Innovative methods of automotive crash detection through audio recognition using neural networks algorithms

Скорочена інформація про документ
dc.contributor.authorMogylevych, Dmytro
dc.contributor.authorKhmil, Roman
dc.date.accessioned2025-04-14T11:35:47Z
dc.date.available2025-04-14T11:35:47Z
dc.date.issued2024
dc.description.abstractThe automatic e-Call system has become mandatory in the European Union since 2018. This requirement means that all new passenger vehicles released on the European market after this date must be equipped with a digital emergency response service, which automatically notifies emergency services in case of an accident through the Automatic Crash Notification (ACN) system. Since the response of emergency services (police, ambulance, etc.) to such calls is extremely expensive, the task arises of improving the accuracy of such reports by verifying the fact that the accident actually occurred. Nowadays, most car manufacturers determine an emergency by analyzing the information coming from the built-in accelerometer sensors. As a result, quite often sudden braking, which avoids an accident, is mistakenly identified as an emergency and leads to a false call to emergency services. Some car manufacturers equip their high-end vehicles with an automatic collision notification, which mainly monitors the airbag deployment in order to detect a severe collision, and call assistance with the embedded cellular radios. In order to reduce costs some third-party solutions offer the installation of boxes under the hood, wind-screen boxes and/or OBDII dongles with an embedded acceleration sensor, a third-party simcard as well as a proprietary algorithm to detect bumps. Nevertheless, relying on acceleration data may lead to false predictions: street bumps, holes and bad street conditions trigger false positives, whereas collisions coming from the back while standing still may be classified as normal acceleration. Also acceleration data is not suitable to identify vehicle side impacts. In many cases emergency braking helps to avoid collision, while acceleration data would be very similar to the data observed in case of an accident, resulting in a conclusion that the crash actually occurred. As a result, the average accuracy of those car crash detection algorithms nowadays does not exceed 85% , which is acceptable, yet offers a lot of room for further improvement, since each additional percept of accuracy would provide substantial cost savings. That is why the task of increasing accuracy of collision detection stays urgent. In this article, we will describe an innovative approach to the recognition of car accidents based on the use of convolutional neural networks to classify soundtracks recorded inside the car when road accidents occur, assuming that every crash produces a sound. Recording of the soundtrack inside the car can be implemented both with the help of built-in microphones as well as using the driver's smartphone, hands-free car kits, dash cameras, which would drastically reduce cost of hardware required to solve this task. Also, modern smartphones are equipped with accelerometers, which can serve as a trigger for starting the analysis of the soundtrack using a neural network, which will save the computing resources of the smartphone. Accuracy of the crash detection can be further improved by using multiple sound sources. Modern automobiles may be equipped with various devices capable of recording the audio inside the car, namely: built-in microphone of the hands-free speaking system, mobile phones of the driver and/or passengers, dash-cam recording devices, smart back-view mirrors etc.
