基于單模態(tài)生理信號(hào)無監(jiān)督特征學(xué)習(xí)的駕駛壓力識(shí)別

江潤(rùn)強(qiáng)， 陳蘭嵐， 諶 鈫

（華東理工大學(xué)能源化工過程智能制造教育部重點(diǎn)實(shí)驗(yàn)室，上海 200237）

駕駛壓力被認(rèn)為是影響駕駛員意識(shí)和行為的主要因素，可能會(huì)導(dǎo)致駕駛員在道路上的攻擊性和危險(xiǎn)行為。如何有效地檢測(cè)駕駛員的壓力狀態(tài)，提高行車過程中的駕駛意識(shí)和駕駛表現(xiàn)，對(duì)道路交通以及人身安全具有重要的現(xiàn)實(shí)意義[1]。

目前，對(duì)于駕駛壓力狀態(tài)的檢測(cè)方法主要有：主觀問卷調(diào)查、生理信號(hào)分析、駕駛行為檢測(cè)、視覺與語音信號(hào)分析。在不同的檢測(cè)方法中，由于生理信號(hào)能夠較好地表征人體的心理與生理信息，具有一定的客觀性與實(shí)時(shí)性，近年來得到了國內(nèi)外眾多學(xué)者的關(guān)注。與人體壓力狀態(tài)有關(guān)的生理信號(hào)主要包括腦電(Electroencephalogram, EEG)、心電(Electrocardiogram, ECG)、肌電(Electromyogram, EMG)、皮電(Galvanic Skin Response, GSR)、眼電(Electrooculogram, EOG)等[2]。

文獻(xiàn)[3] 采集了眼電、腦電以及肌電3 種生理信號(hào)并設(shè)計(jì)了不同層面的樣本熵及復(fù)雜度特征，20 個(gè)受試者在4 種駕駛狀態(tài)下的識(shí)別準(zhǔn)確率為96.5%～99.5%。文獻(xiàn)[4]對(duì)腦電信號(hào)和眼電信號(hào)提取出樣本熵、近似熵和譜熵并進(jìn)行了基于熵的特征層面的融合，22 個(gè)受試者的平均識(shí)別結(jié)果為99.1%。文獻(xiàn)[5]對(duì)皮電、肌電、心電3 種生理信號(hào)分別提取出時(shí)頻域的特征并進(jìn)行多模態(tài)融合，在12 個(gè)受試者的3 種駕駛壓力負(fù)荷下的平均識(shí)別結(jié)果超過了80%。上述對(duì)于駕駛壓力疲勞檢測(cè)的相關(guān)研究往往涉及到多個(gè)模態(tài)的生理信號(hào)，一定程度上保證了信息的完整性與豐富性，但在實(shí)際的駕駛環(huán)境中多電極生理信號(hào)的采集會(huì)影響駕駛員行車的舒適性，也會(huì)導(dǎo)致檢測(cè)成本的提高。

針對(duì)上述問題，本文采用單模態(tài)生理信號(hào)進(jìn)行駕駛壓力的檢測(cè)，選取了與壓力識(shí)別相關(guān)性較強(qiáng)的腳部皮電信號(hào)[6]。該信號(hào)的采集較為方便，可直接放置于駕駛員的鞋墊中，且具有皮膚電導(dǎo)水平和皮膚電導(dǎo)反應(yīng)的波形特點(diǎn)，可反映驅(qū)動(dòng)人類行為、認(rèn)知和情緒狀態(tài)的交感神經(jīng)活動(dòng)水平[7]。

