- · 《临床心电学杂志》期刊[01/26]
- · 《临床心电学杂志》投稿[01/26]
- · 临床心电学杂志版面费是[01/26]
基于眼动特征及的轨道交通驾驶员疲劳分析与识(3)
作者:网站采编关键词:
摘要:4.2 SVM疲劳识别模型 SVM基于统计学习理论的原理,较好地解决了小样本的学习分类问题,更具有实用性和推广性。选择不同的核函数可以构建不同的SVM学习
4.2 SVM疲劳识别模型
SVM基于统计学习理论的原理,较好地解决了小样本的学习分类问题,更具有实用性和推广性。选择不同的核函数可以构建不同的SVM学习机,本文采用Anaconda软件进行编程,根据瞳孔面积聚类分析的结果,对4.1提到的五个心电指标特征向量进行疲劳等级标定,然后随机选取80%的样本作为训练集,另外20%的样本作为测试集,分别选用线性核函数(Linear)、多项式核函数(Poly)和高斯核函数(RBF)分别输入到SVM进行训练,识别结果如下:
表2 SVM正确识别率核函数识别正确率%Poly72.5%RBF87.5%
三种核函数构建的SVM正确识别率在60.0%~87.5%,其中高斯核函数的正确识别率最高,达到87.5%。这表明高斯核函数构建的SVM更适合于轨道交通列车驾驶员的疲劳识别,结合瞳孔面积聚类分析的疲劳等级划分方式,该SVM模型可以做出准确的判断,可为城市轨道交通驾驶员疲劳监测与预测提供依据。
5 讨论
在进行疲劳分析的时候,同时关注眼动特征和ECG信号,计算了瞳孔面积的变化和HRV各项时域、频域指标的变化,发现两者反应的疲劳状态是基本相似的,验证了疲劳状态下瞳孔面积会出现收缩的趋势,并且验证了疲劳状态下交感神经和迷走神经的调节功能。
机器视觉领域的研究者通过摄像头采集驾驶员的头部图像,通过图像处理技术对人脸特征点进行检测,以实现获得驾驶员眼部区域[9]。随着技术的发展,未来可实现利用驾驶室摄像头精准捕捉驾驶员的眼动行为变化,本文的疲劳等级划分方法将得到实际的应用。在进行疲劳识别的时候,改变以往采用主观量表、专家评分等主观的判断方法,采用对瞳孔面积聚类分析的方法对疲劳等级进行划分,具有客观性。
在多生理信号监测与预警平台的搭建与研究中,很多专家学者从脑电、皮电等多个领域进行探索[10],本文选择眼动行为与心电信号结合的研究方法,主要考虑轨道交通驾驶员在实际的生产生活中,对生理信号采集设备的便携性、稳定性具有一定的要求,并且综合眼动行为与心电的双信号分析与识别的方法,使得分析具有可靠性、识别结果具有准确性。
机器学习的程序可不断从经历和数据中吸取经验教训[11],在广泛应用的监督学习模型中,神经网络和支持向量机具有广泛的应用,神经网络需要大量的样本训练以提高其可靠性,而支持向量机适用于小样本学习分类。本文共获得了72组可利用数据,利用Python语言进行支持向量机识别模型构建,分别在线性核函数、多项式核函数与高斯核函数下进行训练,找到识别效果最好的高斯核函数,为进一步的研究提供了支持。在进一步扩大样本的研究中,也将对比神经网络与支持向量机的识别效果。
本文的原始数据为自己设计实验和实施所得,是新采集到的真实、有效的数据。实验采用上海轨道交通4号线列车驾驶模拟器,场景真实,但是与司机实际的驾驶环境仍有差异,考虑到车厢内的噪音环境和空气环境会影响司机的心理,如振动、温度、噪声等环境因素的影响,打算进一步研究的被试选择上海地铁驾驶员,并从年龄、工龄等方面提高样本数量。
6 结论
(1)通过眼动特征参数和ECG信号的各项指标计算,分析疲劳趋势,为实现疲劳的实时监测与预测提供了技术支撑。
(2)提出了一种基于眼动特征的疲劳等级划分方法,该方法利用瞳孔面积数据进行聚类分析,客观、方便、实用。
(3)采用Anaconda软件构建疲劳识别模型,寻找到最适合城市轨道交通驾驶员疲劳识别的核函数为高斯核函数,正确识别率为87.5%。
[1] 郭应时,付锐,袁伟,等.通道宽度对驾驶员动态视觉和操作行为的影响[J].中国公路学报,2006,19(5):83-87.
[2] 崔健,赵建有.驾驶分心对隧道段行车安全影响分析[J].安全与环境学报,2016,16(6):174-177.
[3] Berkaya SK,Uysal AK,Gunal ES,et al.A Survey on ECG Analysis[J].Biomedical Signal Processing and Control,2018,43(2):216-235.
[4] 唐优华,郭孜政,牛琳博.驾驶疲劳状态波动性特征的识别方法[J].北京工业大学学报,2015,41(8):1225-1229.
[5] 牛琳博.基于心电信号的驾驶疲劳识别方法研究[D].成都:西南交通大学,2017.
[6] 段萌萌,唐伯明,胡旭辉,等.高隧道比路段隧道出入口驾驶员视觉负荷研究[J].交通运输系统工程与信息,2018,18(3):115-116.
[7] 张馨月.心电信号聚类算法的设计[D].南京:东南大学,2017.
[8] Malliani A,Pagani M,Lombardi F,et Neural Regulation Explored in the Frequency Domain[J].Circulation,1991,84(2):482-492.
文章来源:《临床心电学杂志》 网址: http://www.lcxdxzz.cn/qikandaodu/2021/0305/457.html
上一篇:建立与完善优生服务网络的研究
下一篇:和信号的非线性耦合在睡眠分期中的应用研究