基于模糊分类计算的驾驶员情绪强度度量方法技术

本发明专利技术公开了一种基于模糊分类计算的驾驶员情绪强度度量方法，包括：对备选特征样本矩阵进行离异系数计算，构建情绪表征的生理特征参数向量与特征样本矩阵；定义模糊分类目标函数与情绪隶属程度矩阵初始值，模糊分类迭代计算特征样本矩阵，获取各类别情绪中心向量集合和情绪表征样本集合；计算每个情绪中心向量与其他向量的空间距离，通过升序排序各向量空间距离之和，建立与各中心情绪向量相对应的强度表征映射序列，实现各类情绪基准强度值的确定；以各情绪中心向量为度量基准，以其相对应的基准强度值为偏置，构建任意情绪强度度量的计算函数。本发明专利技术能较准确地度量驾驶员情绪强度，实现情绪的量化表达，为智能驾驶系统的开发提供理论支撑。

【技术实现步骤摘要】
基于模糊分类计算的驾驶员情绪强度度量方法
本专利技术属于情感计算领域，主要涉及一种基于模糊分类计算的驾驶员情绪强度度量方法。
技术介绍
随着人们生活水平的提高，我国机动车保有量不断上升，车辆在方便人们出行的同时，也让交通状况变得更加复杂，造成交通事故的发生率居高不下。驾驶员是驾驶的主体，驾驶员情绪极易受到外界环境的干扰，导致驾驶员的感知、决策和实时响应能力降低，直接影响车辆行驶安全，异常情绪驾驶便是影响交通事故发生的众多因素之一。交通事故并不是异常情绪一产生就会造成，而是达到一定情绪强度才会造成不可控的影响，微弱的异常情绪可通过驾驶员自我调节降低，并不会对车辆造成较大的影响。研究表明如果司机提前一秒钟意识到危险并采取有效措施，90％的追尾和60％的正面碰撞是可以避免的。但现阶段的情绪识别都存在一定的不足，如基于面部的驾驶员情绪识别，由于面部表情极易伪装，且摄像头采集图像易受到光照条件的影响，驾驶员情绪识别精度不高；基于车辆状态的驾驶员情绪识别，由于通过外界刺激产生的驾驶员情绪感知精度不高，判断情绪的主观性较强；基于生理信号的情绪识别准确率较高，但大部分研究都是基于单生理信号的研究。此外，大部分的研究都只对离散型情绪进行研究，仅仅将情绪判断为某种类型，并未对其强度进行探究。因此，准确识别驾驶员情绪强度已经成为一个急需解决的问题，驾驶员情绪强度准确识别对降低交通事故的发生具有重要意义。
技术实现思路
本专利技术是为了解决上述现有技术存在的不足之处，提出一种基于模糊分类计算的驾驶员情绪强度度量方法，以期能较准确地度量驾驶员情绪强度，实现驾驶员情绪的量化表达，从而为车辆的安全驾驶、智能驾驶、辅助驾驶等系统的开发提供理论支撑。本专利技术为解决技术问题采用如下技术方案：本专利技术一种基于模糊分类计算的驾驶员情绪强度度量方法的特点是按如下步骤进行：步骤1、构建情绪表征的生理特征参数向量与特征样本矩阵；步骤1.1、采集不同情绪下驾驶员心电、脉搏、脑电信号并建立生理信号数据集合S＝{S1,S2,...,Si,...,Sn}，Si表示第i组生理信号数据，且其中，表示第i组生理信号数据中属于第k类生理信号的第a个数据，i∈[1,n]，a∈[1,A]，k∈[1,3]，当k＝1表示心电信号，k＝2表示脉搏信号，k＝3表示脑电信号；步骤1.2、确定备选特征参数向量其中，表示属于第k类生理信号的第l个备选特征参数，l∈[1,m]；步骤1.3、根据生理信号数据集合S中的第i组生理信号数据Si，计算备选特征参数向量P中所有备选特征参数值，从而得到第i个备选样本向量其中，表示第i个备选样本向量xi中属于第k类生理信号的第l个备选特征参数的值，从而得到备选特征样本矩阵X＝[x1,x2,...,xi,...,xn]T；步骤1.4、对备选特征样本矩阵X进行离异系数计算；选取备选特征样本矩阵X中的第l组列向量将第l组列向量中的元素分为z个数据集合：其中，z