يُعدّ المراقبة الفيزيولوجية داخل المركبة القوية وغير المتطفلة أمرًا بالغ الأهمية لضمان سلامة القيادة وتجربة المستخدم. وعلى الرغم من أن القياس الفيزيولوجي عن بُعد (RPM) يُقدّم حلًّا واعدًا وغير جراحي، فإن تطبيقه في السيناريوهات الواقعية للقيادة يعاني من قيود جوهرية ناتجة عن ندرة المجموعات الشاملة للبيانات. فغالبًا ما تكون الموارد الحالية محدودة من حيث الحجم، وتنوع الوسائط، وشمولية التصنيفات البيومترية، ونطاق الظروف المُسجّلة، مما يؤدي إلى إغفال التحديات الطبيعية والواقعية المرتبطة بالقيادة. في هذا العمل، نقدّم "فِيزدرايف" (PhysDrive)، أول مجموعة بيانات واسعة النطاق متعددة الوسائط لاستشعار فيزيولوجي غير ملامس داخل المركبة، مع اهتمام خاص بتنوع إعدادات الوسائط والعوامل المرتبطة بالقيادة. تُجمَع بيانات "فِيزدرايف" من 48 سائقًا، تشمل تسجيلات مزامنة بمقاطع RGB ومقاطع كاميرا الأشعة تحت الحمراء القريبة (NIR) وبيانات رادار المايكروويف المkas (mmWave) الخام، مصحوبة بستة معايير حقيقية مزامنة (ECG، BVP، التنفس، معدل ضربات القلب، معدل التنفس، ومستوى تشبع الأكسجين في الدم SpO2). وتغطي المجموعة طيفًا واسعًا من الظروف الواقعية للقيادة، بما في ذلك حركات السائق، والتغيرات الديناميكية في الإضاءة الطبيعية، وأنواع المركبات، وظروف الطرق المختلفة. قمنا بتقييمًا واسعًا لأساليب معالجة الإشارات والتعلم العميق على "فِيزدرايف"، مما يُسهم في إقامة معيار متكامل عبر جميع الوسائط، ونُطلق الكود الكامل مفتوح المصدر مع توافقه مع أدوات التحليل العامة الشائعة. نتوقع أن تُصبح "فِيزدرايف" موردًا أساسيًا يُسرّع من تطوّر الأبحاث المتعلقة بالمراقبة متعددة الوسائط للسائقين وأنظمة الكابينة الذكية.