Hệ Thống Phát Hiện Buồn Ngủ Cho Tài Xế Sử Dụng Xử Lý Ảnh

Luận văn tốt nghiệp kỹ thuật nghiên cứu tốt nghiệp kỹ thuật máy tính hệ thống phát hiện buồn ngủ cho tài xế sử dụng xử lý ảnh, điều tra thực trạng, phân tích số liệu, đề xuất biện

• Tác giả: Nguyễn Công Minh
• Người hướng dẫn: ThS. Lê Hoài Nghĩa
• Trường học: Đại học Quốc gia TP. Hồ Chí Minh
• Chuyên ngành: Kỹ sư ngành Kỹ thuật máy tính
• Đề tài: Hệ Thống Phát Hiện Buồn Ngủ Cho Tài Xế Sử Dụng Xử Lý Ảnh
• Loại tài liệu: khóa luận tốt nghiệp
• Năm xuất bản: 2021
• Địa điểm: TP. Hồ Chí Minh

Mục lục chi tiết

• LỜI CẢM ƠN
• 1. CHƯƠNG 1: TÌNH HÌNH NGHIÊN CỨU TRONG NƯỚC
• 1.1. Luận văn Thạc sĩ “Nghiên cứu tình trạng buồn ngủ của người lái xe dựa trên nhận dạng cử chỉ khuôn mặt”
• 1.2. Đề tài “Nghiên cứu thiết kế hệ thống giám sát trạng thái buồn ngủ của lái xe”
• 1.3. Đề tài “Hệ thống cảnh báo tài xế ô tô ngủ gật”
• 2. CHƯƠNG 2: THUẬT TOÁN PHÁT HIỆN BUỒN NGỦ
• 2.1. Mối liên hệ giữa sự buồn ngủ và hành vi chớp mắt
• 2.2. Phát triển thuật toán
• 2.3. Xử lý ảnh và học sâu
• 2.3.1. Model MobileNet SSD v2 Faces
• 2.3.2. Thư viện TensorFlow Lite Python API
• 2.3.3. Phát hiện vùng mắt
• 2.3.4. Model Dlib Facial landmark 68
• 2.3.5. Huấn luyện lại model Dlib Facial landmark 68
• 3. CHƯƠNG 3: HIỆN THỰC HỆ THỐNG PHÁT HIỆN BUỒN NGỦ BẰNG XỬ LÝ ẢNH TRÊN RASPBERRY PI 4 VÀ GOOGLE CORAL USB
• 3.1. Google Coral USB
• 3.2. Thu thập video dữ liệu mẫu
• 3.3. Thiết kế và lập trình hệ thống
• 3.3.1. Khái quát quy trình thực hiện
• 3.3.2. Thiết kế hệ thống phần cứng
• 3.3.3. Cài đặt thư viện và môi trường
• 3.3.4. Lập trình thuật toán
• 3.3.5. Môi trường thực nghiệm và kết quả
• 4. KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• 4.1. Kết quả và kết luận
• 4.2. Môi trường hệ thống sử dụng
• 4.3. Kết quả thực nghiệm
• 4.4. Điểm hạn chế và hướng phát triển
• 4.4.1. Điểm hạn chế
• 4.4.2. Hướng phát triển
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Về Hệ Thống Phát Hiện Buồn Ngủ Cho Tài Xế

Hệ thống phát hiện buồn ngủ cho tài xế sử dụng xử lý ảnh là một giải pháp công nghệ tiên tiến nhằm giảm thiểu tai nạn giao thông do tài xế ngủ gật. Với sự phát triển của công nghệ, việc áp dụng các thuật toán xử lý ảnh để theo dõi trạng thái của tài xế đã trở thành một xu hướng quan trọng. Hệ thống này không chỉ giúp cảnh báo kịp thời mà còn nâng cao an toàn giao thông.

1.1. Công Nghệ Xử Lý Ảnh Trong Phát Hiện Buồn Ngủ

Công nghệ xử lý ảnh đóng vai trò quan trọng trong việc phát hiện trạng thái buồn ngủ của tài xế. Bằng cách phân tích hình ảnh khuôn mặt và mắt, hệ thống có thể xác định được thời gian chớp mắt và các biểu hiện khác của sự buồn ngủ.

1.2. Lợi Ích Của Hệ Thống An Toàn Cho Tài Xế

Hệ thống phát hiện buồn ngủ không chỉ giúp tài xế nhận thức được tình trạng của mình mà còn giảm thiểu rủi ro tai nạn. Việc cảnh báo kịp thời giúp tài xế có thể dừng lại nghỉ ngơi, từ đó bảo vệ tính mạng và tài sản.

II. Vấn Đề Tai Nạn Giao Thông Do Buồn Ngủ

Tai nạn giao thông do tài xế ngủ gật là một vấn đề nghiêm trọng, gây thiệt hại lớn về người và của. Theo thống kê, có hàng trăm vụ tai nạn mỗi năm liên quan đến tình trạng buồn ngủ của tài xế. Việc phát hiện sớm và cảnh báo kịp thời là rất cần thiết để giảm thiểu những rủi ro này.

2.1. Nguyên Nhân Gây Tai Nạn Do Buồn Ngủ

Nguyên nhân chính gây tai nạn do buồn ngủ bao gồm sự thiếu tập trung và phản xạ chậm của tài xế. Khi tài xế không đủ tỉnh táo, khả năng xử lý tình huống sẽ giảm, dẫn đến nguy cơ tai nạn cao.

2.2. Tác Động Của Buồn Ngủ Đến Lái Xe

Buồn ngủ ảnh hưởng trực tiếp đến khả năng lái xe, làm giảm sự chú ý và tốc độ phản ứng. Điều này có thể dẫn đến những quyết định sai lầm trong tình huống khẩn cấp, gây ra tai nạn nghiêm trọng.

III. Phương Pháp Phát Hiện Buồn Ngủ Hiện Nay

Có nhiều phương pháp phát hiện buồn ngủ hiện nay, trong đó xử lý ảnh là một trong những giải pháp hiệu quả nhất. Các phương pháp này sử dụng công nghệ nhận diện khuôn mặt và theo dõi hành vi chớp mắt để xác định trạng thái buồn ngủ của tài xế.

3.1. Xử Lý Ảnh Để Phát Hiện Trạng Thái Buồn Ngủ

Xử lý ảnh cho phép hệ thống phân tích hình ảnh khuôn mặt và mắt của tài xế. Bằng cách theo dõi tần suất chớp mắt và thời gian nhắm mắt, hệ thống có thể đưa ra cảnh báo kịp thời.

