Optimal feature tuning model by variants of convolutional neural network with LSTM for driver distract detection in IoT platform
| dc.contributor.advisor | Kurnaz Türkben, Ayça | |
| dc.contributor.author | Farhan, Hameed Mutlag Farhan | |
| dc.date.accessioned | 2024-11-14T08:19:14Z | |
| dc.date.available | 2024-11-14T08:19:14Z | |
| dc.date.issued | 2024 | en_US |
| dc.date.submitted | 2024 | |
| dc.department | Enstitüler, Lisansüstü Eğitim Enstitüsü, Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı | en_US |
| dc.description.abstract | Nowadays, traffic accidents are caused due to the distracted behaviors of drivers that have been noticed with the emergence of smartphones. Due to distracted drivers, more accidents have been reported in recent years. Therefore, there is a need to recognize whether the driver is in a distracted driving state, so essential alerts can be given to the driver to avoid possible safety risks. For supporting safe driving, several approaches for identifying distraction have been suggested based on specific gaze behavior and driving contexts. Thus, in this paper, a new Internet of Things (IoT)-assisted driver distraction detection model is suggested. Initially, the images from IoT devices are gathered for feature tuning. The set of Convolutional Neural Network (CNN) methods like ResNet, LeNet, VGG 16, AlexNet GoogleNet, Inception-ResNet, DenseNet, Xception, and mobilenet are used, in which the best model is selected using Self Adaptive Grass Fibrous Root Optimization (SA-GFRO) algorithm. The optimal feature tuning CNN model processes the input images for obtaining the optimal features. These optimal features are fed into the Long Short-Term Memory (LSTM) for getting the classified distraction behaviors of the drivers. From the validation of the outcomes, the accuracy of the proposed technique is 95.89%. Accordingly, the accuracy of the existing techniques like SMO-LSTM, PSO-LSTM, JA-LSTM, and GFRO-LSTM is attained as 92.62%, 91.08%, 90.99%, and 89.87%, respectively for dataset 1. Thus, the suggested model achieves better classification accuracy while detecting distracted behaviors of drivers and this model can support the drivers to continue with safe driving habits. | en_US |
| dc.description.abstract | Günümüzde akıllı telefonların ortaya çıkmasıyla birlikte fark edilen sürücülerin dikkat dağınıklığı nedeniyle trafik kazaları meydana geliyor. Dikkatsiz sürücüler nedeniyle son yıllarda daha fazla kaza rapor edildi. Bu nedenle, sürücünün dikkati dağılmış bir sürüş durumunda olup olmadığının anlaşılmasına ihtiyaç duyulmakta ve olası güvenlik risklerinden kaçınmak için sürücüye gerekli uyarılar verilebilmektedir. Güvenli sürüşü desteklemek için, belirli bakış davranışına ve sürüş bağlamlarına dayalı olarak dikkat dağınıklığını belirlemeye yönelik çeşitli yaklaşımlar önerilmiştir. Bu nedenle, bu makalede Nesnelerin İnterneti (IoT) destekli yeni bir sürücü dikkat dağınıklığını tespit etme modeli önerilmektedir. Başlangıçta, özellik ayarlama için IoT cihazlarından gelen görüntüler toplanır. ResNet, LeNet, VGG 16, AlexNet GoogleNet, Inception-ResNet, DenseNet, Xception ve mobilenet gibi Evrişimli Sinir Ağı (CNN) yöntemleri kümesi kullanılır ve burada En iyi model, Kendini Uyarlayan Çim Fibröz Kök Optimizasyonu (SA) kullanılarak seçilir. -GFRO) algoritması. Optimum özellik ayarlama CNN modeli, optimum özellikleri elde etmek için giriş görüntülerini işler. Bu optimum özellikler, sürücülerin sınıflandırılmış dikkat dağıtma davranışlarını elde etmek için Uzun Kısa Süreli Belleğe (LSTM) beslenir. Sonuçların doğrulanmasından önerilen tekniğin doğruluğu %95,89'dur. Buna göre mevcut tekniklerin doğruluğu SMO-LSTM, PSO-LSTM, JA-LSTM ve GFRO-LSTM gibi veri seti 1 için sırasıyla %92,62, %91,08, %90,99 ve %89,87 olarak elde edilmiştir. Model, sürücülerin dikkat dağıtıcı davranışlarını tespit ederken daha iyi sınıflandırma doğruluğu elde etmekte ve bu model, sürücülerin güvenli sürüş alışkanlıklarına devam etmelerine destek olabilmektedir. | en_US |
| dc.identifier.citation | Farhan, H. M. F. (2024). Optimal feature tuning model by variants of convolutional neural network with LSTM for driver distract detection in IoT platform. (Yayınlanmamış doktora tezi). Altınbaş Üniversitesi, Lisansüstü Eğitim Enstitüsü, İstanbul. | en_US |
| dc.identifier.uri | https://hdl.handle.net/20.500.12939/4988 | |
| dc.identifier.yoktezid | 886458 | |
| dc.institutionauthor | Farhan, Hameed Mutlag Farhan | |
| dc.language.iso | en | |
| dc.publisher | Altınbaş Üniversitesi / Lisansüstü Eğitim Enstitüsü | en_US |
| dc.relation.publicationcategory | Tez | en_US |
| dc.rights | info:eu-repo/semantics/openAccess | en_US |
| dc.subject | Driver Distract Detection in IoT | en_US |
| dc.subject | Optimal Feature Tuning Model | en_US |
| dc.subject | Convolutional Neural Network | en_US |
| dc.subject | Long Short-Term Memory | en_US |
| dc.subject | Self Adaptive Grass Fibrous Root Optimization | en_US |
| dc.subject | IoT'da Sürücü Dikkatinin Tespiti | en_US |
| dc.subject | Optimal Özellik Ayarlama Modeli | en_US |
| dc.subject | Evrişimsel Sinir Ağı | en_US |
| dc.subject | Uzun Kısa Süreli Bellek | en_US |
| dc.subject | Kendini Uyarlayan Çim Lifli Kök Optimizasyonu | en_US |
| dc.title | Optimal feature tuning model by variants of convolutional neural network with LSTM for driver distract detection in IoT platform | |
| dc.type | Doctoral Thesis |
