;  t hen,  on e  half  was  us ed   to  m ake  the  t rainin g  da ta   an d  the   oth e r  half  the   te sti ng  data  (trainin g  set :  50 %,  te st  set :  50 %) .  Th e  aver a ge  per c entage  of  total   true  detect ion  fr om   4 - f old   c ro ss - validat io n  was   us e d  as  a  m ea su re  of  cl assifi cat ion   acc ur ac y.  A  ra dial  bas is  functi on  (R BF)  wa s  us e d  as  th e   SV M  kernel  f unct ion.  T he  be st  value  of  cos t  and   gam m a  par am et er  of   the   RB F  ke rn el   w as  set   autom at i cal ly  by u si ng L IBS VM.   To  op ti m iz e  t he  cl assifi cat ion  proc ess,  w e  us e d  the   S VM  rec ursive   featu re  el im i nation  (RF E )   m et ho d  f or  each  sub j ect ,  w hi ch  is  a  wr ap pe r - base d  m e tho d.  The  S VM  RFE  was  de ve lop e d  by  G uyon  et   al .  [32]  an d  has  be en  use d  in  ge ne  sel ect ion   for  cance r  cl assif ic at i on ,  an d  by  Ebr a him i  e t  al.   [33]  f or   a utom at ic   sle ep  sta gi ng.  The  ste ps   in   th e  SV M  RF E  fe at ur e  sel ect io n  al gorithm   us ed   in  this  st ud y  wer e  a s  f ollo w s:  first,   on e  featu re  w as  rem ov ed,   a nd   t he  accu ra cy   com pu te d.   Subseque ntly ,  the  featu re  tha t  con trib uted  t o  t he   highest  accu ra cy   was  el im inate d.   T he  fe at ure  el i m inate d  in  the  pre vious  s te p  co uld   be  use d  in   the  nex t   ste p.   This  operati on   was  rep eat e d  for  eve ry  featu re  rem ov ed.   T he  featu re  el im inate d  first  was  co ns ide re d  as  the   worst  c on tri bu ti ng   featur e   an d  the   fea t ur e  el i m inate d  la st  was  c onside r ed  as  t he  best - co ntributi ng  f eat ur e.     The  fi nal  ste p  was  to  s ort   the   featur e s  f ro m   best  to  worst,  t hen   c om pu te   the  accu racy  f r om   the  best  fe at ur es  com bin at ion   of each  sub j ect .       3.   RESU LT S     Figure  5  s how s  the  relat ion s hip   bet wee n  f eat ur es  acc ord ing   to  the  c onditi on   re presen te d  by  FEE .   Gazin g  f ram e  (G F ),   gazin g  c luster  ( GC),   non - gazin g  cl ust er  (N C ),   a nd   the  rati o  of   G F/GC  (RG )  s how  a   decr easi ng   te ndency  with  i nc reasin g  FEE .   In   co ntrast,  bl ink   fr am e  (BF) ,  blink   cl us t er  (BC),  the  r at io  of   BF/ BC   (RB),   a nd  the   rati o  of  non - gazi ng  f ra m e  (N F )/NC   ( RN)  sho w  a n  i ncr easi ng  te nd ency  with  inc r easi ng  FEE. NF  does   no t  show  a ny tend e ncy a nd is  inconsist ent  w it h  FEE.   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vo l.   13 , N o.   1 ,  Ja nu a ry 20 19   :   1 7 0   –   1 7 8   174   Table  3  s umm arizes  the  ty pical   sta ti st ical  resu lt s  of   al l  the  featur e s  in  t he  three   cat ego ries :     al ert, li gh tl y drow sy,  hea vily  d r owsy . I t ca n be see n  that t he  G F, GC, a nd  NC exhibit  a st at ist ic ally si gn ific ant  diff e re nce  ( p  <  0.001;  Krus kal – Wall is  te st)  acco r ding  to   the  dif fer e nce s  in  each  cat egory  f ollow e d  by  the   decr easi ng   t re nd   as  well .  BF,  the  rati o  of  BF/ BC   (RB),  an d  the  rati o  of  NF / NC  (RN)   al s o  ex hi bit  a   sta ti sti cally  si gn i ficant  dif fe ren ce  ( p  <  0.001;  Krus kal – Wall is  te st)  a ccordin g  to  th e  diff er ences  i n  each   cat egory  f ollo wed  by   the  i nc reasin g  tre nd  a s  well .  