此外，傳統(tǒng)的對(duì)于生理信號(hào)的特征提取方法往往需要研究者具有較豐富的先驗(yàn)知識(shí)，屬于特征工程的范疇。而深度學(xué)習(xí)作為一種表征學(xué)習(xí)的方法，具有對(duì)輸入對(duì)象自動(dòng)進(jìn)行學(xué)習(xí)并且提取出相應(yīng)抽象特征的能力，以此來學(xué)習(xí)高維數(shù)據(jù)的低維表示和對(duì)高維數(shù)據(jù)的壓縮重構(gòu)[8]。近年來，許多學(xué)者將基于深度學(xué)習(xí)的特征表示和特征融合應(yīng)用到腦電等生理信號(hào)的處理中。文獻(xiàn)[9] 利用深度自編碼器進(jìn)行腦電和眼電特征的融合來展開情感識(shí)別的研究。文獻(xiàn)[10]運(yùn)用深度信念網(wǎng)絡(luò)提取腦電信號(hào)的抽象特征進(jìn)行腦機(jī)接口中左右手動(dòng)作的識(shí)別。文獻(xiàn)[11]利用卷積神經(jīng)網(wǎng)絡(luò)提取出不同導(dǎo)聯(lián)肌電信號(hào)的抽象特征并輸入到分類器中進(jìn)行膝蓋位置動(dòng)作信息的識(shí)別。本文構(gòu)建了基于單模態(tài)生理信號(hào)無監(jiān)督特征學(xué)習(xí)的駕駛壓力識(shí)別模型，采用一維卷積神經(jīng)網(wǎng)絡(luò)構(gòu)造卷積自編碼器提取皮電信號(hào)的抽象特征，并借鑒集成學(xué)習(xí)的思想，提高了駕駛壓力識(shí)別的準(zhǔn)確率與穩(wěn)定性。

1 方法與模型

本文構(gòu)建的駕駛壓力識(shí)別模型如圖1 所示。將經(jīng)過帶通濾波處理后的皮電信號(hào)數(shù)據(jù)樣本送入卷積自編碼器(Convolutional Auto-Encoder, CAE)中進(jìn)行神經(jīng)網(wǎng)絡(luò)參數(shù)的訓(xùn)練學(xué)習(xí)，其中卷積自編碼器的編碼階段學(xué)習(xí)到對(duì)應(yīng)的抽象特征，再將其依次送入支持向量機(jī)(Support Vector Machine, SVM)、隨機(jī)森林(Random Forest, RF)、K 最近鄰(K-Nearest Neighbor,KNN)、梯度提升決策樹(Gradient Boosting Decision Tree, GBDT) 4 種基分類器進(jìn)行駕駛壓力識(shí)別建模。對(duì)4 種基分類器的輸出采用投票(Voting)策略進(jìn)行決策級(jí)的集成，得到最終的駕駛壓力識(shí)別結(jié)果。

圖1 駕駛壓力識(shí)別模型框架Fig. 1 Framework of driving stress estimation model

1.1 一維卷積自編碼器

卷積自編碼器包含有編碼與解碼兩個(gè)階段[12]。其中編碼階段主要由輸入層、卷積層、池化層(下采樣層)、重構(gòu)層以及全連接層組成；解碼階段主要由重構(gòu)層、全連接層以及上采樣層、反卷積層組成，在編碼階段對(duì)腳部皮電的抽象特征進(jìn)行學(xué)習(xí)。一維卷積自編碼器示意圖如圖2 所示，其中dim 為抽象特征的維數(shù)。

圖2 一維卷積自編碼器示意圖Fig. 2 Schematic diagram of one dimensional convolution auto-encoder

1.1.1 編碼階段

（1）卷積層。卷積層由若干個(gè)卷積核對(duì)輸入進(jìn)行卷積運(yùn)算得到的特征圖組成，以此來提取輸入對(duì)象的局部特征[13]。卷積層的數(shù)學(xué)原理為

其中：fmc表示卷積作用后的特征圖；wc與bc分別表示卷積核對(duì)應(yīng)的權(quán)重與偏置；*表示對(duì)應(yīng)的卷積運(yùn)算；g表示相應(yīng)的激活函數(shù)。卷積的邊界補(bǔ)零填充主要是為了保持卷積后數(shù)據(jù)的尺寸不變。

