Mapitio haya ya kimasimulizi yanachunguza jinsi kusinzia kwa dereva kunavyoweza kufuatiliwa kwa kutumia elektroensefalografia (EEG), biosignali za ziada, vihisi vinavyovaliwa na mbinu za akili bandia. Utafiti unatoa mfumo mpana wa kiufundi unaoanzia midundo ya EEG hadi uchakataji wa awali wa ishara, kutoka ujifunzaji wa mashine hadi miundo ya konvolusheni na inayotegemea transformer, na kutoka elektrodi zinazozunguka sikio hadi uthibitishaji katika uendeshaji halisi. Hitimisho kuu la mapitio ni kwamba usahihi mkubwa wa maabara pekee hautoshi kuunda mfumo wa kuaminika wa usalama wa dereva; uthibitishaji usiotegemea watu, vifaa na seti za data, upimaji wa ucheleweshaji, urekebishaji wa uwezekano, uchanganuzi wa kutokuwa na uhakika na majaribio ya uendeshaji wa kawaida ni muhimu. Hata hivyo, kazi hii ni preprint ambayo haitoi jaribio jipya, seti mpya ya data au meta-analysis, haijaeleza mbinu ya utafutaji wa kimfumo na haijapitia tathmini ya wenzao.

Kusinzia kwa dereva si hali ya ghafla na ya pande mbili inayoanza tu kwa kufumba macho. Ni mpito wa kineva na kitabia unaoendelea kati ya kuwa macho na kulala, na ambao hatua kwa hatua huharibu umakini, muda wa mwitikio, udhibiti wa njia, utambuzi wa hatari na kufanya maamuzi. Kwa sababu utendaji wa dereva unaweza kuzorota kabla yeye mwenyewe hajagundua kupungua kwa hali yake ya kuwa macho, lengo la mfumo wa ufuatiliaji ni kutoa onyo si tu baada ya gari kuyumba au macho kufumba, bali wakati mabadiliko ya kifiziolojia yenye hatari yanapoanza kujitokeza.

EEG ni muhimu kwa kusudi hili kwa sababu hupima shughuli za umeme za ubongo kwa azimio kubwa la muda. Mabadiliko katika midundo ya delta, theta, alpha na beta yanaweza kutoa taarifa kuhusu kupungua kwa hali ya kuwa macho. Hata hivyo, mapitio yanasisitiza kuwa bendi moja ya EEG au thamani moja thabiti ya kizingiti haiwezi kutumika kwa madereva wote. Historia ya usingizi, muda wa siku, mzigo wa utambuzi, hali ya macho kuwa wazi au kufungwa, eneo la elektrodi, hali ya afya na fiziolojia ya mtu binafsi vinaweza kufanya kiashiria kilekile cha EEG kionekane tofauti kwa watu tofauti.

Tathmini kwa mtazamo wa Türkiye: Kwa kuwa utafiti hautoi mfumo wa majaribio uliotengenezwa kwa nchi mahususi, hauripoti matokeo mahsusi kwa Türkiye. Hata hivyo, mfumo unaosisitiza kwamba madereva wanapaswa kutathminiwa katika umri, afya, ratiba za usingizi, magari, barabara, hali za hewa na mazingira ya kazi tofauti unaweza kubadilishwa kwa tafiti zitakazofanywa Türkiye. Mfumo utakaotumika Türkiye unapaswa kuthibitishwa kwa madereva wa ndani, katika hali halisi za barabara, katika uendeshaji wa usiku na mchana, katika aina tofauti za magari na katika seti huru za data. Mapitio haya hayaonyeshi kwamba vifaa vinavyotegemea EEG huzuia ajali kwa uhakika au kwamba leo viko tayari kuwekwa moja kwa moja katika magari yanayotengenezwa kwa wingi.

Kwa nini kusinzia kwa dereva hakuwezi kupimwa kwa kamera au mwendo wa gari pekee?

Mbinu za ufuatiliaji wa dereva katika utafiti zimegawanywa katika makundi makuu matatu: viashiria vinavyotegemea gari, ufuatiliaji unaotegemea picha na vipimo vya kifiziolojia. Harakati za usukani, kuhama kutoka kwenye njia na mienendo ya gari vinaweza kuonyesha kuzorota kwa utendaji wa kuendesha; hata hivyo, mabadiliko haya yanaweza kutokea baada ya hali ya kuwa macho kupungua. Kwa maneno mengine, mifumo inayotegemea gari mara nyingi hupima matokeo yanayotokea katika uendeshaji badala ya sababu yenyewe ya kineurofiziolojia.

