نام پژوهشگر: احمد دهقانزاده سورکی

تحلیل تاثیر مصرف مواد محرک آمفتامین بر رفتار رانندگی با استفاده از ترکیب اطلاعات حسگرهای پایش راننده و خودرو به کمک شبیه ساز رانندگی اتوبوس
پایان نامه وزارت علوم، تحقیقات و فناوری - دانشگاه صنعتی خواجه نصیرالدین طوسی - پژوهشکده برق و کامپیوتر 1391
  احمد دهقانزاده سورکی   علی نحوی

مسئله جدیدتر، آثار مواد دیگری است که بر توانایی رانندگی تاثیر می گذارد. بر اساس یک پیمایش کنار جاده ای که در ایران در سال 1380 انجام شد، 26 درصد از رانندگان حرفه ای دچار سوء استفاده مواد مخدر و محرک هستند. طبق آمار مرکز پایش مواد و افراد معتاد اروپا، 5 درصد افراد در اروپا و حدود 0.1 تا 15.3 درصد از افراد در کشورهای مختلف به طور دائمی آمفتامین مصرف می کنند. تاثیر مصرف آمفتامین ها بر عملکرد رانندگی در مراجع مختلف، متناقض گزارش شده است. بعضی از مراجع آثار مشخصی را از رانندگی تحت تاثیر آمفتامین بیان نکرده اند، در صورتی که تخمین نامناسب فاصله با خودروی جلویی، خطر پذیری بالا و انحراف معیار بالای موقعیت عرضی به عنوان اثرات منفی آمفتامین بر عملکرد رانندگی در بعضی از مقالات مشخص شده اند. 24 نفر از رانندگان سالم(میانگین سال 38.17 و گستره 32 تا 44 سال) و 7 نفر از رانندگان معتاد به آمفتامین(میانگین 40 سال و گستره 33 تا 45 سال) شرکت واحد اتوبوسرانی تهران و حومه، افراد مورد آزمایش این پایان نامه برای رانندگی در شبیه ساز رانندگی اسکانیا bi 301 fullبوده اند. این افراد در سناریوهای رانندگیاول، دوم و سوم تعقیب خودرو، سناریوی دنبال کردن مسیر، سناریوی ترمز شدید و سناریوی عابر پیاده رانندگی کرده اند. مقدار تطابق، بهره، تاخیر، جابجایی فرکانس و همچنین میانگین و فاصله با خودروی پیشرو در سناریوی اول تعقیب خودرو بدست آمده اند. رفتار رانندگی در سناریوهای دوم و سوم خودرو مدلسازی شده اند و نمودارهای فاصله زمانی نسبت به سرعت و شتاب نسبت معکوس زمان برخورد، رسم و با منحنی های نمایی و درجه دوم تقریب زده شده اند. پارامترهای تنظیم کننده این مدل ها به عنوان ویژگی هایی که در افراد مختلف متفاوت است و ویژگی های بدست آمده در سناریوی اول تعقیب خودرو در رانندگان سالم و معتاد به آمفتامین مقایسه شده اند. تفاوت واضحی بین میانگین و واریانس ویژگی های رانندگان سالم و معتاد به آمفتامین به طور مجزا وجود نداشت. به همین دلیل تصمیم گرفته شد که با شبکه عصبی این ویژگی ها از هم جدا شوند. در نهایت شبکه های عصبی با دقت بالای 85 درصد برای جداسازی این اطلاعات آموزش داده شدند.