（2）池化層。池化層又稱為下采樣層，其作用相當(dāng)于對(duì)卷積層提取的抽象特征進(jìn)行選擇，以此達(dá)到特征的降維[14]。本文選用的最大池化層的數(shù)學(xué)原理為

其中：pmp表示經(jīng)過最大池化作用后的特征圖。

（3）重構(gòu)層與全連接層。重構(gòu)層將pmp轉(zhuǎn)化為一維列向量，然后再輸入到全連接層編碼得到抽象特征，其中全連接層神經(jīng)元的個(gè)數(shù)為壓縮后抽象特征的維數(shù)。其數(shù)學(xué)原理為

其中：v表示重構(gòu)后的列向量；c表示編碼得到的抽象特征；wf和bf分別表示全連接層所對(duì)應(yīng)的權(quán)重與偏置；·表示點(diǎn)乘運(yùn)算。

1.1.2 解碼階段

（1）全連接層與重構(gòu)層。抽象特征解碼的過程是編碼的逆過程，需要通過全連接層將抽象特征轉(zhuǎn)化為列向量，然后再通過重構(gòu)層將其轉(zhuǎn)化為對(duì)應(yīng)尺度的特征圖。其數(shù)學(xué)原理為

其中：vd表示解碼階段的列向量；wdf表示解碼階段全連接層的權(quán)重，同時(shí)解碼階段的重構(gòu)建立在編碼得到的抽象特征c的基礎(chǔ)上，為保證信息的完整性，解碼階段的全連接層不存在對(duì)應(yīng)的偏置[15]；rm為解碼階段重構(gòu)后的特征圖。

（2）上采樣層與反卷積。上采樣層可以看作反池化的過程，主要用于特征子圖的維度擴(kuò)充。擴(kuò)充后的特征子圖再經(jīng)過反卷積作用得到對(duì)應(yīng)的重構(gòu)信號(hào)。其數(shù)學(xué)原理為

其中：fmup表示上采樣后的特征子圖； ° 表示反卷積運(yùn)算；wdc與bdc分別表示反卷積的權(quán)重與偏置，其維度大小分別為對(duì)應(yīng)卷積階段權(quán)重與偏置矩陣的轉(zhuǎn)置；y為解碼階段反卷積得到的重構(gòu)信號(hào)[16]。

1.1.3 網(wǎng)絡(luò)激活函數(shù) 本文中除解碼階段最后反卷積層的輸出為Sigmoid 激活函數(shù)外，網(wǎng)絡(luò)架構(gòu)的其余卷積與反卷積層激活函數(shù)均采用修正線性(Rectified Linear Unit, Relu)激活函數(shù)。

Relu 激活函數(shù)：

Sigmoid 激活函數(shù)：

1.1.4 網(wǎng)絡(luò)損失函數(shù) 自編碼器的損失函數(shù)依據(jù)原始輸入與重構(gòu)輸入之間的偏差最小化，本文采用的損失函數(shù)為平均絕對(duì)誤差，計(jì)算公式如下：

其中：N為樣本數(shù)目；x(i)為原始信號(hào)的第i個(gè)樣本；y(i)為原始信號(hào)第i個(gè)樣本對(duì)應(yīng)的重構(gòu)信號(hào)。

1.1.5 卷積自編碼器結(jié)構(gòu)設(shè)計(jì) 在反復(fù)實(shí)驗(yàn)的基礎(chǔ)上，本文選取2 個(gè)卷積層和2 個(gè)池化層作為卷積自編碼的編碼階段，其中全連接層的神經(jīng)元個(gè)數(shù)作為抽象特征的維度；選取3 個(gè)反卷積層和2 個(gè)上采樣層作為卷積自編碼的解碼階段。具體的參數(shù)設(shè)置見表1，表中dim 為全連接層神經(jīng)元的個(gè)數(shù)，也即抽象特征的維數(shù)。

表1 卷積自編碼器的超參數(shù)Table 1 Hyperparameters of the convolutional auto-encoder

1.2 集成學(xué)習(xí)