Mbinu zinazotegemea kamera zinaweza kufuatilia muda mrefu wa kope kubaki limefungwa, kupiga miayo, mwelekeo wa kutazama na mkao wa kichwa. Hata hivyo, mabadiliko ya mwanga, uendeshaji wa usiku, miwani, kufunikwa kwa sehemu ya uso, pembe ya kamera na tofauti za sura kati ya watu vinaweza kuathiri ubora wa picha na utendaji wa modeli.

Vipimo vya kifiziolojia vinaenda moja kwa moja zaidi kwenye mabadiliko ya neva, ya macho na ya mfumo wa neva wa kujiendesha yanayosababisha kupungua kwa hali ya kuwa macho. Kielelezo 1 katika ukurasa wa pili wa utafiti kinaonyesha ishara za gari, matokeo ya kamera na ishara za kifiziolojia kama EEG, elektro-okulografia na mpigo wa moyo katika mlolongo mmoja wa ufuatiliaji. Kielelezo kinapendekeza kuunganisha data hizi kwa akili bandia ili kuzibadilisha kuwa kiashiria endelevu cha hatari ya kusinzia na onyo la kuzuia hatari.

EEG inaonyeshaje mabadiliko katika hali ya dereva kuwa macho?

EEG hupima shughuli za umeme za ubongo kwa kutumia elektrodi kwenye ngozi ya kichwa au kuzunguka sikio. Mapitio yanaeleza kuwa kusinzia kwa dereva hakuakilishwi na ishara moja ya EEG ya ulimwengu wote, bali na mabadiliko katika mgawanyo kati ya bendi mbalimbali za masafa.

• Shughuli ya Delta: Ni sehemu ya mawimbi ya polepole inayoweza kuongezeka wakati wa kusinzia kwa kiwango kikubwa na mwelekeo wa micro-sleep.
• Shughuli ya Theta: Katika uchovu wa mapema inaweza kuhusishwa na kuongezeka kwa juhudi za utambuzi na udhibiti wa kufidia, na katika hatua za baadaye inaweza kuhusishwa na kupungua kwa hali ya kuwa macho.
• Shughuli ya Alpha: Inaweza kuhusishwa na kupungua kwa ushiriki wa kuona au kuelekea kwa shughuli ya gamba la ubongo katika hali ya kupumzika; hata hivyo, mwelekeo wa mabadiliko unaweza kutofautiana kulingana na kazi, hali ya macho na hatua ya kusinzia.
• Shughuli ya Beta: Ni shughuli ya kasi zaidi inayohusishwa na kuwa macho na ushiriki hai wa kiutambuzi; kupungua kwake kunaweza kuambatana na kupungua kwa hali ya kuwa macho.

Mapitio yanaeleza kuwa kutawala kwa shughuli polepole ya EEG ikilinganishwa na shughuli ya haraka ya beta kunaweza kuashiria kupungua kwa uamsho wa gamba la ubongo. Hata hivyo, uhusiano huu si kizingiti thabiti cha utambuzi. Hata kwa dereva yuleyule, muda wa usingizi, matumizi ya kafeini, kiwango cha msongo na jukumu la kuendesha katika siku tofauti vinaweza kubadilisha muundo wa EEG.

Kielelezo 2 katika ukurasa wa sita wa utafiti kinaonyesha mchakato unaoendelea kutoka hali ya kuwa macho hadi uchovu na hatari ya micro-sleep pamoja na mawimbi ya EEG, nguvu za bendi za masafa, ramani za ngozi ya kichwa na picha za muda-masafa. Mchoro huohuo unaeleza pia kuwa kupepesa macho, heart rate variability, photoplethysmography, shughuli ya elektrodermali na ishara za kupumua zinaweza kuchangia kiashiria cha kuwa macho. Ujumbe mkuu wa kielelezo ni kwamba tathmini ya kuaminika inapaswa kutegemea mifumo mingi ya kifiziolojia inayobadilika kwa muda badala ya ishara moja au kizingiti thabiti.

Kwa nini kusinzia kunapaswa kuigwa kama hali endelevu badala ya hali ya pande mbili?

Seti nyingi za data humgawanya dereva katika makundi mawili ya “macho” na “anayesinzia”. Mapitio yanaeleza kuwa mbinu hii inaweza kuficha hatua ya mpito ambayo onyo la usalama linaweza kuwa na thamani kubwa zaidi. Kusinzia kunaweza kuchukuliwa kama mchakato endelevu wenye viwango vya kuwa macho, uchovu wa mapema, hali ya mpito, kusinzia kwa kiwango kikubwa na hatari ya micro-sleep.

PERCLOS, inayowakilisha uwiano wa muda ambao kope hubaki limefungwa ndani ya kipindi fulani, utofauti wa muda wa mwitikio au kiwango cha kuwa macho kilichopimwa na wataalamu kinaweza kutumika kama rejea endelevu. Miundo ya muda inaweza kupunguza mabadiliko ya ghafla na yasiyolingana ya darasa kwa kuangalia si dirisha la sasa la EEG pekee bali pia hali za awali za kuwa macho.