I n  a no t her  cas e,   eve n  though   BC   an d  th e  r at io  of  GF /GC   (RG)  te nded  t o  FEE  durin g  th e   dro wsin ess   s ta te ,  these  pa ra m et ers  wer e  not  co ns ide re d  to  ha ve  a  sig nif ic ant  diff e re nce  in   a ny   of  the   dr owsiness  cat e gories.  Mo reove r,   t he  NF   al s o  has   no  sig nifica nt  diff e re nce  ow i ng  to   it s  inco ns ist ent   te ndency  t o  F EE  durin g  t he  drowsi ness   sta te .  Re ga rd i ng  the  sta ti sti cal   r esults  in   these   three  cl asses,  we  ob ta ined  t he  res ults  f or  bo t h  i ncr ease d  an d  decr ease d  pro per ti es  t o  repr esent  the   dro wsin ess   conditi on, es pe ci al ly  f or  cate gory  2, w hich  desc ribes  the sta te  b ef or e  b e co m ing  dr ow sy.           Figure  3 .  S OD   of fram es in which gazi ng  oc curred           Figure  4 .  Pro duct ion o f gazi ng  from   m ov ing   sp ee d for   featur e  ex tract i on         Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  25 02 - 4752       Ga zi ng as  actu al par amet er for dr owsiness   as sess me nt in drivi ng sim ula t or s  ( Arth ur Mo ur it s R uma git )   175         Figure  5 .  Featu res  te nde ncy a ccordin g  t o  FE E       Table  3 . St at ist ic al   Re su lt s  of  al l  Feat ur es ,  T hr ee  Cat egorie s: Alert,  Lig htly  D r owsy , Hea vily  D r owsy   Para m eter   Alert   Ligh tly   d rows y   Heavil y  dro ws y   GF   2 1 1 .39   ±   5 0 .8 6   1 6 5 .88   ±   5 9 .9 1   * * *   1 1 2 .34   ±   0 5 8 .34   * * * ,  # # #   GC   1 2 8 .33   ±   2 1 .7 8   0 9 8 .63   ±   3 0 .2 8   * * *   0 6 9 .08   ±   0 3 0 .61   * * * ,  # # #   NF   6 5 8 .36   ±   5 0 .1 0   6 6 7 .54   ±   7 6 .4 5   * * *   6 2 7 .28   ±   1 0 9 .76   * * * ,   ###   NC   1 3 3 .67   ±   2 0 .6 8   1 0 6 .06   ±   2 8 .8 4   * * *   0 7 8 .45   ±   0 2 8 .13   * * * ,  # # #   BF   0 2 2 .06   ±   2 6 .7 4   0 3 6 .15   ±   3 2 .8 6   * * *   1 2 8 .31   ±   1 1 4 .43   * * * ,  # # #   BC   00 5 .16   ±   0 3 .3 9   00 7 .54   ±   0 4 .7 8   * * *   0 1 0 .07   ±   00 5 .93   * * * ,  # # #   RG   00 1 .63   ±   0 0 .1 8   00 1 .58   ±   0 0 .1 6   * * *   00 1 .48   ±   00 0 .19   * * * ,  # # #   RN   00 5 .10   ±   0 1 .2 0   00 6 .86   ±   0 2 .3 9   * * *   00 9 .01   ±   00 3 .69   * * * ,  # # #   RB   00 4 .82   ±   0 1 .4 1   00 9 .95   ±   0 4 .6 6   * * *   0 2 1 .18   ±   0 1 7 .02   * * * ,  # # #   * * *  p < 0.0 0 1  vs .  alert,  ## #  p < 0.0 0 1  vs .  lig h tly  dro wsy;  all  v alu es ar e exp r ess ed  as  m e an  ±  S D       The  res ults  of   the  t hr ee  cat egories  s how   that  the  gazin g  par am et ers  cou l d  be  us e d  to  est im at e   drowsi ness .  H ow e ve r,   sev er al   su bject s  di d  not  show  a ny  sign i ficant   diff e ren ce s  corres pondin g  to  the   ps yc holo gical  m easur em ents u sin g  FE E in  a ll  cate go ries.  We ass um ed  that i t was cau se d  by the  dif fere nces in  per ce ptio n  duri ng  the  e xam iners’  eval uation  w hile  exam ining  the  sub j ect s’  ph ysi cal   sta te   duri ng  dri ving   an d  wh e n watc hi ng the  vid e o reco rd i ng of the  s ubj ect s  drivi ng  as w el l.   We  use d  al l  nin e  pa ram et er  featur es  durin g  the  cl assifi cat ion   a naly sis.  Ta ble  4  s how s  th at   the  SVM   was  able  to  de te ct   the  dr owsi ness  with  a n  overall   accu rac y  of   76. 3%  in  the  three  cat eg or ie s  of  sta te :  al ert,   li gh tl y dro wsy,  and  heav il y  drow sy.       Table  4.  