基于多模式深度学习和模糊EDAS方法的现实世界驾驶员压力识别和诊断

科学领域:

• 工程 工程师 工程师 工程师
• 计算机科学 计算机科学
• 心理学 心理学 心理学

背景情况:

• 心理压力是交通事故的重要因素,可能导致各种健康障碍.
• 之前的研究依赖于从生理,物理和上下文数据的手动特征工程,这是一个挑战.
• 深度学习 (DL) 提供自动特征提取,简化了压力识别模型的开发.

研究的目的:

• 建议和评估卷积神经网络 (CNN) 和CNN-长期短期记忆 (LSTM) 融合模型用于驾驶员压力检测.
• 利用生理信号和多模式数据来识别两级和三级驾驶员的压力.
• 使用模糊的基于距离平均解决方案 (EDAS) 的评估方法来评估模型性能.

主要方法:

• 开发CNN和混合CNN-LSTM模型用于压力识别.
• 将模型应用于SRAD数据集 (生理信号) 和AffectiveROAD数据集 (多模式数据).
• 使用模糊EDAS进行性能评估,其指标包括准确性,回忆,精度,F-score和特异性.

主要成果:

• 拟议的CNN和CNN-LSTM模型在融合来自Bio harness (BH),E4-Left (E4-L) 和E4-Right (E4-R) 传感器的数据时排名最高.
• 多模式数据显著提高了驾驶员压力识别模型的准确性和可靠性.
• 这些模型在识别两种和三种不同的驾驶员压力水平方面表现出有效性.

结论:

• 基于深度学习的融合模型,特别是CNN和CNN-LSTM,对于自动驾驶员压力识别是有效的.
• 多式联运数据的整合对于开发强大可靠的驾驶应激检测系统至关重要.
• 开发的模型显示,除了驾驶之外,在各种日常活动中诊断压力水平的潜力.