Umuhimu wa mbinu hii kwa usalama ni kwamba mfumo usijibu tu wakati kichwa cha dereva kinaanguka au gari linaondoka kwenye njia; bali ugundue mwelekeo wa muda wa kuongezeka kwa hatari na kutengeneza onyo la mapema na lenye uthabiti zaidi.

Ni biosignali gani zinaweza kutumika zaidi ya EEG?

Mapitio yanatathmini kwamba kuchanganya EEG na ishara za ziada kunaweza kuongeza ustahimilivu dhidi ya kuharibika kwa muda kwa ishara:

• Elektrookulografia (EOG): Hupima harakati za macho, harakati polepole za macho na mienendo ya kupepesa.
• Elektrokardiografia (ECG): Hurekodi shughuli ya umeme ya moyo na vipindi kati ya mapigo ya moyo.
• Heart rate variability (HRV): Huchunguza mabadiliko ya muda kati ya mapigo ya moyo yanayofuatana na kutoa taarifa kuhusu mfumo wa neva wa kujiendesha.
• Photoplethysmography (PPG): Hupima wimbi la mpigo kwa njia ya optiki na inaweza kuwekwa kwenye vifaa kama saa au vifaa vya masikioni.
• Shughuli ya elektrodermali: Hupima mabadiliko ya upitishaji wa ngozi yanayotegemea shughuli za tezi za jasho na kutoa taarifa kuhusu msisimko wa mfumo wa sympathetic.
• Kupumua: Hufuatilia mabadiliko katika kasi na muundo wa kupumua.

Ishara hizi si viashiria kamili vinavyoweza kuchukua nafasi ya EEG. Kwa mfano, HRV inaweza kuathiriwa na msongo, kupumua, mkao, dawa, kafeini na hali ya moyo na mishipa. Shughuli ya elektrodermali inaweza kuchanganya msongo na kusinzia. EOG, ingawa ina nguvu katika kutathmini harakati za macho, peke yake haipimi moja kwa moja hali ya kuwa macho ya gamba la ubongo.

Lengo la mbinu ya vihisi vingi ni kutumia ukweli kwamba kila kihisi hunasa sehemu tofauti ya fiziolojia. Kwa upande mwingine, kuongeza idadi ya vihisi huongeza pia matatizo ya usawazishaji wa muda, matumizi ya nishati, urekebishaji, matengenezo, usafirishaji wa data na usumbufu wa mtumiaji. Mapitio yanapendekeza kuwa badala ya kutumia vihisi vingi kadiri iwezekanavyo, inaweza kuwa rahisi zaidi kuongeza ishara moja au mbili za ziada zenye thamani kubwa ya utabiri kwenye msingi wa EEG wenye njia chache.

Kwa nini mifumo ya EEG inayovaliwa ni muhimu?

Mifumo ya EEG ya kiwango cha utafiti inaweza kuhitaji idadi kubwa ya njia, jeli inayopitisha umeme, maandalizi ya ngozi ya kichwa, nyaya na mtaalamu aliyefunzwa. Mipangilio hii ni muhimu kwa majaribio ya maabara yaliyodhibitiwa, lakini haifai kwa kuunda mfumo wa ufuatiliaji wa starehe, wa haraka na usioonekana sana katika matumizi ya kila siku ya gari.

Elektrodi za kuzunguka sikio na za ndani ya sikio hulenga kurekodi EEG kutoka eneo lenye nywele chache na lisilovutia sana macho. Kwa kuwa elektrodi kavu hazihitaji jeli inayopitisha umeme, zinafaa zaidi kwa matumizi ya muda mrefu na binafsi. Vifaa vyenye umbo la vifaa vya masikioni vinaweza pia kuunganisha EEG, EOG, shughuli ya elektrodermali na vihisi vingine katika ganda moja.

Hata hivyo, kifaa chenye starehe zaidi hakimaanishi moja kwa moja kuwa ni kifaa cha kuaminika zaidi. Ishara za EEG za kuzunguka sikio zinaweza kuwa na amplitudo ndogo na ufunikaji mdogo wa anga kuliko mifumo ya ngozi ya kichwa. Jasho, harakati za taya, kuzungumza, mtetemo, kusogea kwa elektrodi na tofauti za muundo wa masikio kati ya watu zinaweza kuharibu ubora wa mguso.

