使用多模式生物信号和规范化的深度内核学习来评估驾驶员的压力

科学领域:

• 物理计算的物理计算.
• 机器学习用于驾驶员监控.
• 人与计算机的互动.

背景情况:

• 驾驶员的压力会影响道路安全,需要客观监测.
• 生理信号为评估驾驶员压力水平提供了一个有希望的途径.
• 目前用于驾驶员的压力检测方法有局限性.

研究的目的:

• 用多式联络生理信号对驾驶员的压力状态进行分类.
• 评估正规化的深度内核学习对压力检测的有效性.
• 确定最可靠的生理信号,用于驾驶场景中的压力分类.

主要方法:

• 从10名驾驶员在模拟环境中获得心电图 (ECG),皮电活动 (EDA),光电脉冲图 (PPG) 和呼吸率 (RESP).
• 从生理信号中提取时间和频率特征.
• 采用了融合框架与规范的深度内核学习,包括中间融合和随后使用支持矢量机 (SVM) 和随机森林 (RF) 的分类.

主要成果:

• 拟议的多式联运方式成功地区分了不同驾驶员压力状态.
• 将PPG和ECG信号与随机森林分类器相结合,获得了最高的F1分数0.97.
• 单个信号分析显示,单独使用PPG与RF的PPG产生了0.90的最大F1得分,这表明信号选择的重要性.

结论:

• 多模体生理信号,特别是心电图和PPG,是分类驾驶员压力的可靠指标.
• 开发的规范化的深度内核学习框架表明了实时驾驶压力评估的潜力.
• 具体学科的交叉验证可以提高压力分类模型的性能.