3.2. Sử Dụng Công Nghệ Nhận Diện Khuôn Mặt

Công nghệ nhận diện khuôn mặt giúp xác định các đặc điểm của tài xế, từ đó phát hiện các dấu hiệu buồn ngủ. Hệ thống có thể hoạt động trong thời gian thực, đảm bảo tính chính xác và độ tin cậy cao.

IV. Ứng Dụng Thực Tiễn Của Hệ Thống

Hệ thống phát hiện buồn ngủ đã được ứng dụng trong nhiều lĩnh vực, từ xe hơi cá nhân đến xe tải vận chuyển hàng hóa. Việc tích hợp hệ thống này vào các phương tiện giao thông giúp nâng cao an toàn cho tài xế và hành khách.

4.1. Hệ Thống Cảnh Báo Tài Xế Ngủ Gật

Hệ thống cảnh báo tài xế ngủ gật có thể gửi tín hiệu cảnh báo đến tài xế khi phát hiện dấu hiệu buồn ngủ. Điều này giúp tài xế có thể dừng lại nghỉ ngơi kịp thời.

4.2. Kết Quả Nghiên Cứu Về Hệ Thống

Nghiên cứu cho thấy hệ thống phát hiện buồn ngủ có độ chính xác cao, với khả năng cảnh báo kịp thời giúp giảm thiểu tai nạn giao thông. Các thử nghiệm thực tế đã chứng minh hiệu quả của hệ thống trong việc bảo vệ tài xế.

V. Kết Luận Về Tương Lai Của Hệ Thống Phát Hiện Buồn Ngủ

Tương lai của hệ thống phát hiện buồn ngủ cho tài xế hứa hẹn sẽ có nhiều cải tiến với sự phát triển của công nghệ. Việc áp dụng trí tuệ nhân tạo và học máy sẽ giúp nâng cao độ chính xác và hiệu quả của hệ thống.

5.1. Xu Hướng Phát Triển Công Nghệ

Công nghệ phát hiện buồn ngủ sẽ tiếp tục phát triển với sự tích hợp của các cảm biến và thuật toán học sâu. Điều này sẽ giúp hệ thống ngày càng hoàn thiện và hiệu quả hơn.

5.2. Tầm Quan Trọng Của An Toàn Giao Thông

An toàn giao thông là một vấn đề cấp bách, và hệ thống phát hiện buồn ngủ sẽ đóng vai trò quan trọng trong việc giảm thiểu tai nạn. Việc đầu tư vào công nghệ này sẽ mang lại lợi ích lớn cho xã hội.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Tai nạn giao thông đường bộ do tài xế mất tập trung, mệt mỏi và ngủ gật khi đang điều khiển phương tiện là một vấn đề an toàn nghiêm trọng trên quy mô toàn cầu. Theo số liệu của Hội đồng An toàn Quốc gia Mỹ (NSC) được Ủy ban An toàn giao thông Quốc gia trích dẫn trong sự kiện "Driver Care Day 2019", các vụ tai nạn do tài xế ngủ gật chiếm tới 21% tổng số vụ tai nạn giao thông, gây thiệt hại ước tính khoảng 109 tỷ USD mỗi năm. Với vận tốc lưu thông trung bình 50 km/h, chỉ cần tài xế rơi vào trạng thái mất ý thức trong 1 giây, phương tiện đã di chuyển gần 14 mét mà không có sự kiểm soát, dẫn đến rủi ro va chạm nghiêm trọng.

Nhiều giải pháp kỹ thuật đã được nghiên cứu nhằm phát hiện trạng thái ngủ gật, bao gồm các phương pháp đo lường sinh lý học như điện não đồ (EEG), điện tâm đồ (ECG), điện đồ vùng mắt (EOG) hoặc giám sát hành vi qua camera xử lý ảnh. Tuy nhiên, các phương pháp tiếp xúc trực tiếp qua cảm biến sinh lý gây vướng víu, khó chịu cho người lái và khó lắp đặt trên phương tiện thương mại. Ngược lại, các hệ thống thị giác máy tính hiện hữu lại thường gặp trở ngại về mặt tài nguyên tính toán trên các thiết bị nhúng, khiến độ trễ xử lý kéo dài từ 1 đến 2 giây hoặc tốc độ khung hình chỉ đạt 6–7 khung hình/giây (fps), không đáp ứng được yêu cầu cảnh báo tức thời.

Xuất phát từ thực trạng trên, đề tài khóa luận tập trung giải quyết bài toán cảnh báo buồn ngủ thời gian thực với các mục tiêu và nhiệm vụ cụ thể:

1. Nghiên cứu và xây dựng thuật toán phát hiện trạng thái buồn ngủ dựa trên việc đo lường thời gian của từng lần chớp mắt liên tục, thay thế cho cách tiếp cận đếm tần số chớp mắt truyền thống vốn đòi hỏi thời gian quan sát kéo dài.
2. Thiết kế và tích hợp hệ thống nhúng kết hợp giữa máy tính đơn bo Raspberry Pi 4 và bộ tăng tốc xử lý phần cứng Google Coral USB (Edge TPU).
3. Đạt tốc độ xử lý khung hình trên 20 fps và độ tin cậy phát hiện trên 80% (hướng tới trên 85% trong điều kiện ánh sáng ban ngày).

Đối tượng nghiên cứu của đề tài là hành vi cử chỉ khuôn mặt và trạng thái hoạt động của mắt tài xế thông qua luồng video. Phạm vi thực nghiệm tập trung vào môi trường buồng lái xe ô tô trong điều kiện chiếu sáng ban ngày, với camera quan sát được bố trí trực diện phía trước vô lăng nhằm ghi nhận chuyển động mắt của người điều khiển phương tiện.

---

Cơ sở lý thuyết và phương pháp

Khung lý thuyết và mô hình ứng dụng

Cơ sở sinh lý học của nghiên cứu dựa trên hiện tượng "Microsleep" (giấc ngủ ngắn ngoài ý muốn kéo dài từ 1 đến 30 giây) và công trình nghiên cứu "Blinks and saccades as indicators of fatigue in sleepiness warners: looking tired?" của tác giả R. Galley (2008). Thử nghiệm trên 129 tình nguyện viên kết hợp thang đo Karolinska Sleepiness Scale (KSS gồm 9 mức độ) và đo điện đồ vùng mắt (EOG) cho thấy thời gian chớp mắt ở trạng thái bình thường dao động từ 200 đến 400 mili giây (ms). Khi thời gian nhắm mắt vượt ngưỡng 400 ms và tiến tới trên 500 ms, tài xế rơi vào giai đoạn buồn ngủ sâu hoặc bắt đầu xuất hiện microsleep, làm mất khả năng phản ứng với môi trường giao thông.