Kwa matumizi halisi, si algoriti ya uainishaji pekee inayopaswa kutathminiwa; nyenzo ya elektrodi, shinikizo la mguso, usalama wa ngozi, usafishaji, ulinganifu wa kianatomia, muda wa betri, usalama wa data isiyotumia waya, ulinganifu wa sumakuumeme na tabia ya kifaa wakati wa hitilafu pia vinapaswa kutathminiwa.

Data ya EEG husafishwaje na kuandaliwa?

Ishara ya EEG ina amplitudo ndogo na huathiriwa kwa urahisi na harakati za macho, misuli ya uso, mwingiliano wa laini ya umeme, mtetemo wa gari na harakati za elektrodi. Mapitio yanaeleza mlolongo wa kawaida wa uchakataji wa awali kama ifuatavyo:

1. Kutathmini ubora wa njia na mguso wa elektrodi,
2. Kuweka upya rejea ya njia za EEG,
3. Kupunguza masafa yasiyohusika kwa kichujio cha band-pass,
4. Kukandamiza mwingiliano wa umeme wa gridi kwa kichujio cha notch,
5. Kugawanya ishara katika madirisha ya muda,
6. Kutambua sehemu au vipengele vilivyoharibika,
7. Kupunguza tofauti za kipimo na usambazaji kwa normalization.

Independent component analysis inaweza kutumika kutenganisha mifumo inayotokana na macho na misuli kutoka EEG. Hata hivyo, mojawapo ya tahadhari muhimu za mapitio ni kwamba usafishaji mkali kupita kiasi unaweza pia kuondoa taarifa halisi za harakati za macho zinazohusiana na kusinzia. Katika mfumo unaotumia EOG pamoja na EEG, shughuli ya macho inaweza kuhifadhiwa kama ishara tofauti; lakini katika modeli inayotumia EEG pekee, ni muhimu kutathmini kwa uangalifu ni vipengele gani vinaondolewa.

Ni vipengele gani hutolewa kutoka EEG?

Mbinu za jadi za ujifunzaji wa mashine hubadilisha kila dirisha la ishara kuwa vipengele vya nambari ambavyo kiainishaji kinaweza kutumia. Mapitio yanashughulikia maeneo makuu matatu ya vipengele:

Madirisha marefu ya uchanganuzi yanaweza kukokotoa nguvu ya masafa kwa uthabiti zaidi, lakini husababisha ucheleweshaji wa onyo. Madirisha mafupi hutoa mwitikio wa haraka zaidi lakini yanaweza kutoa matokeo yenye utofauti na kelele zaidi. Madirisha yanayopishana, usawazishaji wa muda, thamani za mwanzo zinazobinafsishwa na uchujaji wa mfululizo vinaweza kutumika kuboresha uwiano huu.

Biosignali nyingi huunganishwaje?

Mapitio yanaeleza mikakati mitatu ya msingi ya kuunganisha data:

• Muunganisho wa mapema: Vipengele vinavyotolewa kutoka EEG, EOG, ECG au vihisi vingine huunganishwa katika vekta moja ya vipengele. Mbinu ni rahisi lakini ni nyeti kwa tofauti za vipimo na vihisi vinavyokosekana.
• Muunganisho wa kiwango cha kati: Uwakilishi tofauti hujifunzwa kwa kila ishara na uwakilishi huo huunganishwa katika tabaka za kati za modeli. Inaweza kujifunza mahusiano kati ya ishara lakini inahitaji modeli tata zaidi.
• Muunganisho wa kuchelewa: Kila kihisi hutoa utabiri wake na uamuzi wa mwisho hufanywa kwa kuunganisha utabiri huo. Ni wa moduli na unaweza kuwa rahisi kubadilika zaidi kihisi kimoja kinaposhindwa; hata hivyo, unaweza kukosa mwingiliano wa mapema kati ya ishara.

Uteuzi wa vipengele na upunguzaji wa vipimo vinapaswa kufanywa kwa data ya mafunzo pekee. Vipengele vinavyochaguliwa mapema kwa kutumia data yote vinaweza kusababisha taarifa kutoka kwa washiriki wa majaribio kuvuja kwenda katika mchakato wa mafunzo na kusababisha kuripotiwa kwa utendaji wa juu kuliko hali halisi.

Ni mbinu gani za ujifunzaji wa mashine zinazotumika?

Support vector machines, linear discriminant analysis, logistic regression, k-nearest neighbors, random forest na mbinu za boosting zinaweza kuwa na ufanisi katika seti za data zenye idadi ndogo ya washiriki. Miundo hii hutegemea nguvu za bendi, wavelet, entropy na vipengele vya takwimu. Kwa kuwa mahitaji yao ya ukokotoaji ni madogo kwa kulinganisha, inaweza kuwa rahisi zaidi kuyatekeleza kwenye vifaa vya pembeni ndani ya gari au vinavyovaliwa.