Cl assi ficat ion   Re s ults  of  al l Feat ure s   f or  t he  T hree  Ca te go ries:   Al ert, Lig htly  Dr ow sy,     Heav il y D r ow s y   Su b ject   Accurac y  [ %]   Bes t co m b in atio n   0 1   8 5 .4   NC, BF,  BC, RG   0 2   6 6 .2   GF,  GC ,  NF ,  BC ,   RG, RN   0 3   6 9 .2   GF,  GC ,  NF ,  NC ,  BC   0 4   6 8 .0   NC, BF,  RG,  R N   0 5   6 3 .8   NF,  BF ,  BC ,  R G,  RN   0 6   7 3 .8   GC, NF ,  NC ,  BF,   BC ,  RG, R N   0 7   7 8 .3   GF,  GC ,  NF ,  BF,   BC ,  RG, R N   0 8   8 5 .8   GC, NF ,  BF,  BC,  RG, RN   0 9   7 7 .6   GF,  GC ,  NF ,  NC ,  BC ,  RG, R N,  RB   10   8 7 .6   RB   11   8 3 .4   GF,  GC ,  NF ,  BF,   BC ,  RG, RB   Ov erall   7 6 .3         Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vo l.   13 , N o.   1 ,  Ja nu a ry 20 19   :   1 7 0   –   1 7 8   176   4.   DISCU SSI ON   We  in vestigat e d  the  relat io nship  betwee n  ga zi ng   prop e rtie s  and   dro wsi ness  usi ng  fea tures  of   the   gazin g  par am et er  an d  t he  dro wsin ess   co ndit ion   us i ng  FEE   scor e s  du rin g  dr i ving.  Dro ws iness  is  c onsid ered  to  be  relat ed  t o  t he   hum an  co nd i ti on .   The   sim plest  way  t o  det erm ine  the  sta te   of  t he  hu m an  body   is  by  di r ect ly  askin g  t he  s ubj ect   t heir  pr esent  c onditi on  or  ha ving  t hem   and   t he   exam iner  co m ple te   a  dro wsin ess   assessm ent.  Sever al   resea rch e rs  hav e   use d  fa ci al   expressio n  evaluati on  (FEE )  i n  qu e sti onnai res  to   ob ta in   th e   ph ysi cal   co nd i ti on ,  es pecial ly   the  drow si ne ss  conditi on,  of  a  subj ect .  M or e over,  pr e vi ou s  st ud ie s  ha ve  al so  evaluate d  the   pe rfor m ance  of  the  FE E  (as  a   drowsi ness   eva luati on  to ol).  Con s eq ue ntly ,  it   has   bee n  co nc lude d  that  the  fluct ua ti on   of  F EE  values  represe nts  the  c onditi on   of  the  s ubje ct   beco m ing   drowsy .  I n  thi s  stud y,     we  obser ve d  the  drowsi nes s  conditi on   of  subj ect s  du r ing   dri vi ng   usi ng   an  act ua l  dr ivin g  sim ulator .     We  obta ine d  t he  ga zi ng  sig na l  by  us in g  a  he ad - m ounted  e ye - trackin g  de vice,  the n  e xt r act ed  an d  a naly zed  the   featur e s  of   t he   gazin g  par a m et er  us ing   t he  FEE  pr operti es  as  our  evaluati on  dro wsin ess  m et ho d  t o    evaluate  dro ws iness.   Seve ral  stud ie s   hav e  in vestig at ed  dro wsin es s  based   on   ey e   pr ope rtie s.  For  instance,  Jac ks on  et   al .  [34]  in vestiga t ed  sl ow  ey el id  cl os ure  a s  a   m easur e  of  dri ver  drow si ne ss  by   m easur ing  slo w  ey e   c losure  (P ERC L OS )   wh il e  dr i ver s   perform ed  a  sim ula te d  dri ving  ta s k.   Howe ve r,   t heir  st ud y   is  sti ll   lim it e d  in   it s  discuss i on  of  t he  par am et ers  associat ed  wi th  the  ph ysi ca l  condi ti on,  es pecial ly   the  drow si ness  c ondi ti on .   More ov e r,   the y  placed  the  c a m era  in  fron t  of   the  dr i ver,  wh ic h  does  no t  pr ovide  a  cl e ar  view  for  the   dr ive r   and is  un sta ble in term s o f  po sit ion .   Ma ’touq   et   al .   [ 35 ]   us e d  ey e  blin king  t o  detect   dri ve r  drowsi ness .  T hey  propose d  a  de vice  f or   m on it or ing   a  dri ver’s  drowsi ne ss  by  detect in g  an d  cl assify i ng   t he  ey e  blin king  into  norm al   blink in g  (NB )  or  prolo nged   blin king ( PB) . H oweve r,  they  d id n ot d isc us s  t he  relat ion s hip  of  the   pa ram eter s  ass ociat ed  w it h  th e   ph ysi cal  c o ndit ion ,  es pecial ly  the dr ow si ness  cond it io n.   Wang  a nd   Xu   [36]  inv est igat ed  dro wsi ness  base d  on  ey e  pro per ti es.  