FPR به معنی نرخ خطای سیستم در تشخیص اشتباه خواب‏آلودگی یا عدم تمرکز حواس است و FNR نرخ خطای سیستم در عدم تشخیص خواب‏آلودگی را نشان می‏دهد. به همین ترتیب TPR نرخ تشخیص صحیح خواب‏آلودگی و TNR نرخ تشخیص صحیح هوشیاری راننده است. در جدول ‏۴‑۴ مفاهیم FPR، FNR، TPR و TNR در ماتریس اغتشاش^[۱۴۹] بیان شده‏اند.
جدول ‏۴‑۴: بیان مفاهیم FPR، FNR، TPR و TNR در قالب ماتریس اغتشاش

در یک سیستم ایده‏آل FPR و FNR صفر است. در برخی گزارشات، ارزیابی سیستم فقط بر اساس نرخ هشدار اشتباه^[۱۵۰] (FAR) بیان می‏شود. در واقع FAR معادل FPR است. گاهی نیز دقت سیستم به عنوان معیار ارزیابی مورد استفاده قرار می‏گیرد. دقت سیستم معادل TPR است.
آشکارسازی چهره
برای آموزش الگوریتم آشکارسازی چهره از حدود ۳۰۰۰ تصویر چهره و حدود ۳۰۰۰۰۰ تصویر غیرچهره استفاده شد. تصاویر چهره از پایگاه داده FERET انتخاب شد و به صورت دستی مکان چشم‏های آن تعیین گردید. تمام تصاویر چهره بر اساس فاصله بین دو چشم یکسان‏سازی مقیاس^[۱۵۱] و سپس به یک اندازه دلخواه (۴۰×۴۰ پیکسل) یکسان‏سازی اندازه^[۱۵۲] شد. برای تولید تصاویر غیرچهره از تعدادی تصویر تصادفی استفاده گردید. ابتدا اگر چهره انسان در این تصاویر وجود داشت، به طور دستی حذف شد. سپس این تصاویر به تصاویر کوچک با ابعاد تصاویر چهره (۴۰×۴۰) قسمت‏بندی شد. هر قسمت به عنوان یک تصویر غیرچهره در سیستم مورد استفاده قرار گرفت. نمونه‏هایی از تصاویر چهره و غیرچهره که برای آموزش استفاده شده است، به ترتیب در شکل ‏۴‑۳ و شکل ‏۴‑۴ مشاهده می‏شود.
 
شکل ‏۴‑۳: نمونه‏هایی از تصاویر چهره مورد استفاده برای آموزش الگوریتم آشکارسازی چهره
 
شکل ‏۴‑۴: نمونه‏هایی از تصاویر غیرچهره مورد استفاده برای آموزش الگوریتم آشکارسازی چهره
در هنگام آموزش الگوریتم آشکارسازی چهره، توجه به این نکته ضروری است که با کاهش نرخ آشکارسازی اشتباه (FPR)، نرخ عدم آشکارسازی (FNR) بیشتر خواهد شد و بالعکس. بنابراین باید با توجه به کاربرد، مصالحه‏ای میان FPR و FNR برقرار گردد.
برای آزمایش الگوریتم آشکارسازی چهره، از ۳۰۰۰ تصویر چهره و ۸۰۰۰۰ تصویر غیرچهره استفاده شد. طبق آزمایش انجام شده، نرخ عدم آشکارسازی چهره (FNR) برابر ۸/۱% و نرخ آشکارسازی اشتباه (FPR) برابر ۸/۰% بدست آمد. نتایج ارزیابی الگوریتم آشکارسازی در جدول ‏۴‑۵ نشان داده شده است.
جدول ‏۴‑۵: ارزیابی الگوریتم آشکارسازی چهره