Khung kỹ thuật của đề tài sử dụng hai mô hình học máy và thị giác máy tính chính:

• MobileNet SSD v2 Faces: Kiến trúc mạng nơ-ron tích chập kết hợp Single Shot MultiBox Detector (SSD) và MobileNet v2, được lượng tử hóa từ dạng số thực 32-bit sang dạng số nguyên 8-bit cố định (quantization-aware training / post-training quantization) để tương thích với kiến trúc vi xử lý Edge TPU.
• Dlib Facial Landmark: Thuật toán căn chỉnh khuôn mặt dựa trên tập hợp các cây hồi quy (Ensemble of Regression Trees - ERT) theo công bố của Vahid Kazemi và Josephine Sullivan (2014), cho phép định vị các tọa độ điểm mốc trên cấu trúc khuôn mặt.

Phương pháp nghiên cứu

Nghiên cứu áp dụng phương pháp thiết kế thực nghiệm kỹ thuật, can thiệp trực tiếp vào cấu trúc mô hình và pipeline dữ liệu:

• Tối ưu hóa tập mốc đặc trưng (Landmark Extraction): Cắt giảm cấu trúc tệp XML của bộ dữ liệu mốc từ 68 điểm toàn diện khuôn mặt xuống còn 12 điểm cục bộ quanh vùng mắt, bao gồm mắt trái (chỉ số 42 đến 48) và mắt phải (chỉ số 36 đến 42).
• Phân tích độ nhạy tham số (Hyperparameter Tuning): Khảo sát thực nghiệm tác động của 5 tham số cấu hình mô hình Dlib: độ sâu của cây (tree_depth), tham số điều chuẩn tránh quá khớp (nu), độ sâu tầng thác (cascade_depth), kích thước vùng lấy mẫu pixel (feature_pool_size), và số lượng phân chia thử nghiệm (num_test_splits).
• Xác định trạng thái chớp mắt: Tính toán khoảng cách giữa mí mắt trên và mí mắt dưới theo thời gian thực; khi khoảng cách co lại dưới ngưỡng quy định, hệ thống kích hoạt bộ đếm thời gian ($t$). Nếu $t > 400\text{ ms}$, trạng thái buồn ngủ được xác nhận và hệ thống phát tín hiệu cảnh báo.

Nguồn dữ liệu

• iBUG 300-W: Bộ dữ liệu ảnh chứa 7.764 hình ảnh được gán nhãn thủ công 68 điểm mốc khuôn mặt, được nhóm lọc lại tọa độ vùng mắt để tái huấn luyện bộ dự đoán hình dạng (shape predictor).
• YawDD (Yawning Detection Dataset): Bộ dữ liệu thực nghiệm gồm 342 video ghi hình cử chỉ khuôn mặt tài xế (tốc độ 30 fps, thời lượng 15–40 giây/video). Nhóm chọn lọc tập hợp 110 video có góc quay camera gắn trực diện trước vô lăng trong điều kiện ánh sáng ban ngày để tiến hành kiểm thử thuật toán.

---

Thiết kế và triển khai hệ thống

Hệ thống được thiết kế theo mô hình xử lý phân tán tải tính toán giữa CPU máy tính nhúng và bộ đồng xử lý AI chuyên dụng:

[Camera USB] 
[Trích xuất 12 điểm mắt (Dlib customized)]
[Tính khoảng cách mí mắt & đếm thời gian nhắm]

Kiến trúc phần cứng

• Khối xử lý trung tâm: Bo mạch Raspberry Pi 4 Model B, trang bị vi xử lý Broadcom BCM2711 Quad-core Cortex-A72 (ARM v8) 64-bit xung nhịp 1.5 GHz, bộ nhớ trong 4 GB LPDDR4, giao tiếp ngoại vi qua cổng USB 3.0 và hệ thống chân cắm GPIO, nguồn cấp 5V/3A DC qua cổng USB-C.
• Khối đồng xử lý máy học: Google Coral USB Accelerator tích hợp chip ASIC Edge TPU, cung cấp hiệu năng tính toán 4 nghìn tỷ phép tính mỗi giây (4 TOPS) với mức tiêu thụ năng lượng 0.5 W cho mỗi TOPS. Thiết bị tiếp nhận các mô hình TensorFlow Lite 8-bit fixed-point qua cổng kết nối USB 3.0.
• Ngoại vi thu nhận và cảnh báo: Camera kỹ thuật số thu luồng video đầu vào chuẩn 30 fps hướng về buồng lái và còi/loa phát âm thanh cảnh báo kết nối trực tiếp với Raspberry Pi.

Kiến trúc phần mềm và triển khai mô hình

Hệ thống sử dụng hệ điều hành nhúng Linux, lập trình bằng ngôn ngữ Python với giao diện TensorFlow Lite Python API (DetectionEngine) và libedgetpu. Khi khung hình được camera ghi nhận, Raspberry Pi gửi dữ liệu mảng tensor xuống Edge TPU để chạy mô hình MobileNet SSD v2 Faces. Tọa độ hộp bao khuôn mặt (bounding box) sau khi phát hiện sẽ được trả về cho CPU của Raspberry Pi.

Tại đây, CPU chỉ thực hiện suy luận mô hình Dlib đã tinh chỉnh trên vùng ảnh khuôn mặt được cắt ra để xác định 12 điểm mí mắt, giúp giải phóng hoàn toàn bộ xử lý đồ họa và giảm tải chu kỳ xử lý cho CPU. Bảng dưới đây so sánh thời gian xử lý các mô hình học sâu giữa CPU thông thường và Edge TPU:

Kiến trúc mô hình	Desktop CPU (Intel Xeon E5-1650 v4)	Embedded CPU (Quad-core Cortex-A53)	Dev Board + Edge TPU / Coral USB (USB 3.0)
MobileNet v1	47 ms	Không hỗ trợ xử lý nhanh	2.2 ms
MobileNet v2	45 ms	~150 ms	2.5 ms
Inception v1	92 ms	Chậm	3.9 ms
Inception v4	792 ms	Không khả thi thời gian thực	100 ms

Nhờ chuyển tác vụ phát hiện khuôn mặt sang Edge TPU, thời gian suy luận MobileNet v2 chỉ mất khoảng 2.5 ms, giúp toàn bộ hệ thống nhúng vận hành ở tốc độ trung bình 30 fps, vượt chỉ tiêu ban đầu là 20 fps.

