کاهش نرخ رخداد تصادفات یکی از مهم ترین اهداف جوامع امروزی است. تصادف ها عموما موجب از دست رفتن جان و مالکیت میلیون ها نفر در سراسر جهان میشوند. بنابراین، کاهش تصادفات از نظر اقتصادی و اجتماعی بسیار حائز اهمیت است. در این تحقیق، به بررسی روش های مبتنی بر یادگیری ماشین جهت خودکار ساختن تشخیص حالات راننده و در نتیجه کاهش نرخ تصادف، پرداخته می شود. به صورت کلی، به دلیل غیر قابل پیشبینی بودن رفتار رانندگان، دانست بررسی حالات مختلف و ارائه مدل موثر برای همه حالات، کاری چالش برانگیز است، لذا در این تحقیق به بررسی دو مورد از حالات تاثیرگذار در پیش بینی رفتار راننده پرداخته شده است، تشخیص جنسیت راننده و تشخیص خواب آلودگی وی. با ارائه مدل های یادگیری عمیق با هدف طبقه بندی و ارزیابی آن ها بر مجموعه داده های عمومی، سعی کرده ایم این مساله را با دقت بالایی حل کنیم. به این منظور، از رویکردهای مختلفی مانند شبکه های VGG، موبایل نت، استفاده از یادگیری انتقالی و به علاوه استفاده از رویکرد توجه در شبکه استفاده شده است. نتایج حاصل از این تحقیق نشان میدهد که استفاده از شبکههای عمیق در تشخیص حالات خواب آلودگی رانندگان، بهبود قابل توجهی در دقت و صحت تشخیص دستهبندیهای مختلف داشته و این موضوع را با دقت بالایی حل کرده است.
