论文部分内容阅读
随着社会经济的快速发展和人民生活水平的不断提高,汽车已经逐步成为普通市民的出行工具。驾驶压力能够诱发厌烦、恐惧、愤怒等多种不同情感,直接影响驾驶员的认知水平和决策能力,进而降低驾驶员对车辆的操控力,从而导致交通事故的发生。因此,评估驾驶人员的心理压力状态,并予以干预警告,可以有效提醒驾驶员注意,进而降低事故的发生,这对于交通系统的正常运行有着重要的意义。生理信号能够反应驾驶人员的心理压力状态,对生理参数的研究可以有效的进行压力状态分析以及情感识别。本文基于驾驶员驾驶过程中的多生理信号,实现驾驶员的心理压力状态评估。采用小波分析进行预处理和特征点识别,分别提取心电、肌电和呼吸信号的20、18、22个时域和频域特征。基于核主成分分析法(Kernal Principal Component Analysis,KPCA),将特征数据集投影到一个更低维度的特征空间实现优化,保留了≥90%累计贡献率的5个特征值,作为分类器的输入。在分析比较支持向量机(Support Vector Machine,SVM)和隐马尔可夫模型(Hidden Markov Model,HMM)压力识别结果的基础上,考虑SVM分类器适于反映异类样本间差异,而HMM分类器适于反映同类样本相似度的特点,提出了一种基于SVM改进的HMM情感模型来实现驾驶人员心理压力状态的评估。结果显示,SVM最大识别率为91.97%,HMM最大识别率为93.00%,基于SVM改进的HMM情感模型可以有效地识别低、中、高三个水平的压力,最大识别率达到97.41%。基于该模型,可以实现机动车驾驶人员心理压力状态的有效评估,反馈的评估结果对驾驶员的心理与生理干预将起到指导作用。进一步,驾驶员是一类高压力人群,建立面向这类特定人群的心理压力评估模型,对于公共交通安全及交通管理将起到一个辅助作用,也为其它领域的情感状态评估提供支持。