T he y  detect ed  the  drowsi nes s   by  us i ng   ey e  f eat ur es:   per ce ntage  of   ey e  c losure  ( PERC LOS),  a ver a ge   pupil  diam et e r,   a nd   blin k  durati on   com bin ed  wit h  dri ving   be ha vi or   pa ram et ers.   They   f ur t her  us e d  m ulti le vel  orde red  lo git  (MO L),  order  lo git   (O L ),  an d  a rtif ic ia l  network  ( ANN)  to   deter m ine  dro wsin e ss  in  t hr ee   dr owsiness   cat eg ori es.  T he  res ults  of   their  stu dy  sho wed   t hat  the  overall   accu racy  us in g  MOL wa s  64.15  %, OL  was  52. 70  % ,  an d  A NN  w a s  56.04  %  (MO L  had  the  highest  detect ion   acc ur acy ).   T heir   stu dy  al so   c onfirm ed  that  ey e  feat ures  perform ed  bette r   than  dr i ving  be hav i or   i n  dro wsin ess   detect ion .   It  was  c onfirm ed  by  re m ov ing   the   e ye   featur e s  th at   the   acc ur acy   was  reduce d.   H ow ever,  their  stu dy  has  a  lowe r  accuracy  in   the  detect ion  of   dro wsin e s s  than    our  st ud y.   Drowsi ness   ha s  al so   bee n  inv est i gated  base d  on  ey e   pro per ti es  usi ng   m achine   le arn i ng  or   cl assifi cat ion   m et ho ds.  H u  and   Z he ng   [ 37]   us ed  a n  S VM  to  cl assify   the  dr owsin ess  conditi on   in  thre e   cat egories  with   an  ov e rall   accuracy  of  80. 74%  in  a  dr ivin g  si m ulator  env i r on m ent.  They  detect ed  dro ws iness  via  ey el id  relat ed  pa ram et ers  us in g  E OG.  Al though  they   obta ined  a  hi gh e r   accuracy  tha n  that  ob ta ine d  i n  our   stud y,  thei r  stu dy  has  a  dra wback  in  that  el ec tro des  we re  at ta ched   t o  the  dr iver,  w hic h  co uld   ca us e  disc om fo rt  durin g dr i ving.   In   this  st ud y,  we  us e d  a  hea d - m ou nted  ey e  tracke r  to  ove rc om e  view  and   po sit io n  li m it ation s ,  an d  to   el i m inate   intrusi on   w hile  extracti ng   ey e  prop e rtie s.  This  kind  of   in vesti gation  has  rare ly   been   cond ucted.    To  assess  the   drow si ness  c onditi on,  we  cond ucted   a  s ubj ect ive  e valuati on   of   eac h  sub j ect ’s  physi cal   conditi on  us in g  F EE.   W e   f oc us e d  on  th ree  c at egories  f or  es tim a ti ng   the   co nd it io n  befo re  act ual  dro wsi ne ss  to   pr e ve nt  acci den ts.  O nly  a  few   stud ie s  ha ve   been   co nduc te d  on   ga zi ng  pro per ti es  r el at ed  to  dr ows iness .     A  novel  pa ra m et er  was  pr e sented  in  this  stud y.  W e  fou nd   that  the  fe at ur es  of  the  gazin g  ha d  sig nificant   sta ti sti cal   diff eren ces   in  t hr ee   dro wsin es s  ca te gories:   al ert  (F EE= 0),  li ghtl y  dr owsy   (F E E=1− 2) ,   an d  he avily   drowsy   (F EE =3−4).  Se ve r al   featur es  of  the  gazi ng — gazin g  occ urren ce  fr am es  per   e po c h  (G F ),     gazin g  occ urre nce  cl us te rs  pe r  epo c h  ( GC),   blink   occurre nc e  fr am es  per   epo c h  (BF ),   non - gazin g  occ urren c e   cl us te rs  per   e poch  (N C ),   rati o  of  blin king  f ram es  ver su s  c lusters  (RB  =  BF/ BC ),   an d  the  rati o  o f  non - gazi ng  fr am es  ver sus  cl us te rs  (R N  =  NF /NC) — ha d  sign ific a nt  sta ti sti cal  diff ere nc es  with  p  <  0. 001;  K ru s kal - Wall is   te st. Overall , se ven feat ur es   wer e  suff ic ie nt  to dete ct  the  dro wsin es s c ondi ti on  in  t hr ee  c at egories.   Ba sed  on  th os e   resu lt s,  a n  SVM   was   us e d  to   exam ine  the  per f or m ance  of   the  featu res  to  cl assify   the  drowsi ness   co nd it io n.  