Kizuizi kikuu cha miundo ya jadi ni kwamba mafanikio yake hutegemea kwa kiasi kikubwa usafishaji wa ishara na ubora wa vipengele vilivyochaguliwa kwa mkono. Mifumo ya EEG inapobadilika kati ya madereva, vipengele thabiti vinaweza kutotosha. Hata hivyo, mapitio hayahitimishi kuwa miundo ya ujifunzaji wa kina lazima iwe bora; katika seti ndogo za data, miundo rahisi inaweza kutoa matokeo thabiti na yanayofafanulika zaidi.

Miundo ya ujifunzaji wa kina hubadilisha nini?

Convolutional neural networks (CNN) zinaweza kujifunza mifumo ya ndani ya muda na ya anga kati ya elektrodi kutoka EEG ghafi au iliyochakatwa kidogo. Miundo midogo kama EEGNet inayotumia depthwise separable convolution ni muhimu kwa mifumo ya kuvaliwa yenye matumizi madogo ya nishati kwa sababu hufanya kazi kwa vigezo vichache.

Long short-term memory networks (LSTM), temporal convolutional networks na mchanganyiko wa CNN-LSTM hulenga kuiga maendeleo ya kusinzia kwa muda. Attention mechanisms na transformer architectures zinaweza kujifunza mahusiano ya muda mrefu zaidi kati ya sehemu tofauti za muda au njia za EEG. Mbinu ya EEG Conformer huunganisha tabaka za convolution zinazotoa mifumo ya ndani ya EEG na self-attention mechanism inayotathmini muktadha mpana zaidi.

Hatari muhimu ya miundo ya kina ni kwamba badala ya kujifunza viashiria vya kifiziolojia vya kusinzia, inaweza kukariri utambulisho wa mtu, sifa za kifaa cha kurekodia au artefact za mwendo. Kwa hiyo, maelezo ya modeli, majaribio ya kuvuruga masafa, majaribio ya kuondoa njia na uchanganuzi wa kupunguza vipengele vinapaswa kutumiwa kuchunguza kama maamuzi yanategemea mifumo halisi ya kineurofiziolojia.

Kwa nini kuvuja kwa washiriki huongeza utendaji kwa njia ya bandia?

Rekodi ya EEG inapogawanywa katika madirisha mafupi, madirisha jirani kutoka kwa mtu yuleyule yanaweza kufanana sana. Ikiwa baadhi ya madirisha haya yatasambazwa kwa nasibu katika kundi la mafunzo na mengine katika kundi la majaribio, modeli inaweza kutambua muundo wa EEG wa mtu aliyemwona wakati wa mafunzo badala ya kutambua kusinzia kwa dereva mpya.

Katika tathmini halisi isiyotegemea mtu, hakuna rekodi ya madereva katika kundi la majaribio inayopaswa kutumiwa katika mchakato wa kutengeneza modeli. Mgawanyo wa data unapaswa kufanywa kabla ya uchakataji wa awali wa ishara, uteuzi wa vipengele, upunguzaji wa vipimo na upangaji wa hyperparameter. Katika seti ndogo za data, nested cross-validation inaweza kutumika; katika kiwango cha ushahidi chenye nguvu zaidi, uthibitishaji wa nje ulio huru kabisa kutoka kituo, kifaa au seti nyingine ya data unapaswa kutumiwa.

Kwa nini accuracy pekee haitoshi?

Matukio ya kusinzia yanapokuwa machache kuliko uendeshaji wa hali ya kuwa macho, modeli inaweza kuweka madirisha yote kama ya mtu aliye macho na kupata accuracy inayoonekana kuwa kubwa. Kwa hiyo, mapitio yanapendekeza kuripoti vipimo vifuatavyo kwa pamoja:

• Sensitivity na specificity,
• Precision na F1 score,
• Balanced accuracy,
• Matthews correlation coefficient,
• ROC-AUC na PR-AUC,
• Ucheleweshaji wa kugundua tukio la kusinzia,
• Hitilafu na ulinganifu wa muda katika utabiri endelevu,
• Urekebishaji wa uwezekano na kutokuwa na uhakika kwa utabiri.

Hata kama modeli inapanga kwa usahihi sampuli za kusinzia na za kuwa macho, uwezekano wa hatari unaotabiriwa unaweza usiwe wa kuaminika. Kwa mfano, ikiwa ni sehemu ndogo tu ya matukio ambayo modeli imetaja kuwa na hatari ya asilimia 90 ndiyo kweli yana kusinzia, mfumo wa onyo utatoa tahadhari zisizo za lazima. Calibration curves, Brier score na expected calibration error zinaweza kutumika kutathmini jinsi uwezekano uliotabiriwa unavyolingana na marudio ya matukio yaliyotazamwa.

