使用机器学习和随机森林递归特征消除,对地铁司机在手动操作中的认知分心进行分类
Haiyue Liu1, Yue Zhou2, Chaozhe Jiang3
1School of Transportation and Logistics, Southwest Jiaotong University, 610097, Chengdu, People's Republic of China.
Scientific reports
|March 4, 2025
概括
这项研究使用心电图 (ECG) 信号来检测地铁司机的认知分心. 机器学习模型可以准确地识别驾驶过程中的干扰因素,提高安全性.
科学领域:
- 人与计算机的交互
- 运输安全运输安全
- 生物医学工程 生物医学工程
背景情况:
- 认知分心对地铁司机安全构成重大风险,往往缺乏可观察到的行为指标.
- 现有的方法很难在手动驾驶任务中实时识别微妙的认知分心.
研究的目的:
- 开发一种使用心电图 (ECG) 信号识别地铁司机认知干扰的非侵入性方法.
- 在模拟地铁驾驶过程中区分认知分心的存在和严重程度.
主要方法:
- 在使用可穿戴设备进行模拟驾驶实验时,从地铁司机收集了心电图数据.
- 使用30s和60s时间窗口提取了超短时间心率和心率变化 (HR-HRV) 特性.
- 使用机器学习算法,包括随机森林-递归特征消除 (RF-RFE),决策树 (DT) 和XGBoost,用于分类.
主要成果:
- 确定了最佳模型:DT具有一个HR-HRV功能 (30秒窗口) 用于二进制分类,XGBoost具有20个HR-HRV功能 (60秒窗口) 用于分类驾驶分心的多类分类.
- 与分心相关的关键HR-HRV特征包括NN20,pNN20,SD1/SD2,Max-HR,Min-HR和MEDNN.
- 在停车阶段使用HR-HRV功能检测认知分心是具有挑战性的.
结论:
- 基于心电图的HR-HRV功能为在运行过程中检测地铁司机的认知分心提供了一个有希望的方法.
- 机器学习模型,特别是DT和XGBoost,可以根据生理信号有效地分类分心的存在和严重程度.
- 需要进一步的研究,以提高在非驾驶阶段 (如停车) 检测分心的功能.
更多相关视频
12:18A Machine Learning Approach to Design an Efficient Selective Screening of Mild Cognitive Impairment
Published on: January 11, 2020
7.4K
09:13A Fully Automated and Highly Versatile System for Testing Multi-cognitive Functions and Recording Neuronal Activities in Rodents
Published on: May 3, 2012
14.3K