I n  the   three  cat e gorie s,  al ert  (F EE= 0),  li ghtl y  dro wsy  ( FEE= 1− 2),  a nd  hea vily   dro wsy   (F EE= 3− 4) ,   th e  SV M  was  a ble  to  detect   the  drowsi ness   with  a n  over al l  accuracy  of  76. 3% .  I n  a dd it io n,     in  two  cat e gories,  al ert  (F EE= 0)   a nd   dro wsy  (F EE= 1− 4) ,  t he   SV M  was  a bl e  to  detect   the  drowsi ness  with  a n  ov e rall   accu rac y  of   89.0%.  N ote  that  the  res ult  of   t he  cl ass ific at ion   is  s ubj ect - dep e ndent   as  it   was  cal c ulate d  us in g  eac h  s ubj ect ’s  data.  T he   cl assifi cat ion  res ults  show   that  the  featu re s  of  gazi ng  ca n  be  use d  t o  de te ct  three  dro wsin e ss  cat eg or ie s  from   the  best  fe at ur es  c om bin at ion   of   eac h  subj ect ;  the se  re s ults  we re  c onfirm ed   via the  FEE  qu est ionnaire.   Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  25 02 - 4752       Ga zi ng as  actu al par amet er for dr owsiness   as sess me nt in drivi ng sim ula t or s  ( Arth ur Mo ur it s R uma git )   177   The  feat ur es  of  the  gazin g  pa r a m et er  cou ld  be   us ed  as  a  ne w  pa ram et er  or   var ia ble  in  drow si ness  t o  ob ta in  t he  c harac te risti cs  and   sta te   of   the  ey es.  W e  belie ve   that  these  c om bin at ion s  effe ct ively   rep res ent  th e   aspects  of  the  ey e  pro per ti es  and  co uld  be   use d  t o  determ i ne  the   dr ow sy  condit ion  ef fec ti vely .  The  ey e s  ar e   com m on ly   kn own  to  be  a  pa r t  of   the  hum an  body  that  can   cl early   rep res ent  the  hum an  conditi on   of   bein g  asl eep  or  awa ke.   Usi ng  the  gazin g  pro per t ie s,  we   can   ge ner al ly   say   t hat  a  hum an’ s  ey es  easi ly   be com e  unf ocu se d  w hile  sta rtin g  to  f al l  asl eep  or  be com ing   dro w sy  w hen  he/s he   sta rts  getti ng  sle e py  or  be com e   drowsy .  I n  c on trast ,  a  hu m an’s  gaze  is  f ocu s ed  wh e n  c once ntrati ng  on   a   s pecific  obj ect .  By   con si der i ng  tho se   sp eci fic  phe no m ena  and  us i ng  the  gazin g  pro per ti es,  we  obta ined  us e f ul  par am et ers  an d  s howe d  that  us in g   the  rati o  of   diff e ren t  pa ram e te rs  prov i de d  sign ific a nt  dif fer e nces  an d  cou l d  induce  cl assifi cat ion   r esults   betwee n  s ubj e ct s  as  well   as   the  gazi ng   fe at ur es  t hem selv es.  Gazin g  pa ram et ers  are  com po sed  of  s ever al   featur e s t hat c ould im pr ove t he  estim at ion  of  drowsines s  by co m bin ing s pe ci fic p ar am et er s.   Howe ver,  our  current  stu dy  has  the  f ollowi ng   lim it ation .  In   or der   to  in duce  dro wsin e s s,  we  aske d  each  sub j ect   to  dri ve  in  un r eal ist ic   con diti on s ,  su c h  as  on  an  oval   trac k  with   no  ob s ta cl es  and   no  sp ee d  changes .  I n  re al it y,  peo ple  dri ve  on  var io us  ro a ds   w hile  con t ro ll in g  the ir  veh ic le ’s  s pe ed  an d  disce r ning   signp os ts  a nd  oth e r  veh ic le s.   I n  s uc h  a  sc enar i o  with  obsta cl es,  t he  s ubj ect   w ou l d  hav e   to   lo ok  at   the  ob sta cl es   in  orde r  t o  dr i ve   safely .  C ons equ e ntly ,  we  hypothesiz e  t ha t  non - gazi ng  w ou l d  occ ur  m or e  fr e qu e ntly .  W e   will   exa m ine  wh et her   our  pr opos e d  feat ur e s  sh ow  the  sa m e  resu lt s  regardless  of   the  s cenari o  in futu re  wor k.       5.   