Learning-based estimation of drivers' psycho-physiological state

Driving requires performing multiple tasks, demanding constant alertness, thus affecting drivers' psycho-physiological state and decision-making, potentially causing accidents. Accordingly, research recognizes stress as a key factor in crashes. To reduce driving-related stress, monitoring drivers' state is vital, as it allows to quickly detect dangerous conditions. Studies show that to provide an accurate estimate of drivers' state, several factors must be considered, such as driving conditions, weather, and, most importantly, individual physiology. Approaches in the literature aim to infer the driver's state, relying solely on quantitative or qualitative data. When it comes to quantitative data, the focus is typically on telemetry or driver physiology. However, a holistic approach is lacking, which is strongly required to improve the results' interpretability and accuracy. To this extent, this Thesis discloses a comprehensive methodology to automatically assess the psycho-physiological state of drivers considering both quantitative and qualitative data. This multivariate approach relies on data collected from a diverse set of drivers, instrumented with a custom hardware setup, designed to acquire physiological, behavioral, and telemetry measures. Signals have been collected during simulated driving sessions using a minimal set of wearable sensors. Moreover, ad-hoc designed questionnaires have been proposed to collect perceptions of the drivers’ psycho-physiological state during trials. Quantitative data are then processed leveraging a multi-window approach combined with unsupervised machine learning techniques. Additionally, to effectively process the qualitative data collected, scorecards have been designed. The classification results proved the system's capability to identify stress-inducing events from the selected quantitative features. A subsequent validation phase demonstrated the model's robustness and ability to further generalize to new data. Additionally, when compared to the psycho-physiological index estimation produced by the classifier, scorecards provide consistent results, proving the robustness and reliability of the stress assessment.

La guida, con i suoi molteplici compiti, esercita una pressione costante sullo stato psicofisiologico e le capacità decisionali dei conducenti, aumentando il rischio di incidenti. Numerose ricerche individuano lo stress come un fattore critico in tali situazioni. Di conseguenza, per ridurre lo stress legato alla guida, il monitoraggio dello stato dei conducenti emerge come elemento fondamentale per identificare rapidamente potenziali situazioni di pericolo. Gli studi dimostrano che per fornire una stima accurata dello stato dei conducenti è necessario considerare diversi fattori, come le condizioni di guida, le condizioni atmosferiche e, soprattutto, la fisiologia individuale. Attualmente, gli approcci in letteratura si concentrano prevalentemente su dati quantitativi, come telemetria e fisiologia del conducente, o su dati qualitativi. Tuttavia, manca un approccio olistico che integri entrambi per migliorare l'interpretabilità e l'accuratezza dei risultati. La presente Tesi propone una metodologia completa per valutare automaticamente lo stato psicofisiologico dei conducenti, combinando dati quantitativi e qualitativi. Questo approccio multivariato si basa sui dati raccolti da un gruppo variegato di conducenti, dotati di una configurazione hardware che misura parametri fisiologici, comportamentali e telemetrici. Questi dati sono stati acquisiti durante sessioni di guida simulata con un set minimo di sensori indossabili. Inoltre, sono stati proposti questionari appositamente sviluppati per raccogliere le percezioni sullo stato psico-fisiologico durante le prove. L'elaborazione dei dati quantitativi avviene attraverso un approccio a finestra multipla e tecniche di apprendimento non supervisionato. Per elaborare i dati qualitativi, sono state sviluppate delle scorecard. I risultati della classificazione, basati su features quantitative, dimostrano l'efficacia del sistema nel riconoscere eventi stressanti. La successiva fase di validazione ha dimostrato la robustezza del modello e la sua capacità di generalizzare a nuovi dati. Le scorecard, confrontate con la stima degli indici psicofisiologici, dimostrano la robustezza e l'affidabilità della valutazione dello stress.