---

Nội dung chính theo từng chương

Chương 1. Tình hình nghiên cứu trong và ngoài nước

Chương này khảo sát hệ thống các công trình nghiên cứu liên quan đến phát hiện ngủ gật, phân loại thành hai nhóm bối cảnh:

• Nghiên cứu trong nước: Luận văn Thạc sĩ của Thái Thị Hòa Vân (2017) dùng bộ phân loại Haar Cascade trên hệ điều hành macOS, yêu cầu nhắm mắt liên tục 2 giây mới cảnh báo và chưa chạy được trên phần cứng nhúng; đề tài của nhóm TS. Nguyễn Minh Sơn (2018) đóng gói thiết bị giám sát gửi dữ liệu qua GPS/GPRS đạt độ tin cậy 90% nhưng chu kỳ cập nhật khuôn mặt mất tới 10 giây và thời gian xử lý nhắm mắt mất 1.5 giây; đề tài của học sinh THPT An Lương Đông (2019) triển khai trên Raspberry Pi chạy Ubuntu quét khoảng cách 2 mí mắt trong 1–3 giây đạt độ chính xác 88%. Nhược điểm chung của các đề tài trong nước là tốc độ xử lý thấp, thời gian trễ lớn.
• Nghiên cứu quốc tế: Nghiên cứu của Jongseong Gwak (Đại học Tokyo, 2020) dùng cảm biến hỗn hợp (EEG, ECG, áp lực ghế ngồi, camera) đạt độ chính xác 95% nhưng phức tạp, gây cản trở cho tài xế; đề tài của Abdullah Arafat Miah và cộng sự (Đại học Khulna, 2018) dùng kiểu chớp mắt và khoảng cách mí mắt trên PC đạt độ chính xác 93% trên tập YawDD nhưng thời gian xử lý mất 0.24 giây/khung hình (~6 fps); nghiên cứu trên nền tảng Android (2018) sử dụng NTHU dataset chạy trên vi xử lý Intel Core i7-7500U/GTX 1080 đạt độ chính xác 81% ở tốc độ 7 fps.

Tác giả chỉ ra hạn chế cốt lõi của các nghiên cứu trước là dựa trên việc đếm số lần chớp mắt trong khoảng thời gian dài, không đưa ra được cảnh báo ngay tại thời điểm nguy cơ vừa xuất hiện.

Chương 2. Thuật toán phát hiện buồn ngủ

Chương 2 trình bày chi tiết cơ sở toán học và kỹ thuật phát triển giải thuật nhận diện:

• Xác lập mối quan hệ sinh lý học giữa tần suất chớp mắt, hiện tượng microsleep và ngưỡng cảnh báo 400 ms dựa trên nghiên cứu của R. Galley (2008).
• Trình bày kỹ thuật lượng tử hóa mạng nơ-ron tích chập (Quantization) cho mô hình MobileNet SSD v2 Faces: chuyển đổi trọng số từ dạng số thực dấu phẩy động 32-bit (.pb) sang dạng số nguyên 8-bit (.tflite) thông qua TensorFlow Lite Converter để có thể ánh xạ tập lệnh thực thi lên phần cứng Edge TPU.
• Khảo sát các tham số mô hình Dlib Facial Landmark trên tập dữ liệu iBUG 300-W:
  • Khi tăng cascade_depth, sai số tập huấn luyện và kiểm thử giảm nhưng kích thước mô hình (Model size) và thời gian suy luận (Inference time) tăng mạnh.
  • Tham số nu đóng vai trò điều chuẩn: giá trị gần 0 gây quá khớp (overfitting), giá trị gần 1 tăng khả năng tổng quát hóa nhưng đòi hỏi tập dữ liệu lớn hơn.
  • Tăng pooling_size làm tăng độ chính xác nhờ số lượng điểm ảnh trích xuất nhiều hơn nhưng kéo dài thời gian tính toán.
  • Tăng tree_depth làm tăng số lượng nút lá ($2^{\text{tree_depth}}$), tác động mạnh nhất đến dung lượng mô hình và độ trễ.
• Dựa trên ma trận tương quan và biểu đồ nhiệt phân tích, tác giả lựa chọn cấu hình tối ưu cho bài toán nhúng: cascade_depth = 15, tree_depth = 4, nu = 0.1, pooling_size = 400, num_test_splits = 50.
• Triển khai thuật toán trích lọc tệp XML: loại bỏ 56 điểm không cần thiết, chỉ giữ lại 12 điểm biểu diễn hai mí mắt nhằm giảm thiểu tối đa kích thước tệp trọng số và chu kỳ tính toán của bộ xử lý.

Chương 3. Hiện thực hệ thống phát hiện buồn ngủ bằng xử lý ảnh trên Raspberry Pi 4 và Google Coral USB

Chương 3 mô tả quá trình thiết kế, tích hợp phần cứng và lập trình hệ thống:

• Quy trình triển khai gồm 2 giai đoạn: Giai đoạn 1 (Tiền xử lý dữ liệu và thống kê tham số) và Giai đoạn 2 (Xây dựng, cài đặt môi trường và tích hợp thuật toán thực thi thời gian thực).
• Chi tiết cấu hình phần cứng: Raspberry Pi 4 kết hợp Google Coral USB Accelerator thông qua cổng USB 3.0. Nhóm phân tích chi phí phần cứng: giải pháp sử dụng Coral USB có giá khoảng 3.000.000 VNĐ, tiết kiệm đáng kể so với việc sử dụng các bo mạch nhúng tích hợp GPU chuyên dụng cao cấp như NVIDIA Jetson Xavier Developer Kit (có giá khoảng 24.000.000 VNĐ).
• Thực nghiệm trên bộ dữ liệu YawDD: Tác giả phát hiện sự khác biệt lớn về hiệu quả nhận diện khuôn mặt tùy thuộc vào vị trí đặt camera. Khi camera đặt dưới gương chiếu hậu, tỷ lệ nhận diện khuôn mặt chỉ đạt 85%; khi camera đặt trước vô lăng, tỷ lệ nhận diện đạt 93%. Do đó, nhóm lựa chọn 110 video góc quay trước vô lăng để đánh giá hiệu năng hệ thống.

Chương 4. Kết luận và hướng phát triển

Chương 4 tổng hợp các kết quả thực nghiệm đạt được từ hệ thống hoàn chỉnh, phân tích các hạn chế còn tồn tại liên quan đến điều kiện chiếu sáng và góc nghiêng của khuôn mặt, đồng thời đưa ra các đề xuất cải tiến kỹ thuật bằng camera hồng ngoại để hoàn thiện thiết bị trong các môi trường vận hành thực tế.