CONCL US I O N   In   this  stu dy,  a  novel  par am eter   and   it s  f eat ur es  wer e  pro pose d  to  detect   drowsi ness  a nd  sta ti sti cal  and   cl assi ficat ion   te c hn i qu e s  wer e  us e d  to  quantify   the  perform ance  of   ga zi ng   pro per ti es   represe nting   s ever al   drowsi ness   co nd it io n  le vels.  Our  res ults  in dicat e  that  the   pro posed   gazing  pa ram et er  ca n  e ff ect ively   asses s   the dr ow si ness  level o f  a  driv er.       ACKN OWLE DGE MENTS     This  wor k was  par ti al ly  suppo rted by JS PS K AK E N HI grant  num ber  JP 16K00 375.       REFERE NCE S    [1]   Dingus  TA,   Jahns  SK ,   Horow it z  AD ,   Knipli ng   R.   Hum an  fac to rs  design  issues  for  cra sh  avoi d a nce   s y st ems .   In:  Barf ield  W ,   Dingus  TA.   Edi tors.   Hum an  Fact ors  in  Inte ll ige n t  Tra nsporta ti on  S y stems .   New  York:  Ps y cho lo g y   Press .   1998:  55 – 93.   [2]   El zoh ai r y   Y .   Fata l  and  inj ur y   fa ti gue - r el a te d  cr a shes  on  Ontar io ’ s  roa ds:  A   5 - y e ar  rev ie w.  Th e  Highwa y   Safe t y  Roundta ble &   Fati gu e  Im pai rm e nt,   Driv er  Fa ti gu e  S y m posium .   T oronto.   2007 .   [3]   Nati ona l  Highwa y   Tra f fic   Saf ety   Adm ini stra ti o n.   As le ep  At  Th e  W hee l:  A  Nat iona l  Com pendium   of  Eff orts  t o  El iminate  Drow sy   Dr ivi ng.   U.S.   D epa rtment  o f  T ran sportation.   20 17.   [4]   Tra ffi c  Bur ea u .   The   num ber   of tr aff ic acci d ent occurre nc es  in   201 7.   Nat ional  Poli c e  Agenc y   of   Jap an.   2017 .   [5]   Li u  CC,  Hos kin g  SG ,   Le nné  M G.  Predic t ing  dri ver   drows ine ss   using  vehi c le   m eas ure s:  Rec en t  in sights  and  futur e   cha l le nges.   Jour nal   of   Safe t y   R e sea rch .   2009;   40 (4):  239 – 245.   [6]   Friedri chs  F,   Ya ng  B.   Drow sines s  m onit oring  b y   stee ring   and  la n e  da ta   b ase   f ea tu res  under   r eal  dr ivi ng  cond it ions .   Proce edi ngs of   t he  18th   Europ ean Signa l   Proce ss ing  Confer ence  ( EUSIP CO).  Aalbor g.   2 010:   209 – 213.   [7]   Ingre   M,  Åkerste dt  T,   Pet ers  B,   Anund  A,  Kec klund  G.  Subjec tive  slee pin ess,  sim ula te d  drivi ng  per form anc e  and  bli nk  dur at ion : E xamining  ind ividual  d iffe r enc es .   Journal  of   Sle ep   Resea r ch. 2006; 15(1):   47 – 53 .   [8]   Sum an  D,  Mali ni  M,  Anchuri   S.  EOG  base d  vigi l anc e  m onit or ing   sy st em.  Proce e dings  of  the   Annual  IEEE  Indi a   Confer ence  (IN DICO N).  New Del hi. 2015: 6  p age s.   [9]   Góm ez - Cla per s  J,  Casanella  R.   A  fast  and  ea s y - to - use  ECG  a cq uisit ion  and  he a rt  rate  m onit or in g  s y stem  using  a  wire le ss   ste eri ng   whee l .   I EEE  Se nsors   Journal.   20 12;  12(3):   610 – 6 16.   [10]   Iga saki  T ,   Naga sawa  K,  Mura yama  N,  Hu  Z.   Drow siness  esti m at ion  under   dr ivi ng  env ironment  b y   hea r t  ra t e   var ia b il i t y   and/ o r  bre at h ing  rate  var ia b il i t y   wi th  logi stic   r egr essi on  ana l y sis.  Pro ce ed ings  of  the   8t h  Inte rn at ion al   Confer ence  on   B iomedic a l  Eng in ee ring   and   Infor m at ic s (BMEI) .   Shen y ang .   2015 :   189 – 193.   [11]   Vice nt e  J,  La gu na  P,  Bart ra  A,  Bai lón  R.   Drow siness  det ec ti on  using  hea rt  rate  var ia b il i t y .   Medi ca l  &  Biol og ic a l   Engi ne eri ng  & Com puti ng.   201 6;  54(6):   927 – 93 7.   [12]   Akerste dt  T ,   Gill ber g  M.  Subje ct iv e  and  object ive   slee p ine ss   in  the   active   ind ivi dual.  Int ern ational   Journal  o f   Neurosci ence. 1 990;  52(1 – 2):   29 – 37.   [13]   Kaida   K,  T aka h ashi  M,  Akerste dt  T,   Nak ata  A,  Otsuka  Y,  Hara t ani   T ,   Fukasawa   K.  Vali da ti on  o f  the   Karol inska   slee pin ess sca l e aga inst   per form a nce   and EE G v ar ia bl es.   Cl inical  Neuroph y siolog y .   2006;   117(7):   1574 – 1581.   [14]   Akbar  IA,  Iga sa ki  T,   Mura y ama  N,  Hu  Z.   Drow s ine ss   assessment  using  el ec troe n ce pha logra m   in  drivi ng  sim ula to r  envi ronm ent .   Proce ed ings  of  th e   8t h  In te rna ti on a l  Confer ence  on  Biom edi cal  Eng i nee ring   and  Info rm at ic s  (BMEI) .   Shen y ang .   2015 :   184 - 188.   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vo l.   13 , N o.   1 ,  Ja nu a ry 20 19   :   1 7 0   –   1 7 8   178   [15]   Akin  M,  Kurt  MB,  Sezgi n   N,  Ba y r am  M.  Est i m at ing  vigilan c e  l eve l   b y   usin g  EE G  and  EM G  signal s.  Neur al  Com puti ng  and Applic a ti ons.  20 08;  17(3):   227 – 3 6.   [16]   Saha y adha s  A,   Sundara j  K,   Murugappa n  M.   Dr ows ine ss   det ecti on  during  di ffe r ent   t imes  of  da y   using   m ult iple   fea tur es.   Aus tral asia n  Ph y sic al &   Engi n ee ring   Sci enc es  in  Med ic i ne.   2013 ;  36(2) : 43 – 50.   [17]   Ha y ashi  K,  Ishihar a  K,  Hashim oto  H,  Oguri  K.  Indivi dualiz ed  drows i ness  det ec t ion  during  driving  b y   pulse  wave   ana l y sis wi th  n e ura l  n et work.   Proce ed ings o f the   IEE E   Intelli g ent  Tra nsporta ti on  S y stems .   Vi enna. 2005:  901 – 906.   [18]   Yang  F,  Yu  X,   Huang  J,  Yang   P,  Meta x as  D.  R obust  e y e li d  trac king  for  f at igu e  det e ct ion .   Proc e edi ngs   of  the   19 t h   IEE E   Internat ion al   Conf ere n ce o n  Im age   Proc essing  (ICIP).   Orla nd.   2012:   1829 – 1832.   [19]   Kawat o  S,  Te ts uta ni  N .   Det ec t i on  and  tr ac k ing   of  e y es  for  ga z e - ca m er a  con tro l.   Im age  and  Vi sion  Com puti ng.   2004;  22(12):   10 31 – 1038.   [20]   Sm it h  P,  Shah   M,  d a  Vitor ia  Lobo  N .   Mon it oring   hea d /ey e   m oti on  for   dri ver   a le r tne ss   with  on e  c amera .   Proce edi ngs of   t he  15th   Int ern ati onal   Conf ere n ce on  Pat te rn   Rec o gnit ion (ICP R).   Barc e lona.  2000 :  636 – 642.   [21]   Ghos h  S,  Nand y   T,   M anna   N.   R ea l  ti m e  e y e  d etec t ion  and   tracki ng  m et hod  for  d r ive r  assistanc e   s y stem.  In :  Gupt a  S,  Sandip  B ,   Ka rab i  G,   Indra n ath  S,  Papun  B .   E dit ors.  Advan cem ent s  of  Medical   E lectr oni cs:  P roc ee d ings  of  th e   1st I CAM E  Inter nat ion al   Conf erence .   New De lhi :   Springer  Indi a; 2 015:  13 – 25.   [22]   Hac hisuka  S,  Is hida   K,  En y a   T,   Kam ij o  M.  Faci a l  expr essio n  m ea surem ent   for  det e cting  drive r  drows ines s.  Engi ne eri ng  Ps ychol og y   and  Co gnit ive E rgonom ic s.  2011 ;  135 – 4 4.   [23]   Sigari   MH ,   Fath y   M,  Sor y ani  M.  A  drive r  fac e  m onit or ing   sy st em  for  fatigue  and  distr a ct ion  de tecti on .   Inte rna ti ona l  Jou rna l  o f   Vehi cul a r  Technol og y .   2 013;  (263983):   1 1  page s.   [24]   Danism an  T,   Bi la sco  IM,  Dj eraba  C,   Ih adda d e ne  N.  Drow s y   drive r  de tecti on   s y stem  using  e y e   bli nk  p atter n s.   Proce edi ngs of   t he  Int ern a ti ona l Confere nc e  on   Mac hine a nd   W eb  Int el l ige n ce   ( ICMW I).   Algie r s.  2010:  230 – 23 3.   [25]   Fazl i  S,  Esfe ha ni  P.  Tracki ng  e y e  sta te   for  f a ti gue  d et e ct ion .   