基于PSO混合特征选择算法在疲劳驾驶中的应用

发布时间：2021-06-02 20:44

　　基于多源生理信号的驾驶员疲劳检测研究存在特征信息冗余以及佩戴多种传感器影响驾驶员操作的问题。为此,提出一种结合粒子群优化算法和序列后向选择的特征选择算法。在适应度函数中加入信号源数的惩罚项,在降低特征维度的同时减少传感器的使用数量。根据所使用分类器的特点对适应度函数进行简化,提高特征选择算法的运行效率。在粒子定义中加入信号选择位,提高信号的筛选力度。实验结果表明,该算法平均使用2种信号和16. 1种特征,能够获得95. 3%的疲劳驾驶检测正确率。 

【文章来源】：计算机工程. 2019,45(02)北大核心CSCD

【文章页数】：6 页

【部分图文】：

本文系统流程

鹞?vk+1id=wvkid+c1randk1(pbestkid－xkid)+c2randk2(gbestkd－xkid)(5)xkid=1，ρ＜11+exp(－vkid)xkid=0，{其他(6)其中，pbest是单个粒子的个体最优解，gbest是全部粒子的全局最优解，k为迭代次数，c1、c2为加速系数，rand1和rand2是介于0～1之间的随机数，w为惯性系数，ρ在本文中取定值0．5。基于PSO和SBS相结合的特征选择(PSO+SBS)流程如图2所示。图2PSO+SBS算法流程3．1．2SBS阶段SBS从全集开始进行搜索，计算每个特征被单独删除时，对应的新特征子集的适应度，然后选择其中适应度最好的特征子集进入到下一次迭代。SBS阶段的算法迭代步骤如下:步骤1确定SBS阶段特征的全集Y0。步骤2在当前特征子集中剔除一个特征x，x满足如下公式:x=argminx∈Ykfitness(Yk－x)(7)其中，Yk－x表示Yk去掉特征x后的集合，k是迭代次数，fitness是特征集的适应度值。本文中适应度越小，特征集越理想。步骤3更新特征集和迭代次数:Yk+1=Yk－x(8)k=k+1(9)步骤4重复步骤2、步骤3直到满足终止条件。一般的SBS会在适应度变差时就停止迭代。本文发现在SBS适应度变差后，继续迭代仍有机会获得更优解。故在本文中，在当前特征子集只剩下一个特征时，SBS终止迭代并输出迭代过程中出现的最优解。3．2适应度函数的定义及改进3．2．1原始的适应度函数适应度函数需要综合考虑特征分类准确率、特征数和信号数。本文使用的原始适应度函数如下:fitness=e+α·nf+β·ns(10)其中，e为使用粒

数的惩罚系数取值与原始适应度函数不同，取值为α=0．0005，β=0．004，其他参数意义相同。3．3粒子定义的改进适应度函数考虑了特征子集使用的信号数。但是，在实际的测试中发现在原版的粒子定义方式下，特征选择模型对使用信号数的惩罚系数不敏感。在逐步增大信号数的惩罚系数时，模型不能有效减少最终使用的信号数目。本文在粒子的定义上加入信号选择位。假定数据中一共存在ns种信号和nf种特征，则定义每个粒子的长度为l=ns+nf，前ns位表示对应信号是否选择，后nf位表示特征是否被选择，如图3所示。在计算对应解的适应度函数时，使用前ns位对后nf位的编码进行屏蔽。比如粒子的前ns位为［1，0，1，0］，则在计算适应度函数时，只考虑后nf位中属于第1种和第3种信号的特征，其余的特征不参与适应度的计算。图3粒子定义示意图4实验设计与采样流程4．1实验设备及信号采集模拟驾驶实验的设备主要分为驾驶设备和数据采集设备2个部分。驾驶设备包括显示器、方向盘、踏板、音响和驾驶座。数据采集设备包括加拿大生物反馈系统ProCompInfinti和配套的Biograph软件。实验采集的信号包括肌电、皮肤电传导、呼吸和脉搏4种生理信号，采样频率为256Hz。不同的信号通过佩戴在不同位置的传感器进行采集。肌电信号传感器贴在被试的后颈部。呼吸信号传感器通过弹力带环系在胸口。皮肤电传导传感器绑在右手的食指和小拇指的指腹上，脉搏是左手小拇指指腹。4．2实验对象实验对象为5名在校男性学生，平均年龄为23．80±1．94岁，身体健康，无生理疾病和脑部疾病。实验要求被试测试前一星期内未服用任何药物，24h内不能饮酒，12h内不饮用咖啡、功能性饮料，并在实验之前

【参考文献】：
期刊论文
[1]基于生理大数据的情绪识别研究进展[J]. 赵国朕,宋金晶,葛燕,刘永进,姚林,文涛.  计算机研究与发展. 2016(01)
[2]融合过滤和封装方式的特征选择算法[J]. 代旺,方昱春,李杨.  计算机工程. 2012(24)
[3]特征选择算法研究综述[J]. 毛勇,周晓波,夏铮,尹征,孙优贤.  模式识别与人工智能. 2007(02)

硕士论文
[1]基于AR模型的脑电信号特征提取与识别[D]. 邹清.中南大学 2008



本文编号：3210722