【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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。