集成學(xué)習(xí)是指融合多個(gè)學(xué)習(xí)器或者模型來完成某個(gè)具體的學(xué)習(xí)任務(wù)，分為同質(zhì)集成學(xué)習(xí)與異質(zhì)集成學(xué)習(xí)[17]。本文對(duì)分類器的集成建立在不同基分類器基礎(chǔ)之上，屬于異質(zhì)集成學(xué)習(xí)的范疇，并從硬投票和軟投票兩個(gè)角度分別進(jìn)行集成。

(1) 硬投票是對(duì)不同基分類器的輸出類別采用少數(shù)服從多數(shù)的投票原則確定出對(duì)應(yīng)的預(yù)測(cè)標(biāo)簽，其局限性在于未考慮到類別標(biāo)簽輸出概率的累加性。

(2) 軟投票也稱為加權(quán)投票法，集成模型的輸出為各個(gè)基分類器預(yù)測(cè)概率的加權(quán)平均，數(shù)學(xué)表達(dá)式為

其中：n表示分類器的個(gè)數(shù)；wi表示第i個(gè)分類器的權(quán)重；yi表示第i個(gè)基分類器的概率輸出值；Y表示加權(quán)平均后的概率輸出值。本文中n=4，同時(shí)各個(gè)基分類器的權(quán)重wi保持一致，均設(shè)定為1。

本文針對(duì)硬投票存在的問題，取不同基分類器模型對(duì)樣本預(yù)測(cè)概率的平均值作為標(biāo)準(zhǔn)，從中選取概率最高的所屬類別作為最終的預(yù)測(cè)標(biāo)簽。

1.3 分類模型的評(píng)價(jià)

為充分評(píng)估分類模型的有效性，采用精確率(Precision)、召回率(Recall)、準(zhǔn)確率(Accuracy)和F1分?jǐn)?shù)(F1) 4 個(gè)評(píng)估指標(biāo)定量地分析評(píng)價(jià)模型[18]。評(píng)估指標(biāo)定義如下：

其中：TP 表示模型預(yù)測(cè)為正類的正樣本；FP 表示模型預(yù)測(cè)為正類的負(fù)樣本；TN 表示模型預(yù)測(cè)為負(fù)類的負(fù)樣本；FN 表示模型預(yù)測(cè)為負(fù)類的正樣本。

2 實(shí)驗(yàn)結(jié)果分析

2.1 實(shí)驗(yàn)數(shù)據(jù)

實(shí)驗(yàn)數(shù)據(jù)選用美國PhysioBank 公開的MITdrivedb 數(shù)據(jù)集，該數(shù)據(jù)集包含了9 名駕駛員17 次在波士頓特定路段真實(shí)駕駛環(huán)境下多源生理信號(hào)的駕駛記錄，其中3 次駕駛過程的數(shù)據(jù)存在一定的缺失，故本文采用了14 次駕駛過程的完整數(shù)據(jù)。原實(shí)驗(yàn)設(shè)計(jì)者采集了多種外周生理信號(hào)，比如手部皮電(Hand Galvanic Skin Response, HGSR)、 腳 部 皮 電(Foot Galvanic Skin Response, FGSR)、心電(ECG)、呼吸(Respiration, RESP)。實(shí)驗(yàn)設(shè)定了車庫休息、高速公路、市區(qū)道路3 種駕駛情景，以此表征低、中、高壓3 種駕駛狀態(tài)。每名受試者的駕駛過程為休息-高速-市區(qū)3 種駕駛狀態(tài)循環(huán)往復(fù)，實(shí)驗(yàn)流程如圖3 所示。整個(gè)實(shí)驗(yàn)過程中還進(jìn)行了視頻圖像分析與問卷調(diào)查的客觀分析，以此來佐證實(shí)驗(yàn)設(shè)計(jì)的合理性和有效性[19]。

