Du har inte javascript påslaget. Det innebär att många funktioner inte fungerar. För mer information om Vinnova, ta kontakt med oss.

Fysiologisk övervakning av förare för fordonets hantering av nödsituationer (DrivER)

Diarienummer
Koordinator Chalmers Tekniska Högskola AB - Inst. för Elektroteknik; medicinska Signaler & System
Bidrag från Vinnova 3 962 910 kronor
Projektets löptid april 2021 - december 2023
Status Avslutat
Utlysning Trafiksäkerhet och automatiserade fordon - FFI
Ansökningsomgång Trafiksäkerhet och automatiserade fordon - FFI -december 2020
Slutrapport 2020-05157svenska.pdf (pdf, 2549 kB)

Viktiga resultat som projektet gav

Syftet var att utveckla koncept för detektera förartillstånd: 1) Sömnighetsdetektion i verklig körning; 2) Bedömning av stressnivå hos yrkesförare med hjälp av diskreta sensorer. 3) Detektion av vitaldata och plötslig sjukdom på grund av hjärtrelaterade komplikationer såsom arytmier. Projektet har genererat ny kunskap och IP för alla koncept, resultaten visar att det är utmanande att detektera förartillstånd och plötslig sjukdom med icke-invasiva sensorer i fordonsmiljö, men COPE DrivER har utvecklat metoder för att angripa utmaningarna som är värda att vidareutvecklas.

Långsiktiga effekter som förväntas

Kunskapsbyggandet och nätverket projektet har byggt har lett till vidare pågående projekt och ytterligare projekt som definierats. Exempel på pågående projekt är Syncope som fortsätter att undersöka möjligheterna att detektera plötslig sjukdom. Autoliv fortsätter datainsamling för detektion av sömnighet. Projektet har i nuläget resulterat i 4 peer-reviewed vetenskapliga publikationer samt en inskickad. Förväntade effekter är att insatser för utveckla teknologierna mot skarp implementation tilltar.

Upplägg och genomförande

Experiment designades och genomfördes för att slutföra datainsamling genom körsimulator (för stress och mental belastning), naturalistisk körning (för detektion av sömnighet genom pulsmätning och maskininlärningsmetodik), samt tester i labbmiljö hos Chalmers och Raytelligence. Statistiska tester och olika strategier för träning och utvärdering av maskininlärningsmodeller användes, som jämfördes med forskningspersonernas upplevda stress- och sömnighetsnivå samt gentemot referensutrustning.

Texten på den här sidan har projektgruppen själv formulerat. Innehållet är inte granskat av våra redaktörer.

Senast uppdaterad 25 juni 2024

Diarienummer 2020-05157