---

Kết quả và đóng góp

Kết quả định lượng

• Tốc độ xử lý: Hệ thống nhúng hoàn chỉnh (Raspberry Pi 4 kết hợp Google Coral USB) đạt tốc độ xử lý trung bình 30 fps đối với luồng video trực tiếp, vượt mục tiêu đề ra ban đầu (20 fps). Thời gian nhận diện khuôn mặt qua Edge TPU chỉ mất khoảng 2.5 ms (nhanh hơn mức 150 ms khi chạy thuần trên CPU Cortex-A72).
• Độ chính xác nhận diện: Trên tập dữ liệu YawDD gồm 110 video góc quay trước vô lăng, mô hình nhận diện khuôn mặt đạt độ chính xác 93%. Độ tin cậy chung của hệ thống trong việc xác định các trạng thái mắt đáp ứng mục tiêu đề ra (trên 80% – 85% trong môi trường ban ngày).
• Tối ưu hóa mô hình: Bằng cách giảm số lượng mốc từ 68 điểm xuống 12 điểm vùng mắt và tinh chỉnh cấu trúc cây hồi quy, dung lượng mô hình và thời gian suy luận trên CPU của Raspberry Pi giảm đáng kể so với mô hình Dlib mặc định, loại bỏ hoàn toàn bước lọc điểm trung gian sau suy luận.

Giải pháp và kiến nghị kỹ thuật

• Nhóm đề xuất lắp đặt cụm camera trực diện ngay phía trước vô lăng thay vì đặt dưới gương chiếu hậu nhằm tối ưu hóa độ chính xác nhận diện khuôn mặt (chênh lệch từ 85% lên 93%).
• Thay thế hoàn toàn cách tiếp cận đếm số lần chớp mắt trong khoảng thời gian dài bằng giải thuật đo thời gian của từng lần chớp mắt liên tục với ngưỡng cảnh báo tức thời $t > 400\text{ ms}$.

Đóng góp về mặt học thuật và kỹ thuật

1. Đưa ra giải pháp kết hợp phần cứng giữa máy tính đơn bo phổ thông (Raspberry Pi 4) và bộ tăng tốc Edge TPU (Google Coral USB), chứng minh tính khả thi của việc xử lý mạng nơ-ron học sâu thời gian thực trên hệ thống nhúng mà không cần đầu tư các bộ xử lý GPU đắt đỏ.
2. Tối ưu hóa thành công mô hình căn chỉnh mốc khuôn mặt Dlib ERT thông qua thực nghiệm phân tích tương quan 5 tham số cốt lõi, tạo ra mô hình chuyên biệt hóa cho vùng mắt với chi phí tính toán thấp.

---

Hạn chế và hướng nghiên cứu tiếp

Điểm hạn chế

• Điều kiện môi trường: Các thử nghiệm của hệ thống mới chỉ được tiến hành trong điều kiện ánh sáng ban ngày đầy đủ. Hệ thống chưa hoạt động hiệu quả trong điều kiện ban đêm hoặc môi trường ánh sáng yếu/ngược sáng do camera chưa tích hợp bộ lọc và đèn phát hồng ngoại.
• Che khuất vùng mắt: Mô hình nhận diện điểm mốc mí mắt bị suy giảm độ chính xác khi tài xế đeo kính râm tối màu hoặc khi góc xoay của đầu vượt quá phạm vi quan sát trực diện của camera trước vô lăng.
• Môi trường thử nghiệm: Thuật toán mới được kiểm chứng trên bộ dữ liệu video chuẩn (YawDD) và môi trường thử nghiệm tĩnh, chưa được đánh giá đầy đủ trên xe ô tô thực tế đang vận hành ở tốc độ cao trên đường giao thông hỗn hợp với các rung lắc cơ học.

Hướng nghiên cứu tiếp

• Tích hợp camera hồng ngoại chuyên dụng kèm đèn LED hồng ngoại (IR) để xử lý bài toán nhận diện ban đêm và môi trường thiếu sáng.
• Bổ sung thuật toán nhận diện và thích ứng khi tài xế đeo các loại kính mắt, kính râm.
• Mở rộng tập dữ liệu thử nghiệm trong điều kiện rung lắc thực tế trên phương tiện giao thông và kết hợp thêm các cảm biến phụ trợ để nâng cao tính ổn định của cảnh báo.

---

Giá trị tham khảo

Tài liệu khóa luận cung cấp giá trị tham khảo chuyên môn rõ ràng cho sinh viên, học viên cao học và kỹ sư thuộc các chuyên ngành Kỹ thuật Máy tính, Công nghệ Thông tin, Hệ thống Nhúng và Trí tuệ Nhân tạo Ứng dụng:

• Phương pháp tối ưu hóa mô hình: Phần phân tích thực nghiệm và biểu đồ nhiệt tương quan giữa 5 tham số của Dlib shape predictor (Chương 2) là tài liệu tham khảo giá trị cho những ai cần tinh chỉnh thuật toán phát hiện mốc khuôn mặt trên các thiết bị giới hạn tài nguyên.
• Quy trình triển khai Edge TPU: Cấu hình, biên dịch lượng tử hóa mô hình sang định dạng TensorFlow Lite 8-bit và cơ chế gọi API thông qua tflite_runtime trên Google Coral USB (Chương 2 và Chương 3) là tài liệu hướng dẫn kỹ thuật chi tiết cho các đề tài triển khai thị giác máy tính trên phần cứng biên.
• Thiết kế hệ thống thời gian thực: Cung cấp cách tiếp cận thực tế về việc phân chia luồng tính toán giữa CPU máy tính nhúng và vi xử lý gia tốc ASIC để giải quyết bài toán nghẽn cổ chai hiệu năng.

---

Câu hỏi thường gặp

1. Tại sao nhóm tác giả lại lựa chọn ngưỡng thời gian nhắm mắt lớn hơn 400 ms để phát ra cảnh báo?

Dựa trên kết quả nghiên cứu y sinh của R. Galley (2008) với 129 tình nguyện viên sử dụng phương pháp đo điện đồ vùng mắt (EOG), thời gian của một lần chớp mắt thông thường ở người tỉnh táo dao động trong khoảng 200–400 ms. Khi thời gian nhắm mắt vượt quá 400 ms và đạt tới 500 ms, người điều khiển phương tiện bắt đầu rơi vào giai đoạn ngủ ngắn ngoài ý muốn (microsleep). Do đó, ngưỡng 400 ms được chọn làm mốc kích hoạt cảnh báo sớm bằng âm thanh trước khi tài xế hoàn toàn mất ý thức kiểm soát phương tiện.