圖3 數(shù)據(jù)集實(shí)驗(yàn)流程Fig. 3 Experiment flow of data set

本文采用FGSR 信號(hào)進(jìn)行實(shí)驗(yàn)，其采樣頻率為31 Hz。原始采集的FGSR 信號(hào)經(jīng)過缺失值處理及帶通濾波后，從每次駕駛過程的低、中、高壓3 種狀態(tài)中分別提取出10 min 信號(hào)進(jìn)行分析，共獲取30 min的駕駛片段。再利用滑動(dòng)窗口進(jìn)行數(shù)據(jù)分段，固定窗口的大小為100 s，滑動(dòng)步幅為10 s，這樣每個(gè)駕駛周期共產(chǎn)生126 個(gè)數(shù)據(jù)樣本，每種駕駛狀態(tài)下各42 個(gè)，其中每個(gè)樣本的數(shù)據(jù)長(zhǎng)度為31×100=3 100。14 次駕駛過程共可獲得1 764 個(gè)數(shù)據(jù)樣本。

實(shí)驗(yàn)環(huán)境：軟件環(huán)境為Matlab2018 和Anaconda3下的Python3.7，其中Matlab 主要用于原始信號(hào)的提取、樣本的劃分。Python 的編程環(huán)境通過Keras 搭建基于一維卷積自編碼神經(jīng)網(wǎng)絡(luò)的特征學(xué)習(xí)框架，通過Sklearn 庫完成不同基分類器的識(shí)別與參數(shù)的尋優(yōu)，以及特征學(xué)習(xí)算法的比較與特征可視化。

2.2 抽象特征的學(xué)習(xí)效果分析

2.2.1 數(shù)據(jù)預(yù)處理及模型訓(xùn)練 為保證一維卷積無監(jiān)督自編碼器損失函數(shù)的收斂性以及網(wǎng)絡(luò)的訓(xùn)練時(shí)間成本，對(duì)原始數(shù)據(jù)樣本按列進(jìn)行0-1 歸一化處理。將14 次駕駛過程的全部數(shù)據(jù)樣本隨機(jī)打亂后，其中的90%作為訓(xùn)練集、其余的10%作為驗(yàn)證集進(jìn)行卷積自編碼器網(wǎng)絡(luò)參數(shù)的訓(xùn)練學(xué)習(xí)。選取Adam 優(yōu)化器，每個(gè)批量大小為40 個(gè)樣本，Epoch 的數(shù)目為80。模型的訓(xùn)練過程如圖4 所示。從圖4 可以看出，當(dāng)Epoch 達(dá)到80 時(shí)，驗(yàn)證集與測(cè)試集的誤差損失基本一致，模型不存在過擬合。

圖4 一維卷積自編碼器的訓(xùn)練Fig. 4 Training of one dimensional convolutional auto-encoder

2.2.2 抽象特征的可視化 對(duì)于學(xué)習(xí)到的抽象特征，通過流行學(xué)習(xí)層面的T-SNE (T-Distributed Stochastic Neighbor Embedding)進(jìn)行特征的可視化。T-SNE 能夠?qū)颖局g的相似度關(guān)系在嵌入空間（二維空間）轉(zhuǎn)化為概率分布，這使得T-SNE 的數(shù)據(jù)可視化可以關(guān)注數(shù)據(jù)樣本的局部與全局分布[20]。本文選取了3 個(gè)個(gè)體進(jìn)行抽象特征的可視化展示，如圖5 所示。從圖5 可以看出，卷積自編碼器提取的抽象特征能夠比較明顯地區(qū)分出3 種不同的駕駛狀態(tài)。

圖5 抽象特征的可視化Fig. 5 Visualization of abstract features

2.2.3 抽象特征對(duì)于路況的表征能力 為進(jìn)一步分析提取的抽象特征對(duì)不同駕駛狀況的表征能力，對(duì)14 次駕駛過程分別進(jìn)行駕駛壓力的識(shí)別，選取徑向基核函數(shù)的SVM 作為基分類器，將區(qū)別3 種路況的三分類問題轉(zhuǎn)化為3 個(gè)二分類問題，并計(jì)算出每次駕駛識(shí)別結(jié)果對(duì)應(yīng)的TP 與FP，其中14 次駕駛過程平均識(shí)別結(jié)果的ROC 曲線以及ROC 曲線下的面積如圖6 所示。