Proce edi ngs  of   the   Int ern ation al   Confer ence  o n   Advanc es  in   Co m pute r  and   Elec tri c al   Engi n ee rin g  (ICACEE) .   M ani l a. 2012:   17 – 20.   [26]   Jo  J,  Le e  SJ ,   Park  KR,  Kim   I J,  Kim   J.  Dete ct in g  drive r  dro ws ine ss   using  fea ture - le v el   fusion  a nd  user - spec ific  cl assifi ca t ion. Expert  S y stems   with  Appli cations. 2014;  41(4) :  11 39 – 1152.   [27]   Garc ia   I ,   Bronte   S,  Berga sa  LM,   Alm az án  J,  Yebe s  J.  Vision - base d  drows ine ss   det ec tor  for  re al   dri ving  condi ti ons .   Proce edi ngs of   t he  IE EE Int e ll ig ent   Veh ic l es  S ym posium   (IV).  Alca l a  d e  Hen ar es.   2012:   618 – 6 23.   [28]   Alvar o  PK ,   Jac kson  ML,   Berl o witz   DJ ,   Sw ann   P,  How ard   ME .   Prolonged  e y e l id  cl osure   epi so des  during  sle ep  depr ivation in  pr ofe ss iona l  dr ive r s.  Journal   of  Cl i nic a l  Sle ep  Med i ci ne .   2016 ;  12(8 ):  1099 – 1103.   [29]   Tsuchi da  A,  B hui y an  MS ,   Oguri  K.  Esti m ati on  of  drows ine ss   le vel   base d  on  e y el id  cl osu re  and  he art   ra te  var ia b il i t y .   Proc ee dings  of  the   31st  Annual  Inte rna t iona l  Conf ere nc e  of  the   I EE E  Eng ine er in g  in  Medic ine   a nd  Biol og y   Soci ety   (EM BC).   Minne apol is.   2009:   25 43 – 2546.   [30]   Chang  CC,  L in  CJ.  LIBSVM :  A   li bra r y   for  supp ort  vector  m ac hi nes.   ACM   Tra nsac t ions  on  Inte l ligent  S y st ems   and   Te chno log y .   201 1;  2(3):   27:1 – 27: 27.   [31]   Akbar  IA,  Ru m agi t  AM ,   Uts unom i y a  M ,   M orie   T,   Ig asa ki   T.  Three  dro ws ine ss   ca t egor ie s  assess m ent   b y   el e ct roe n ce ph al o gra m   in  drivi ng   sim ula tor  enviro nm ent .   Proce edings   of  the   39 th  Annual  Int ern ati onal   Conf ere nc e  of  the IEEE Eng ine er ing  in   Medi ci ne   and   Biol og y   So ci e t y   ( EMBC).   Jeju .   2017 :  2 904 – 2907.   [32]   Gu y on  I,   W eston  J,  Barnhi ll   S,  Vapni k  V.  Gene   sele ction  for  cance r  class ifi c at io n  using  support  vec tor  m ac hin es .   Mac hine L ea rni ng.   2002;   46  (1) :   389 – 422.   [33]   Ebra himi  F,  Se t are hdan   SK ,   Na ze ran   H.  Autom at i c  slee p   stagi n g  b y   sim ultaneo us  ana l y sis  of  E CG  and  respir a t or y   signal s in   long   e pochs.   Biom edic al   Sign al   Proc es sing a nd  Con trol.  2015;   18:   69 – 7 9.   [34]   Jac kson  ML,   Raj   S,  Croft  RJ,  Ha y l e y   AC ,   Dow ne y   LA,   Kenn ed y   GA ,   How ard   ME.   Slow  ey el id  cl osur e  as  a  m ea sure  of  dr iver drowsiness a nd   it s r elati onship   t o  per form ance.  Tra ffi c  In jur y   Pr eve nt ion. 2016;   17(3):  251 – 257.   [35]   Ma’touq  J,  Al - N abul si  J,  Al - Ka z wini  A,  Ban i y as sien  A,  Al - Haj  I ss a  G,  Moham ma d  H.  E y e   bl inking - base d  m et hod   for  detec ti ng  dr i ver   drows ine ss .   Journal  of  M edica l   Engi n ee r ing &  T ec hnolog y .   2 014;  38(8):   416 – 419.   [36]   W ang  X,  Xu  C .   Drive r   drows ine ss   d et e ct ion   base d  on  non - i ntrusive   m et r ic s   conside ring   in divi dual  spec ifics.  Acc ide n t  Ana l y s is &   Prev ent ion .   2016;  95:   350 – 3 57.   [37]   Hu  S,  Zh eng  G.   Drive r  d rows ine ss   det e ct ion   wi th  e y e li d   re la t ed   par amet ers  b y   support  vector  m ac hine .   Exp ert  S y stems   with  A ppli c at io n .   2009 ;   36(4):  7651 – 76 58.     Evaluation Warning : The document was created with Spire.PDF for Python.