Ukadiriaji wa kutokuwa na uhakika pia ni muhimu kwa usalama. Mguso wa elektrodi unapozorota au modeli inapokutana na muundo wa kifiziolojia ambao haijawahi kuuona, mfumo unapaswa kuwa na uwezo wa kuonyesha kiwango cha chini cha kujiamini au kujizuia kufanya uamuzi badala ya kutoa uamuzi wa uhakika lakini usio sahihi.

Ni jinsi gani mafanikio ya maabara yanahamishwa kwenda kwenye uendeshaji halisi?

Kielelezo 3 katika ukurasa wa kumi wa utafiti kinaonyesha njia ya uthibitishaji inayoanzia maendeleo na mgawanyo wa data hadi tathmini ya utendaji, na kutoka hapo hadi ufuatiliaji ndani ya gari na matumizi ya moja kwa moja. Mchoro unashughulikia kwa pamoja utenganishaji huru wa washiriki, nested cross-validation, seti za data za nje, vipimo vingi vya utendaji, urekebishaji, kutokuwa na uhakika kwa utabiri, mfumo wa onyo, usalama wa data na ufuatiliaji baada ya kupelekwa.

Majaribio ya simulator yanaweza kutoa tathmini ya awali ya mbinu; hata hivyo, katika uendeshaji halisi kuna vigezo vya ziada kama uso wa barabara, mtetemo wa gari, kuzungumza, harakati za taya, mabadiliko ya usiku na mchana, hali tofauti za hewa, msongamano wa trafiki na tabia ya dereva. Katika tathmini ya prospective, si uainishaji sahihi pekee unaopaswa kutathminiwa, bali pia ikiwa onyo linamfikia dereva kwa wakati, linaeleweka, halitoi tahadhari nyingi kupita kiasi na linamsaidia dereva kuonyesha tabia salama.

Ishara za muda mrefu za ubongo na moyo zinaweza kubeba taarifa si kuhusu kusinzia pekee bali pia kuhusu sifa nyingine za kifiziolojia. Kwa hiyo, upunguzaji wa data, uchakataji kwenye kifaa cha ndani, mawasiliano salama yasiyotumia waya, uondoaji wa utambulisho, udhibiti wa ufikiaji, ufuatiliaji wa toleo la programu na ufuatiliaji wa usalama baada ya kupelekwa vinapaswa kuwa sehemu za msingi za mfumo.

Ujumbe wa pamoja wa tafiti zilizolinganishwa ni upi?

Jedwali 1 la mapitio linalinganisha tafiti nane wakilishi kwa ishara, mbinu, lengo la uthibitishaji, mchango na kizuizi. Jambo la pamoja katika tafiti ni kwamba mbinu tofauti sana, kutoka vipimo vya bendi za EEG hadi vipengele vya wavelet na mitandao ya kina, zinaweza kugundua mifumo inayohusiana na kusinzia katika hali zilizodhibitiwa.

Hata hivyo, jedwali pia linasisitiza kizuizi cha kila mbinu. Vipengele vilivyotengenezwa kwa mkono vinaweza kuwa nyeti kwa tofauti kati ya watu; vipengele vya biosignali nyingi vinaweza kuhitaji uchakataji wa awali wenye utata; HRV inaweza kuathiriwa na msongo na hali ya afya; miundo ya dynamic huhitaji lebo za rejea za kuaminika; mitandao ya kina ina hatari ya overfitting na kuvuja kwa washiriki; na vifaa vya EEG vya ndani ya sikio bado havijathibitishwa vya kutosha katika uendeshaji wa kawaida wa muda mrefu.

Tathmini ya jumla ya mapitio ni kwamba hakuna algoriti moja inayotatua matatizo yote. Thamani katika matumizi halisi inategemea kuendelezwa kwa pamoja kwa starehe ya kihisi, uaminifu wa ishara, uwezo wa kujumlisha bila kutegemea mtu, ucheleweshaji mdogo, ufanisi wa nishati, uwezo wa kuelezeka na mwingiliano wa binadamu na mashine.

Ni nguvu zipi za utafiti?

• Unashughulikia fiziolojia ya EEG, vifaa vinavyovaliwa, uchakataji wa ishara na akili bandia katika mtazamo mmoja wa mfumo.
• Unatathmini kusinzia si kama uainishaji wa pande mbili pekee bali kama mchakato wa kifiziolojia unaoendelea kwa muda.
• Unafanya tatizo la kuvuja kwa washiriki na mgawanyo wa nasibu wa madirisha lionekane wazi.
• Unaangazia mahitaji ya calibration, kutokuwa na uhakika, ucheleweshaji na uthibitishaji wa nje pamoja na accuracy.
• Unajadili changamoto za EEG inayovaliwa kuhusu starehe, ubora wa mguso, betri, usalama wa mawasiliano yasiyotumia waya na matumizi halisi.
• Hautathmini mafanikio ya akili bandia tofauti na tabia ya dereva na muundo wa onyo salama.