为情绪分类数，1≤z≤n，k∈[1,3]；利用式(1)得到第l个备选特征参数的离异系数从而得到备选特征参数的离异系数向量步骤1.5、构建情绪表征的生理特征参数向量；从心电、脉搏、脑电备选特征参数的离异系数中各选出较大的前r个值，并找到其对应的备选特征参数，将所找到的备选特征参数组合为情绪表征的生理特征参数向量其中，第1到第r个为情绪表征的心电特征参数；第r+1到第2r个为情绪表征的脉搏特征参数，第2r+1到第3r个为情绪表征的脑电特征参数，且3r＜m；步骤1.6、构建特征样本矩阵X′；构建过渡矩阵B＝(bi′j′)m×3r，其中，i′∈[1,m]，j′∈[1,3r]；根据步骤1.5中所找到的备选特征参数在备选特征参数向量P中的位置a′,b′,...,g′，令ba′1＝1,bb′2＝1,...,bg′(3r)＝1，其余元素为0，且a′,b′,...,g′∈[1,m]；利用式(2)构建特征样本矩阵X′：X′＝X×B(2)式(2)中，X′＝[x′1,x′2,...,x′i,...,x′n]T，x′i表示第i组特征样本，且表示第i组特征样本x′i中属于第k类信号的第J个情绪表征的生理特征参数的值，i∈[1,n]，J∈[1,3r]；步骤2、利用模糊分类迭代计算特征样本矩阵X′，获取各类别情绪中心向量集合和情绪表征样本集合；步骤2.1、定义模糊分类中各参数含义；定义所述模糊分类中情绪类别数为z，且1≤z≤n；定义所述模糊分类的最大迭代次数为N，当前迭代次数为t；定义模糊指数ι，且ι＞1；定义第t次迭代的隶属程度矩阵代表第t次迭代的第i个特征样本对第φ类情绪的隶属程度，且满足如式(3)所示的约束条件：步骤2.2、将特征样本矩阵X′＝[x′1,x′2,...,x′i,...,x′n]T作为模糊分类的输入；步骤2.3、利用式(4)计算第t次模糊分类计算的目标函数F(t)：式(4)中，E(t)表示第t次迭代的各类情绪中心向量集合，表示第t次迭代的第φ类情绪的情绪中心向量，x″i表示给不同生理信号数据赋予不同贡献率后的优化特征样本，且K为各类生理信号数据对情绪的贡献率，且K满足式(5)：式(5)中，α、β、χ为心电、脉搏、脑电信号对情绪的贡献率，且α,β,χ∈[0,1]，α+β+χ＝1；步骤2.4、利用式(6)构造第t次迭代的拉格朗日函数L(t)，并求解使L(t)最小的值：式(6)中，λi表示为求解使拉格朗日函数L(t)最小而引入的第i个拉格朗日乘数，i＝1,2,...,n；根据式(7)分别对拉格朗日函数L(t)中的λi求偏导：利用式(8)和式(9)分别更新第t次迭代的情绪中心向量和隶属程度式(8)和式(9)中，表示第t+1次迭代的第φ类情绪中心向量，表示第t+1次迭代的第i个特征样本对第φ类情绪的隶属程度；步骤2.5、初始化t＝1，随机生成第t-1次迭代的隶属程度且隶属程度满足条件和条件从而确定隶属程度矩阵D(t-1)；步骤2.6、利用式(8)计算得第t次迭代的第φ类情绪中心向量利用式(9)计算得第t次迭代的隶属程度利用式(4)计算第t次迭代的目标函数F(t)；步骤2.7、根据式(8)计算第t+1次迭代的各情绪中心向量，构建第t+1次迭代的情绪中心向量集合E(t+1)，根据式(9)计算第t+1次迭代的各样本隶属程度矩阵，构建第t+1次迭代的隶属程度矩阵D(t+1)；从而利用式(4)计算第t+1次迭代的目标函数F(t+1)；步骤2.8、利用式(10)计算第t+1次迭代的误差J′t+1(t≥1)；J′t+1＝|F(t+1)-F(t)|(10)步骤2.9、若J′t+1＜ε，则将第t+1次迭代的隶属程度矩阵D(t+1)作为最终的隶属程度矩阵Dend、将情绪中心向量集合E(t+1)作为最终本文档来自技高网...