從圖6 可以看出，對(duì)于14 次駕駛過程而言，卷積自編碼器提取的抽象特征對(duì)車庫休息狀態(tài)的平均識(shí)別結(jié)果最好，ROC 曲線下的面積為0.97；其次為城市路況階段，ROC 曲線下的面積為0.96；高速路況階段ROC 曲線下的面積為0.95。

圖6 不同路況下的ROC 曲線以及AUCFig. 6 ROC curves and AUC under different road conditions

2.2.4 特征學(xué)習(xí)算法的比較 為分析深度學(xué)習(xí)層面特征學(xué)習(xí)的有效性，選取多維縮放(Multidimensional Scaling, MDS)[21]、主成分分析(Principal Components Analysis, PCA)[22]、稀疏隨機(jī)映射(Sparse Random Projection, SRP)[23]3 種基于矩陣映射的傳統(tǒng)特征學(xué)習(xí)算法與卷積自編碼器(CAE)進(jìn)行比較。對(duì)不同的特征學(xué)習(xí)算法依次設(shè)置了6 個(gè)特征維度進(jìn)行特征學(xué)習(xí)，用于特征學(xué)習(xí)評(píng)估的基分類模型均為徑向基核函數(shù)的SVM。對(duì)于每次駕駛過程的126 個(gè)數(shù)據(jù)樣本，選取70%的樣本用于訓(xùn)練，30%的樣本用于測(cè)試，14 次駕駛過程通過不同的特征學(xué)習(xí)方式所得的駕駛壓力識(shí)別結(jié)果如圖7 所示。對(duì)于本數(shù)據(jù)集而言，卷積自編碼提取的抽象特征在維度不小于8 時(shí)優(yōu)于傳統(tǒng)特征學(xué)習(xí)算法，這表明基于深度學(xué)習(xí)的特征學(xué)習(xí)在調(diào)整好其超參數(shù)的基礎(chǔ)上可以替代傳統(tǒng)特征學(xué)習(xí)算法，且無需任何與生理信號(hào)相關(guān)的先驗(yàn)知識(shí)。

圖7 不同維度下的特征學(xué)習(xí)算法比較Fig. 7 Comparison of feature learning algorithms under different dimensions

2.3 駕駛壓力識(shí)別效果分析

為提高決策級(jí)層面識(shí)別結(jié)果的穩(wěn)定性與準(zhǔn)確率，選取KNN、RF、GBDT、SVM 作為基分類器，同時(shí)采用軟投票與硬投票的集成學(xué)習(xí)策略。其中，對(duì)于不同維度下的樣本空間，數(shù)據(jù)劃分方式與2.2.4 節(jié)一致，基分類器的相關(guān)參數(shù)采用4 折交叉驗(yàn)證的方式進(jìn)行網(wǎng)格化參數(shù)搜索，其參數(shù)的搜索范圍如表2 所示。

表2 基分類器及參數(shù)設(shè)置Table 2 Base classifiers and parameter setting

表3 示出了不同基分類器不同維度下14 次駕駛記錄的壓力識(shí)別平均準(zhǔn)確率。可以看出在同一維度下，不同基分類器的識(shí)別結(jié)果存在一定的差異。整體而言KNN 的表現(xiàn)相對(duì)較好，其中，在維度為4、8、16 時(shí)，KNN 與SVM 的識(shí)別結(jié)果均達(dá)到了90%以上的水平。KNN 在維度為8 時(shí)達(dá)到了單分類器的最佳識(shí)別結(jié)果（92.519%，表中黑體）。

表3 不同基分類器不同維度下的識(shí)別結(jié)果Table 3 Recognition results under different dimensions of different base classifiers