Ni mapungufu gani ya utafiti?

• Utafiti ni preprint ambayo haijapitia tathmini ya wenzao.
• Ni mapitio ya kimasimulizi; itifaki ya utafutaji wa kimfumo haijaripotiwa.
• Haijaelezwa ni hifadhidata zipi, kati ya tarehe zipi na kwa maneno gani muhimu zilitafutwa.
• Vigezo vya kujumuisha na kuondoa pamoja na mtiririko wa uteuzi wa tafiti havijatolewa.
• Hatari ya upendeleo au ubora wa kimetodolojia wa vyanzo haujatathminiwa.
• Meta-analysis, accuracy iliyounganishwa au ukubwa wa athari wa kiasi haujatolewa.
• Sababu ya kuchagua tafiti wakilishi haijaelezwa.
• Baadhi ya nambari za marejeo ndani ya maandishi hazilingani na rekodi katika orodha ya marejeo.
• Katika orodha ya marejeo kuna rekodi yenye tarehe ya uchapishaji iliyo baada ya tarehe ya kuandikwa kwa makala.
• Baadhi ya vyanzo vya mapitio havilengi moja kwa moja kusinzia kwa dereva.

Utafiti unaunga mkono nini?

Utafiti unaunga mkono kwamba EEG ni ishara yenye maana ya kifiziolojia kwa kuchunguza mabadiliko ya muda katika hali ya dereva kuwa macho; na kwamba inapounganishwa na EOG, ECG, HRV, PPG, shughuli ya elektrodermali na kupumua, tathmini pana zaidi ya hali inaweza kufanywa. Pia unatetea kwamba uthibitishaji usiotegemea mtu, makadirio ya uwezekano yanayoaminika, usimamizi wa kutokuwa na uhakika na majaribio ya uendeshaji wa kawaida ni muhimu kwa matumizi halisi.

Utafiti hauthibitishi nini?

Mapitio haya hayathibitishi moja kwa moja kwamba modeli fulani ina accuracy ya juu zaidi, kwamba EEG ya ndani ya sikio hufanya kazi kwa kuaminika kwa madereva wote au kwamba mfumo wowote hupunguza ajali za barabarani. Hakuna majaribio yaliyofanywa na washiriki wapya, hakuna prototype iliyotengenezwa na hakuna matokeo ya usalama yaliyopimwa katika gari halisi. Utendaji wa maabara wa mbinu zilizopitiwa haumaanishi kuwa ziko tayari kwa matumizi ya kibiashara au ya kiutendaji.

Mbinu na Matokeo ya Utafiti

Muundo wa kimetodolojia wa mapitio

Mlolongo wa kiufundi unaopendekezwa kutoka ishara hadi onyo

1. EEG na biosignali za ziada zilizochaguliwa hurekodiwa kutoka kwenye vihisi vinavyovaliwa.
2. Ubora wa njia na mguso wa elektrodi hutathminiwa kwa wakati halisi.
3. Kelele, mwingiliano wa umeme wa gridi, artefact zinazotokana na macho, misuli na mwendo hudhibitiwa.
4. Ishara hugawanywa katika madirisha ya muda na kufanyiwa normalization ipasavyo.
5. Vipengele vya muda, masafa au muda-masafa hutolewa au uwakilishi hujifunzwa moja kwa moja na mtandao wa kina.
6. Ikiwa vihisi vingi vinatumika, muunganisho wa mapema, wa kiwango cha kati au wa kuchelewa hutumika.
7. Modeli hutoa darasa la kuwa macho, kiwango endelevu cha kusinzia au uwezekano wa hatari.
8. Utabiri usiotulia hupunguzwa kwa usawazishaji wa muda na udhibiti wa kutokuwa na uhakika.
9. Kizingiti cha hatari kinapovukwa, onyo la sauti, kuona au mguso hutolewa.
10. Ucheleweshaji wa onyo, kiwango cha tahadhari za uongo na mwitikio wa dereva hutathminiwa katika hali halisi za kuendesha.

Muhtasari wa kiufundi wa matokeo makuu ya mapitio

Kwa kuwa utafiti haukufundisha kiainishaji kipya, haukuripoti thamani mpya ya accuracy, sensitivity, specificity, AUC, F1 score au umuhimu wa kitakwimu. Mbinu tofauti kutoka tafiti wakilishi zimeelezwa, lakini matokeo yake hayajaunganishwa katika uchanganuzi mmoja wa pamoja. Kwa hiyo, haiwezekani kutoa hitimisho la “modeli iliyofanikiwa zaidi” au “accuracy ya wastani” kutoka kwenye mapitio haya.

