PRISMA 系统综述：深度学习驾驶员嗜睡检测的精度-延迟权衡与嵌入式空白

本文深度解读 Frontiers in AI 2026 PRISMA 系统综述，该研究分析了 33 篇 2021-2025 年论文，发现没有模型同时达到 99%+ 准确率和 <100ms 延迟，且无模型在嵌入式硬件上验证——揭示了 DMS 从实验室到量产的关键鸿沟。

1. 论文信息

要素 内容
标题 Accuracy–latency trade-offs and absent embedded validation in deep learning driver drowsiness detection: a PRISMA systematic review
期刊 Frontiers in Artificial Intelligence
发表 2026 年 8 月 31 日
方法 PRISMA 2020 + Kitchenham 协议
分析论文数 33 篇（2021.01-2025.10）
核心发现 无模型同时 >99% 准确率 + <100ms 延迟 + 嵌入式验证

2. 核心发现

2.1 三大关键问题

问题 说明 严重性
精度-延迟权衡 无模型同时 >99% + <100ms 🔴 部署瓶颈
嵌入式验证缺失 33篇中0篇在汽车级硬件验证 🔴 量产鸿沟
跨数据集评估缺失 无模型在多数据集验证 🟡 泛化风险

2.2 精度-延迟分布

1
2
3
4
5
6
7
8
9
10
11
12
准确率 (%) vs 延迟 (ms)

99% ┤  ●●●●●
    │        ●●●
95% ┤            ●●
    │               ●
90% ┤
    └──────────────────────
    0    50   100  150  200  250  300  (ms)
    
    ◆ 无模型在右上角（>99% + <100ms）
    ◆ 大部分模型在左上（高精度+高延迟）或右下（低精度+低延迟）

2.3 对 IMS 的直接启示

发现 对 IMS 的影响 建议
精度-延迟权衡 量产需 <100ms 选轻量模型+量化
嵌入式空白 学术≠量产 必须做嵌入式验证
无跨数据集 泛化不确定 多数据集训练
CNN 主导 ViT 未成熟 优先 CNN 方案
YOLO 系列 主流方案 ME-YOLOv8/YOLOv8-FD

3. PRISMA 方法论

3.1 PICOC 框架

要素 定义
Population ADAS 环境中的驾驶员
Intervention CNN/Transformer/混合模型
Comparison 不同模型比较
Outcome 精度、延迟、FPS、鲁棒性
Context 嵌入式/边缘计算

3.2 搜索策略

3 个数据库：Scopus + Web of Science + Dimensions

737 条记录 → 去重 → 筛选 → 33 篇最终分析

4. 优先级建议框架

4.1 论文提出的选型框架

场景 优先架构 理由
嵌入式 ADAS 轻量 CNN 计算受限
高精度需求 ViT/混合 精度高
实时需求 量化CNN 低延迟
多场景 混合+多模态 泛化

4.2 对 IMS 的建议

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
# IMS 选型决策树
def select_dms_architecture(constraints):
    """
    基于约束选择 DMS 架构
    
    参考 PRISMA 综述的优先级框架
    """
    if constraints.get('latency_ms', 100) < 50:
        # 极低延迟：量化轻量 CNN
        return {
            'architecture': 'MobileNetV2/V3 + TFLite int8',
            'expected_acc': '90-95%',
            'expected_latency': '1.9-5 ms',
            'trade_off': '精度略低但延迟极低',
        }
    elif constraints.get('accuracy', 0.95) > 0.99:
        # 极高精度：大模型
        return {
            'architecture': 'YOLOv8 + Transformer',
            'expected_acc': '99%+',
            'expected_latency': '100-200 ms',
            'trade_off': '精度高但延迟高',
        }
    else:
        # 平衡：中等模型+量化
        return {
            'architecture': 'ME-YOLOv8 + ONNX',
            'expected_acc': '95-98%',
            'expected_latency': '20-50 ms',
            'trade_off': '精度和延迟平衡',
            'note': '当前最实际的选择',
        }


# 测试
if __name__ == "__main__":
    print("=== IMS DMS 架构选型 ===\n")
    
    # 场景1: 高通8255 NPU
    print("高通8255 (26 TOPS):")
    result = select_dms_architecture({'latency_ms': 30, 'accuracy': 0.97})
    print(f"  {result}\n")
    
    # 场景2: 低端MCU
    print("低端 MCU:")
    result = select_dms_architecture({'latency_ms': 10, 'accuracy': 0.90})
    print(f"  {result}\n")
    
    # 场景3: 服务器级
    print("服务器级:")
    result = select_dms_architecture({'latency_ms': 200, 'accuracy': 0.995})
    print(f"  {result}\n")

5. 研究空白与未来方向

5.1 论文识别的研究空白

空白 当前状态 建议方向
嵌入式验证 0/33 篇 必须在汽车级硬件验证
跨数据集 极少 统一评估协议
准确率+延迟 无法兼得 模型压缩+量化
多模态 少数 视觉+行为+生理融合
ViT 初步 后续研究方向

5.2 论文建议的优先级研究

  1. 嵌入式硬件评估
  2. 跨数据集泛化
  3. 精度-延迟帕累托前沿
  4. 多模态融合
  5. ViT 在 DMS 中的适用性

6. 总结

这篇 PRISMA 系统综述揭示了 DMS 领域的关键鸿沟：学术研究的高精度在嵌入式部署中无法保持。对 IMS 的核心建议：

  1. 不追求 99%+：95-97% 准确率 + <50ms 延迟更实际
  2. 必须做嵌入式验证：学术基准≠量产性能
  3. 量化是必经之路：TFLite int8 / ONNX
  4. YOLO 系列是当前最优选：精度-延迟平衡最佳
  5. ViT 尚不成熟：DMS 领域 ViT 还需 2-3 年

参考来源：

  • Frontiers in AI: “Accuracy–latency trade-offs and absent embedded validation in deep learning driver drowsiness detection” (2026-08-31)
  • PRISMA 2020 方法论