Metodika vyhodnocování dat z EyeTrackeru z experimentů ve vozidlovém simulátoru

Abstract

Tato diplomová práce se zabývá zpracováním dat získaných za pomocí technologie EyeTrackingu za účelem detekce únavy řidiče. Únava představuje významné bezpečnostní riziko v rámci dopravy a dosud používané metody pro její detekci často narážejí na omezenou citlivost nebo problematickou implementaci v reálném provozu. Technologie EyeTrackingu tak nabízí atraktivní alternativu těmto metodám. Cílem je navrhnout metodiku zpracování dat. Metodika využívá genetických algoritmů a shlukové analýzy. Pro lepší porozumění zpracovávaným datům je součástí práce také základní popis fyziologie oka se zaměřením na projevy únavy. Popsány jsou také různé způsoby detekce únavy, přičemž podrobně je rozpracována technologie EyeTrackingu. Dále jsou v práci popsány základní principy genetických algoritmů a shlukové analýzy doplněné o praktické ukázky jejich využití. Výsledkem je návrh obecné metodiky zpracovávající data o zrakovém chování. Přínosem práce je metodologické propojení behaviorální analýzy zrakových dat s optimalizačními metodami, konkrétně genetickými algoritmy. Výsledky ukazují, že navržený přístup může přispět ke zvýšení bezpečnosti v dopravě.

This thesis focuses on processing data obtained using Eye Tracking technology for the purpose of detecting driver fatigue. Fatigue presents a significant safety risk in transportation, and the methods currently used for its detection often face limited sensitivity or problematic implementation in real-world settings. Eye Tracking technology offers an attractive alternative to these methods. The aim of this work is to propose a methodology for data processing, utilizing genetic algorithms and cluster analysis. For a better understanding of the processed data, the thesis includes a basic description of the physiology of the eye, with a focus on the manifestations of fatigue. It also describes various methods for detecting fatigue, with particular emphasis on Eye Tracking technology. Furthermore, the thesis outlines the fundamental principles of genetic algorithms and cluster analysis, supplemented with practical examples of their use. The result is the design of a general methodology for processing visual behavior data. The contribution of this work lies in the methodological connection of behavioral analysis of visual data with optimization methods, specifically genetic algorithms. The results show that the proposed approach can contribute to improving safety in transportation.