Maelezo ya Chanzo na Mbinu

Jina kamili la asili la utafiti: AI-Driven EEG-Based Driver Drowsiness Detection: A Narrative Review of Biosignals and Wearable Devices

Waandishi, kwa mpangilio sahihi: Mahsa Khaghani Asl Toloun; Aida Khaghani Asl Toloun.

Mwandishi mwenza wa kwanza au mchango sawa: Hakuna taarifa ya uandishi wa kwanza wa pamoja au mchango sawa katika maandishi.

Mwandishi wa mawasiliano: Mahsa Khaghani Asl Toloun.

Uhusiano wa taasisi: Department of Biomedical Engineering, Science and Research Branch, Islamic Azad University, Tehran, Iran.

DOI: Taarifa ya DOI haijaonyeshwa katika toleo lililopakiwa wala katika rekodi ya SSRN iliyothibitishwa. DOI haijabuniwa.

Nambari ya rekodi ya SSRN: 7139298.

Jarida: Jina la jarida lililopitiwa na wenzao au toleo la jarida lililokubaliwa halijathibitishwa.

Jukwaa la uchapishaji: SSRN.

Mchapishaji asilia: Hakuna mchapishaji wa jarida lililopitiwa na wenzao kwa toleo hili; kazi imewasilishwa kwenye jukwaa la preprint la SSRN.

Tarehe ya kuandikwa kwa utafiti: 14 Julai 2026.

Tarehe ya kupakiwa SSRN: 23 Julai 2026.

Aina ya chanzo: Mapitio ya kimasimulizi na preprint.

Hali ya tathmini ya wenzao: Kazi hii ni preprint ambayo haijapitia tathmini ya wenzao; matokeo na tafsiri za fasihi zinapaswa kusomwa kwa kuzingatia kizuizi hiki.

Kiungo rasmi cha chanzo:Rekodi ya utafiti ya SSRN

Maudhui haya ya Kiswahili yameandaliwa kwa kutegemea maandishi makuu ya utafiti uliopakiwa, jedwali lake la kulinganisha, vielelezo vya EEG na biosignali, mijadala ya mbinu na orodha ya marejeo. Hakuna matokeo ya kisayansi yaliyoongezwa kutoka vyanzo vya nje; ukaguzi wa nje ulitumika tu kuthibitisha utambulisho wa kibibliografia wa utafiti kwenye SSRN na tarehe ya uchapishaji.

Utafiti hautoi data mpya ya majaribio, haujaribu kifaa maalumu na haufanyi meta-analysis. Hifadhidata, mfuatano wa utafutaji, kipindi cha tarehe, vigezo vya kujumuisha na kuondoa, mtiririko wa uteuzi na tathmini ya hatari ya upendeleo zinazohitajika kwa mapitio ya kimfumo ya fasihi hazijawasilishwa. Kwa hiyo, haiwezi kuthibitishwa kwamba mapitio yamejumuisha machapisho yote yanayohusika au kwamba tafiti wakilishi zilichaguliwa kwa mbinu isiyo na upendeleo.

Kuna matatizo kadhaa ya kutolingana kwa nambari kati ya marejeo ndani ya maandishi na orodha ya marejeo. Baadhi ya marejeo yanayohusiana na EEGLAB, EEG Conformer, TRIPOD+AI, PROBAST+AI na DECIDE-AI hayalingani kwa uthabiti na rekodi zinazohusiana katika orodha ya marejeo. Pia kuna rekodi katika orodha ya marejeo yenye tarehe ya Desemba 2026, ambayo iko baada ya tarehe ya kuandikwa kwa utafiti. Matatizo haya hayabatilishi kabisa mfumo mkuu wa dhana wa makala; hata hivyo, yanapunguza uaminifu wa kibibliografia na yanahitaji kusahihishwa na waandishi au jukwaa kabla ya uchapishaji wa mwisho.

Hitimisho kuu la mapitio ni kwamba ufuatiliaji wa kusinzia kwa dereva unaotegemea EEG una matumaini ya kisayansi na kiufundi, lakini accuracy ya uainishaji wa maabara haipaswi kulinganishwa moja kwa moja na athari ya usalama katika barabara halisi. Kwa matumizi ya kuaminika, uthibitishaji usiotegemea mtu na unaovuka seti za data, jaribio la uendeshaji wa kawaida, ucheleweshaji wa kugundua uliopimwa, calibration, usimamizi wa kutokuwa na uhakika, explainability, usalama wa data na tathmini ya sababu za kibinadamu vinahitajika.