【技术保护点】
1.一种基于模糊分类计算的驾驶员情绪强度度量方法，其特征是按如下步骤进行：/n步骤1、构建情绪表征的生理特征参数向量与特征样本矩阵；/n步骤1.1、采集不同情绪下驾驶员心电、脉搏、脑电信号并建立生理信号数据集合S＝{S

【技术特征摘要】
1.一种基于模糊分类计算的驾驶员情绪强度度量方法，其特征是按如下步骤进行：
步骤1、构建情绪表征的生理特征参数向量与特征样本矩阵；
步骤1.1、采集不同情绪下驾驶员心电、脉搏、脑电信号并建立生理信号数据集合S＝{S1,S2,...,Si,...,Sn}，Si表示第i组生理信号数据，且其中，表示第i组生理信号数据中属于第k类生理信号的第a个数据，i∈[1,n]，a∈[1,A]，k∈[1,3]，当k＝1表示心电信号，k＝2表示脉搏信号，k＝3表示脑电信号；
步骤1.2、确定备选特征参数向量其中，表示属于第k类生理信号的第l个备选特征参数，l∈[1,m]；
步骤1.3、根据生理信号数据集合S中的第i组生理信号数据Si，计算备选特征参数向量P中所有备选特征参数值，从而得到第i个备选样本向量其中，表示第i个备选样本向量xi中属于第k类生理信号的第l个备选特征参数的值，从而得到备选特征样本矩阵X＝[x1,x2,...,xi,...,xn]T；
步骤1.4、对备选特征样本矩阵X进行离异系数计算；
选取备选特征样本矩阵X中的第l组列向量将第l组列向量中的元素分为z个数据集合：其中，z为情绪分类数，1≤z≤n，k∈[1,3]；
利用式(1)得到第l个备选特征参数的离异系数从而得到备选特征参数的离异系数向量



步骤1.5、构建情绪表征的生理特征参数向量；
从心电、脉搏、脑电备选特征参数的离异系数中各选出较大的前r个值，并找到其对应的备选特征参数，将所找到的备选特征参数组合为情绪表征的生理特征参数向量其中，第1到第r个为情绪表征的心电特征参数；第r+1到第2r个为情绪表征的脉搏特征参数，第2r+1到第3r个为情绪表征的脑电特征参数，且3r＜m；
步骤1.6、构建特征样本矩阵X′；
构建过渡矩阵B＝(bi′j′)m×3r，其中，i′∈[1,m]，j′∈[1,3r]；
根据步骤1.5中所找到的备选特征参数在备选特征参数向量P中的位置a′,b′,...,g′，令ba′1＝1,bb′2＝1,...,bg′(3r)＝1，其余元素为0，且a′,b′,...,g′∈[1,m]；
利用式(2)构建特征样本矩阵X′：
X′＝X×B(2)
式(2)中，X′＝[x′1,x′2,...,x′i,...,x′n]T，x′i表示第i组特征样本，且表示第i组特征样本x′i中属于第k类信号的第J个情绪表征的生理特征参数的值，i∈[1,n]，J∈[1,3r]；
步骤2、利用模糊分类迭代计算特征样本矩阵X′，获取各类别情绪中心向量集合和情绪表征样本集合；
步骤2.1、定义模糊分类中各参数含义；
定义所述模糊分类中情绪类别数为z，且1≤z≤n；
定义所述模糊分类的最大迭代次数为N，当前迭代次数为t；
定义模糊指数ι，且ι＞1；
定义第t次迭代的隶属程度矩阵代表第t次迭代的第i个特征样本对第φ类情绪的隶属程度，且满足如式(3)所示的约束条件：



步骤2.2、将特征样本矩阵X′＝[x′1,x′2,...,x′i,...,x′n]T作为模糊分类的输入；
步骤2.3、利用式(4)计算第t次模糊分类计算的目标函数F(t)：



式(4)中，E(t)表示第t次迭代的各类情绪中心向量集合，表示第t次迭代的第φ类情绪的情绪中心向量，x″i表示给不同生理信号数据赋予不同贡献率后的优化特征样本，且K为各类生理信号数据对情绪的贡献率，且K满足式(5)：



式(5)中，α、β、χ为心电、脉搏、脑电信号对情绪的贡献率，且α,β,χ∈[0,1]，α+β+χ＝1；
步骤2.4、利用式(6)构造第t次迭代的拉格朗日函数L(t)，并求解使L(t)最小的值：



式(6)中，λi表示为求解使拉格朗日函数L(t)最小而引入的第i个拉格朗日乘数，i＝1,2,...,n；
根据式(7)分别对拉格朗日函数L(t)中的λi求偏导：



利用式(8)和式(9)分别更新第t次迭代的情绪中心向量和隶属程度...

【专利技术属性】
技术研发人员：王跃飞，马伟丽，王超，肖锴，王天翔，王凯林，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：安徽;34