dc.description.abstractotherАвтоматична система електронних дзвінків стала обов'язковою в Європейському Союзі з 2018 року. Ця вимога означає, що всі нові пасажирські транспортні засоби, випущені на європейський ринок після цієї дати, повинні бути оснащені цифровою службою реагування на надзвичайні ситуації, яка автоматично повідомляє служби екстреної допомоги у разі аварії через систему автоматичного повідомлення про аварії (ACN). Оскільки реакція екстрених служб (поліції, швидкої допомоги тощо) на такі виклики надзвичайно дорога, виникає завдання підвищення точності таких звітів шляхом перевірки того факту, що аварія дійсно сталася. У наш час більшість виробників автомобілів визначають надзвичайну ситуацію, аналізуючи інформацію, що надходить від вбудованих датчиків акселерометра. В результаті досить часто раптове гальмування, яке дозволяє уникнути аварії, помилково ідентифікується як надзвичайна ситуація і призводить до помилкового виклику в екстрені служби. Деякі виробники автомобілів оснащують свої висококласні транспортні засоби автоматичним сповіщенням про зіткнення, яке в основному відстежує розгортання подушки безпеки, щоб виявити сильне зіткнення, і викликати допомогу за допомогою вбудованих стільникових радіоприймачів. Щоб зменшити витрати, деякі сторонні рішення пропонують встановлення коробок під капотом, вітрових коробок та / або ключів OBDII з вбудованим датчиком прискорення, сторонньою сім-картою, а також фірмовим алгоритмом для виявлення ударів. Тим не менш, опора на дані про прискорення може призвести до помилкових прогнозів: вуличні удари, дірки та погані вуличні умови викликають помилкові спрацьовування, тоді як зіткнення, що надходять ззаду під час стояння на місці, можуть бути класифіковані як нормальне прискорення. Також дані про прискорення не підходять для виявлення бічних ударів транспортного засобу. У багатьох випадках екстрене гальмування допомагає уникнути зіткнення, тоді як дані про прискорення будуть схожі на дані, що спостерігаються у разі аварії, що призведе до висновку, що аварія дійсно сталася. В результаті середня точність цих алгоритмів виявлення автомобільних аварій сьогодні не перевищує 85% , що є прийнятним, але пропонує багато можливості для подальшого вдосконалення, оскільки кожне додаткове сприйняття точності забезпечить значну економію коштів. Ось чому завдання підвищення точності виявлення зіткнень залишається актуальним. У даній статті ми опишемо інноваційний підхід до розпізнавання автомобільних аварій на основі використання згорткових нейронних мереж для класифікації саундтреків, записаних всередині автомобіля, коли відбуваються дорожньо-транспортні пригоди, припускаючи, що кожна аварія видає звук. Запис саундтреку всередині автомобіля може бути реалізований як за допомогою вбудованих мікрофонів, так і за допомогою смартфона водія, автомобільних комплектів hands-free, відеокамер, що різко знизить вартість обладнання, необхідного для вирішення цього завдання. Крім того, сучасні смартфони оснащені акселерометрами, які можуть служити тригером для запуску аналізу саундтреку за допомогою нейронної мережі, яка заощадить обчислювальні ресурси смартфона.
dc.format.pagerangePp. 243-256
dc.identifier.citationMogylevych, D. Innovative methods of automotive crash detection through audio recognition using neural networks algorithms / Dmytro Mogylevych, Roman Khmil // Information Technology and Security. – 2024. – Vol. 12, Iss. 2 (23). – Pp. 243-256. – Bibliogr.: 25 ref.
dc.identifier.doihttps://doi.org/10.20535/2411-1031.2024.12.2.317938
dc.identifier.orcid0000-0002- 4323-0709
dc.identifier.orcid0009-0001-6839-4152
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/73370
dc.language.isoen
dc.publisherInstitute of Special Communication and Information Protection of National Technical University of Ukraine “Igor Sikorsky Kyiv Polytechnic Institute”
dc.publisher.placeKyiv
dc.relation.ispartofInformation Technology and Security, Vol. 12, Iss. 2 (23)
dc.rights.urihttps://creativecommons.org/licenses/by/4.0/
dc.subjectartificial intelligence
dc.subjectconvolutional neural networks
dc.subjectaudio signal processing
dc.subjectштучний інтелект
dc.subjectзгорткові нейронні мережі
dc.subjectобробка аудіосигналів
dc.subject.udc004.8
dc.titleInnovative methods of automotive crash detection through audio recognition using neural networks algorithms
dc.title.alternativeІнноваційні методи розпізнавання автомобільних аварій за допомогою аналізу звукових доріжок з використанням алгоритмів нейронних мереж
dc.typeArticle

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
243-256.pdf
Розмір:
585.97 KB
Формат:
Adobe Portable Document Format
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
8.98 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Information Technology and Security, Vol. 12, Iss. 2 (23)