评估驾驶者的嗅觉偏好方法:基于多式联络生理信号的机器学习模型.

科学领域:

• 生理信号处理 物理信号处理
• 机器学习应用程序 机器学习应用程序
• 人与计算机的互动.

背景情况:

• 评估驾驶员的嗅觉偏好对于改善驾驶环境和舒适度至关重要.
• 目前的评估方法 (主观,EEG,行为) 在可用性和客观性方面存在局限性.
• 自主响应信号为嗅觉偏好评估提供了潜在的客观措施.

研究的目的:

• 开发和评估机器学习模型,以使用生理信号对驾驶员的嗅觉偏好进行分类.
• 调查自主响应信号 (心率变化,电皮活动,呼吸信号) 对此分类任务的有效性.
• 为了比较不同的机器学习算法在预测嗅觉偏好方面的性能.

主要方法:

• 收集了来自33名驾驶员在真实驾驶条件下的132个嗅觉偏好样本的数据集.
• 提取的生理特征包括心率变化,电皮活动和呼吸信号.
• 应用于生理数据的基线处理,以减轻环境和个体变异.
• 训练和评估了六种机器学习模型:逻辑回归,支持向量机,决策树,随机森林,K-最近邻居和天真贝斯.

主要成果:

• 所有测试的机器学习模型都在对驾驶员的嗅觉偏好进行分类方面表现出有效性.
• 决策树模型实现了最高的分类准确度 (88%) 和F1得分 (0.87).
• 对生理数据的基线处理导致模型性能显著改善,准确性增加了3.50%和F1得分增加了6.33%.

结论:

• 生理信号与机器学习相结合,提供了一种有效的方法来分类驾驶员的嗅觉偏好.
• 这种方法为客观评估和理解驾驶员的气味偏好提供了一个有希望的途径.
• 这些发现可以通过优化的气味环境来创造更舒适和个性化的驾驶体验.