表4 示出了特征維度為8 時(shí)集成模型的準(zhǔn)確率、精確率、召回率、F1，可見兩種集成方法均對(duì)駕駛壓力的識(shí)別有一定的提升作用，其中軟投票要優(yōu)于硬投票的識(shí)別效果（表中黑體）。

表4 基分類器的投票集成Table 4 Voting integration of base classifiers

2.4 同類結(jié)果的比較分析

與同樣采用MIT-drivedb 數(shù)據(jù)集的傳統(tǒng)手工特征方法進(jìn)行比較，比較結(jié)果如表5 所示。文獻(xiàn)[19]為本數(shù)據(jù)集的原始參考文獻(xiàn)，實(shí)驗(yàn)設(shè)計(jì)者對(duì)心電、肌電、皮電、呼吸4 種模態(tài)生理信號(hào)設(shè)計(jì)了22 維的手工特征，3 種狀態(tài)的識(shí)別準(zhǔn)確率為97.40%，但該研究樣本劃分時(shí)間長(zhǎng)度為5 min，實(shí)時(shí)性較差，同時(shí)涉及到多個(gè)模態(tài)的信號(hào)。文獻(xiàn)[19]、文獻(xiàn)[6]中曾提及與駕駛壓力狀態(tài)最為相關(guān)的是皮電與心電兩個(gè)單模態(tài)，本文對(duì)單模態(tài)的分析結(jié)果進(jìn)行進(jìn)一步的對(duì)比。文獻(xiàn)[24]采用單模態(tài)的心電信號(hào)作為研究對(duì)象，對(duì)心電信號(hào)進(jìn)行心率變異性(Heart Rate Variablity, HRV)檢測(cè)，提取出相應(yīng)的時(shí)域、頻域、時(shí)頻域以及非線性特征，駕駛壓力識(shí)別的平均準(zhǔn)確率為83.00%。文獻(xiàn)[25]結(jié)合心電信號(hào)的生理波形特點(diǎn)提取其RR 間隔、QT 間隔以及EDR 3 種類型的手工特征，個(gè)體識(shí)別平均結(jié)果為98.6%，但該研究?jī)H區(qū)分了兩種駕駛壓力狀態(tài)。文獻(xiàn)[6]采用單模態(tài)腳部皮電信號(hào)作為研究對(duì)象，樣本劃分方式與本文相同，提取了18 個(gè)腳部皮電的手工特征，采用KNN 作為分類器，3 種狀態(tài)的識(shí)別準(zhǔn)確率為88.91%。文獻(xiàn)[26]中樣本劃分長(zhǎng)度為5 min，設(shè)計(jì)并提取了皮電信號(hào)的相應(yīng)手工特征，采用線性判別分析(Linear Discriminant Analysis, LDA)作為分類器，3 種狀態(tài)的識(shí)別準(zhǔn)確率為81.82%。綜合研究結(jié)果表明，本文在單模態(tài)生理信號(hào)上利用基于深度學(xué)習(xí)的無監(jiān)督特征學(xué)習(xí)方法，取得了較好的識(shí)別效果。

表5 同類研究的對(duì)比Table 5 Comparison of similar studies

3 結(jié)束語

本文采用單模態(tài)的腳部皮電信號(hào)構(gòu)建駕駛壓力識(shí)別模型，采用一維卷積自編碼器進(jìn)行抽象特征學(xué)習(xí)，并應(yīng)用了決策級(jí)的集成學(xué)習(xí)策略。實(shí)驗(yàn)結(jié)果表明，腳部皮電與駕駛壓力的關(guān)聯(lián)度較高，所提取的抽象特征具有較好的表征能力，集成學(xué)習(xí)有助于提高模型的識(shí)別準(zhǔn)確率。本文的駕駛壓力識(shí)別是針對(duì)單個(gè)個(gè)體的識(shí)別，沒有涉及到跨個(gè)體駕駛壓力的識(shí)別，下一步的研究方向可以借鑒遷移學(xué)習(xí)的域自適應(yīng)，構(gòu)建深度遷移模型研究跨個(gè)體的駕駛壓力識(shí)別。