2. Nhóm đã thực hiện những thay đổi kỹ thuật nào trên mô hình Dlib 68 điểm mốc để tăng tốc độ xử lý?

Nhóm đã can thiệp vào tệp dữ liệu XML của bộ dữ liệu huấn luyện iBUG 300-W để lược bỏ 56 điểm mốc không cần thiết (thuộc lông mày, sống mũi, miệng và đường viền cằm), chỉ giữ lại 12 điểm tọa độ biểu diễn vùng mắt (mắt phải từ điểm 36 đến 42, mắt trái từ điểm 42 đến 48). Đồng thời, nhóm phân tích tương quan và tái huấn luyện mô hình với bộ tham số tinh chỉnh: cascade_depth = 15, tree_depth = 4, nu = 0.1, pooling_size = 400 và num_test_splits = 50. Việc này giúp giảm dung lượng tệp trọng số và cắt giảm tối đa chu kỳ tính toán suy luận trên CPU của Raspberry Pi 4.

3. Google Coral USB Accelerator đóng vai trò gì và có ưu điểm gì so với các phần cứng khác trong khóa luận?

Google Coral USB đảm nhận vai trò là bộ đồng xử lý máy học tích hợp chip Edge TPU, chuyên trách việc thực thi mô hình phát hiện khuôn mặt MobileNet SSD v2 dạng lượng tử hóa 8-bit cố định. Thiết bị cung cấp tốc độ tính toán 4 TOPS với mức tiêu thụ điện năng chỉ 0.5 W/TOPS, giúp giảm thời gian suy luận khuôn mặt xuống còn khoảng 2.5 ms (so với mức khoảng 150 ms của CPU nhúng) và duy trì tốc độ toàn hệ thống ở mức 30 fps. Ngoài ra, chi phí phần cứng của Coral USB (~3.000.000 VNĐ) thấp hơn nhiều so với bo mạch GPU nhúng chuyên dụng như NVIDIA Jetson Xavier (~24.000.000 VNĐ).

4. Tại sao nhóm nghiên cứu chỉ sử dụng 110 trên tổng số 342 video của bộ dữ liệu YawDD để kiểm thử?

Bộ dữ liệu YawDD bao gồm 342 video được quay dưới hai góc đặt camera khác nhau: một nhóm đặt dưới gương chiếu hậu và một nhóm đặt ngay trước vô lăng. Kết quả thực nghiệm của nhóm cho thấy vị trí dưới gương chiếu hậu chỉ cho tỷ lệ phát hiện khuôn mặt đạt 85%, trong khi vị trí trước vô lăng cho tỷ lệ chính xác lên tới 93%. Do mục tiêu thiết kế của thiết bị là lắp đặt trực diện trên táp-lô phía trước vô lăng, nhóm đã lọc ra 110 video phù hợp với cấu hình lắp đặt này để tiến hành thử nghiệm độ chính xác của giải thuật.

5. Khác biệt cốt lõi giữa thuật toán của khóa luận và các công trình nghiên cứu phát hiện buồn ngủ trước đây là gì?

Đại đa số các công trình trong và ngoài nước trước đây áp dụng phương pháp đếm số lần chớp mắt hoặc tính tần suất chớp mắt trung bình trong một khoảng thời gian quan sát nhất định (thường từ vài giây đến hàng chục giây), dẫn đến độ trễ phát hiện cao và không phản ứng kịp thời khi tài xế ngủ gật đột ngột. Khóa luận tiếp cận theo hướng đo trực tiếp thời gian của từng lần chớp mắt đơn lẻ ngay khi tài xế vừa nhắm mắt, từ đó phát hiện dấu hiệu buồn ngủ và kích hoạt cảnh báo tức thời ngay tại khung hình vượt ngưỡng thời gian quy định.

---

Kết luận

Khóa luận tốt nghiệp của nhóm tác giả Nguyễn Công Minh và Chu Đức Thành đã thiết kế và hiện thực thành công hệ thống nhúng phát hiện buồn ngủ thời gian thực kết hợp giữa Raspberry Pi 4 và Google Coral USB. Bằng việc chuyển đổi tiêu chí đánh giá sang đo lường thời gian chớp mắt liên tục với ngưỡng cảnh báo 400 ms cùng các giải pháp tối ưu hóa mô hình MobileNet SSD v2 và Dlib chuyên biệt vùng mắt, hệ thống đạt tốc độ xử lý 30 fps và độ chính xác nhận diện khuôn mặt 93% trên tập dữ liệu YawDD ban ngày. Kết quả nghiên cứu chứng minh tính khả thi của việc ứng dụng các mô hình học sâu lên phần cứng nhúng chi phí thấp nhằm giải quyết bài toán nâng cao an toàn giao thông đường bộ.

Trích đoạn nội dung tài liệu

Chương 1. Tình hình nghiên cứu trong nưỚC. Luận văn Thạc sĩ “Nghiên cứu tình trạng buồn ngủ của người lái xe dựa trên nhận dạng cử chỉ khuôn mặt”. Đề tài “Nghiên cứu thiết kế hệ thông giám sát trạng thái buồn ngủ CUA lái X€”.

Đề tài “Hệ thống cảnh báo tài xế 6 tô ngủ gật”. Tình hình nghiên cứu ở nước ngoài. Dé tài “Nghiên cứu về phát hiện sớm sự buồn ngủ của tài xế bằng máy học và cảm biến hỗn hợp”. Đề tài “Phát hiện buồn ngủ sử dụng kiểu chớp mắt và khoảng cách giữa CAC mí Iắt”.

Đề tai “Ứng dung phát hiện buồn ngủ thời gian thực trên Android sử dụng kỹ thuật mạng học sâu”. ¿+ 5+ St #EvEvEeEEkserrkrrrrrrksrrkekrkree 12 Chương2. Thuật toán phát hiện buồn ngủ. Mối liên hệ giữa sự buồn ngủ và hành vi chớp mắt.

Phát triển thuật toán. Xử lý ảnh và học sâu. Phát hiện khuôn mặt.--¿- c6 tt tre gưêy20 2. Model MobileNet SSD v2 Faces.

Thư viện TensorFlow Lite Python API. Phát hiện vùng mắt. Model Dlib Facial landmark 68. Huấn luyện lại model Dlib Facial landmark 68.

| HIEN THUC HE THONG PHAT HIEN BUON NGỦ BANG XỬ LY ANH TREN RASPBERRY PI 4 VA GOOGLE CORAL USB. HH HH re35 3. Google Coral USB 3. Thu thập video dữ liệu mâu.

Thiết kế và lập trình hệ thống. Khái quát quy trình thực hiện. _ Thiết kế hệ thống phan cứng. Cài đặt thư viện và môi trưỜng.

Lập trình thuật toán. Môi trường thực nghiệm và kết quả. | KET LUẬN VÀ HƯỚNG PHÁT TRIẺN. Kết quả và kết luận.

Môi trường hệ thống sử đụng. Kết quả thực nghiệm. Điểm hạn chế và hướng phát triỀn. Điểm hạn chế.

Hướng pháttriển.-c2c+222vvctevcvvrrerrrsrrrrrr 55 TÀI LIEU THAM KHẢO.-222©22222¿+2EEE+2EEEEEE2222231112222112222112 2221 56 DANH MỤC HÌNH Hình 1.1: Thiết kế hệ thống đề tài NDCCKM.- - 2-2 2 £+E£E££E+EE2EzEzEezed 5 Hình 1.2: Kết quả chạy thử nghiệm NDCCKM.- 2: ©22©5¿22+25++cx+zzxszeez 5 Hình 1.3: Hình sản phẩm thiết bị HTGSTTBN.- 2-2 522 2+££££E+£Ez+Ezzrxerxez 6 Hình 1.4: Giao diện trung tâm gid Sắt. - - -- c5 + 3+1 +3EE+EEEeeesreerereereeere 7 Hình 1.5: Sơ đồ hoạt động của hệ thống CBTXNG.6: Hình ảnh thực tế hệ thống CBHH.--- 2-2 2 2+S£+£££Ee£E+£x+zszse2 10 Hình 1.7: Hình ảnh thực tế chạy thử nghiệm Eye Blink Pattern.8: Kiến trúc giải thuật trên Android [9].-----¿+c++cxczszzs+rxerxcres 13 Hình 1.9: Kết quả chạy thử nghiệm trên Intel Core ï7-7500U [9].1: Kết qua phân tích trên MATLA.2: Kiến trúc của trí tuệ nhân tạo.3: Quá trình hình thành model Model MobileNet SSD v2 Faces.4: Mô hình giao tiếp và xử lý giữa ứng dung và API.5: 68 điểm trên khuôn MAt.6: Bộ dataset IBUG 300-WW.LQ TQ HH HH HH ng HH ng kg kg ưyy 23 Hình 2.7: Ảnh hưởng của “cascade_ depth” lên độ chính xác của model [13].8: Mối liên hệ giữa các tham số trong model.9: Ảnh hưởng của caseade_ depth.---2-22-©5222++22xc2x+erxesrxesrxees 26 Hình 2.10: Ảnh hưởng của nu.--2¿- 5:22 5£2E£2EEtEEEEEE+SEESEEerEeerkesrkrrrsres 27 Hình 2.11: Ảnh hưởng của pooling _sỉze.- 2-2: ©5c2522SE+EEc£EczEerxerkrrrerex 27 Hình 2.12: Ảnh hưởng của tree_ depth.------2-©22¿©5¿22x2zxvcx+erxesrxesrxees 28 Hình 2.13: Biéu đồ nhiệt thé hiện mối tương quan của các thông số lên model.14: Thông số model của Dlib và model đã được tinh chỉnh tham số.15: Khuôn mặt trước và sau khi lược bỏ các điểm. -- -- ---- 5 s1 1n TH TH Hệ 35 Hình 3.2: Google Coral USỈ. -- -- c1 11H HT TH HH kg krry 36 Hình 3.3: Hiệu suất của Google Coral USB.---2-©2¿+¿22++cx+zxe+rxesrseee 37 Hình 3.4: So sánh Coral Google USB với các thiết bị khác.6: Giai đoạn một của khóa luận.7: Giai đoạn hai của khóa luận.-- -- <5 << E33 +21 1E *£2£ VE++sevEkeseeeeesexe 41 Hình 3.----- -- -©k+SE2EE+EE2EE2EEE1E71511112111121111.9: Hệ thống Raspberry Pi4 và Google Coral USB.11: Tọa các điểm cần tính toán dé tính Threshold [14].12: Tư thế ngồi an toàn khi lái xe.13: Hệ thống Chay VO1 vi.14: Hệ thống chạy thử với YawDD dataset.15: Biéu đồ theo dõi trạng thái của mắt khi không buồn ngủ.16: Biéu đồ theo dõi trạng thái của mắt khi buồn ngủ.1: Sự khác nhau giữa hai model “Face detectIoni”.2: Hình ảnh có vật thé được xử ly hồng ngoại.3: Đường ban đêm có xử lý hồng ngoại.------¿- 5¿©+2©++cx++zxzzxeex 54 Hình 4.4: Hình ảnh ban ngày được xử lý hồng ngoại.------ ¿©22cscx+cxc=sz 54 Hình 4.5: Thử nghiệm hệ thống của trường Đại học MIT.------szsz5+ 55 DANH MỤC BANG Bang 1.1: Két quả chạy thực nghiệm HTGSTTBN [3].2: So sánh độ chính xác của Eye Blink Pattern.- LH HH HH ng ry 16 Bang 2.2: Thông số các tọa độ trong file XML.1: Kết quả chạy hệ thống với YawDD.2: Bang so sánh kết quả giữa phương pháp dé xuất và tham khảo.

51 DANH MUC TU VIET TAT API Application Programming Interface ASIC Application-Specific Integrated Circuit CBHH Cảm Biến Hỗn Hop CBTXNG Cảnh Báo Tài Xế Ngủ Gật CPU Central Processing Unit ECG Electrocardiography EEG Electroencephalogram EMG Electromyography EOG Electrooculography FPS Frame per second GPS/GPRS Global Positioning System/General Packet Radio Service GPU Graphics Processing Unit HTGSTTBN Hệ Thống Giám Sát Trạng Thái Buồn Ngủ Của Lái Xe KSS Karolinska Sleepiness Scale NDCCKM Nhận Dang Cử Chỉ Khuôn Mat OS Operating System RAM Random Access Memory R-CNN Region-based Convolutional Neural Networks SSD Single Shot MultiBox Detector TOPS Trillion Operations Per Second TPU Tensor Processing Unit TOM TAT KHÓA LUẬN Khóa luận tập trung nghiên cứu, thiết kế và ứng dụng thử nghiệm một hệ thống nhúng phát hiện trạng thái buồn ngủ của tài xế lái xe bằng xử lý ảnh và học sâu với thời gian thực. Trên cơ sở thuật toán phát hiện buồn ngủ dựa vào hành vi chớp mắt, nhóm khóa luận đã xây dựng giải thuật phần cứng và phần mềm kết hợp dé xác định thời gian mỗi lần chớp mắt của tài xế từ đó tính toán và đưa ra cảnh báo kịp thời. Hệ thống xây dựng trên phần cứng Raspberry Pi 4 kết nối với các ngoại vi Google Coral USB và Camera. cho phép phát hiện và cảnh báo trực tiếp tài xế đang lái xe nếu có dấu hiệu buôn ngủ.

Mục tiêu của khóa luận là hệ thống có thé phát hiện trạng thái buồn ngủ của lái xe với tốc độ xử lý 20fps và độ tin cậy khoảng 80%. Thuật toán phát hiện buồn ngủ dựa trên thời gian chớp mắt đã có sẵn, là đề tài nghiên cứu khoa học đã được kiểm chứng và công bố ở các trang báo và hội nghị khoa học tin cậy. Việc hiện thực thuật toán lên hệ thống nhúng với thời gian thực là một giải pháp mà nhóm muốn đưa ra đề có thê ứng dụng thuật toán theo một hướng đi mới. TONG QUAN Với công nghệ ngày càng phát triển trong thời đại ngày nay, việc áp dụng những tiễn bộ của Khoa học — Công nghệ vào cuộc sông dé giúp cho mọi người có cuộc sống an toàn va tiện lợi hơn là một mục tiêu lớn của những kỹ sư công nghệ thông tin như chúng em.

Do đó vào năm 2018 nhóm đã tham gia nghiên cứu Khoa học — Công nghệ sinh viên tại trường Dai học Công nghệ Thông tin — Dai học Quốc gia Thành phố Hồ Chí Minh với đề tài “Vòng tay cứu hộ trong đám cháy” để giúp người lính cứu hỏa có thê xác định được vị trí của nạn nhân trong đám cháy ở chung cư hay nhà cao tầng một cách dé dàng dé giải cứu nạn nhân nhanh chóng. Đến những năm gan đây, khi thé giới bắt đầu vào nền công nghiệp 4.0 và những công nghệ nổi bật luôn được nhắc đến như BigData, Artificial Intelligence, Block chain. đã giúp mọi người có một cuộc tiện lợi hơn. Có thé kế đến như Trí tuệ nhân tạo đã giúp các bác sĩ có thé chuẩn đoán bệnh nhanh hơn và chính xác hơn.

Không chỉ vậy, còn giúp các bác sĩ không có nhiều kinh nghiệm có thé đưa ra chuân đoán như các bác sĩ đã có nhiều kinh nghiệm. Điều này đã được minh chứng qua sản phẩm DrAid của VinBrain thuộc tập đoàn Vingroup đã được nhiều bệnh viện ở Việt Nam và các bác sĩ tin ding. Nó giúp hạn chế việc các bệnh nhânở tỉnh lên Thành phố khám chữa bệnh phải chờ đợi lâu vì hiện tượng quá tải ở các bệnh viện. Thêm vào đó, việc áp dụng Trí tuệ nhân tạo còn giúp phát hiện ra tế bào ung thư ở giai đoạn đầu, việc phát hiện sớm như vậy sẽ giúp các bệnh nhân tăng tỉ lệ chữa khỏi bệnh cao hơn khi được phát hiện sớm.

Từ một số thành tựu trong ngành Y tế nói riêng và nhiều lĩnh vực khác nói chung do sự phát triển của Trí tuệ nhân tạo thì nó đã là một sự thúc đây cho nhóm đề thực hiện khóa luận tốt nghiệp sử dụng nó dé có thê phát triển một thiết bị an toàn cho con người. Trong những năm gần đây, ở nước ta và trên thế giới, cùng với sự ra đời và phát triển nhanh chóng của các phương tiện giao thông đặc biệt là xe hơi, số vụ tai nạn giao thông cũng gia tăng hàng ngày. Đây là mối nguy hiểm nghiêm trọng gây thiệt hại nghiêm trọng về người và của, dé lại nỗi đau vô cùng lớn cho gia đình nạn nhân và xã hội. Một trong những nguyên nhân gây tai nạn chính là sự mắt tập trung của tài xế do mệt mỏi và buồn ngủ khi đang lái xe.

Nếu gõ từ khóa “Tài xế ngủ gật” lên Google thì có tới hơn 2.000 kết quả tìm kiếm trả về.400 người chết mỗi năm do ngủ gật khi đang lái xe là số liệu được Ủy ban An toàn giao thông Quốc gia trích dẫn từ nghiên cứu của Hội đồng An toàn Quốc gia Mỹ (NSC), nêu ra trong “Ngày hội chăm sóc bác tài — Driver Care Day năm 2019”, chiếm tới 21% tổng số vu tai nạn giao thông gây thiệt hại 109 tỷ đô [1]. Với tốc độ cho phép trung bình ở nước ta là 50 km/h thì chi cần tài xế ngủ gật 1 giây thôi cũng đủ dé gây ra những hậu quả nghiêm trong. Dé giải quyết van đề đó thì có rất nhiều bài nghiên cứu và giải pháp đã được đưa bởi các nhà khoa học, nhà nghiên cứu trong và ngoài nước như: - Phat hiện buồn ngủ băng điện não đồ (EEG). - Phat hiện buồn ngủ băng điện tâm đồ (ECG).

- Phat hiện buồn ngủ bằng điện đồ vùng mắt (EOG). - Phat hiện buồn ngủ bằng xử lý ảnh. Nhưng các phương pháp đó không phù hợp với điều kiện lái xe của tài xế, gây khó chịu, lắp đặt phức tạp hoặc hệ thong phát hiện chậm hơn so với tinh trang thực tế của tài xế. Bên cạnh đó, việc các thiết bị phải là một hệ thống thời gian thực dé cảnh báo tài xế kịp thời thì các phương pháp trên mà nhóm tìm hiểu được thì vẫn đang hạn chế về thời gian thực hiện.

Vì vậy việc theo dõi liên tục và cảnh báo tình trạng buồn ngủ cho tài xế một cách kịp thời và nhanh chóng là một vấn đề hết sức cấp thiết nhằm ngăn chặn và giảm thiểu tai nạn giao thông. Bên cạnh đó do thiết bị được gắn trước vô lăng nên kích thước phải nhỏ gọn.