黃 晶，彭 揚(yáng)，黃 燁，彭曉燕

（湖南大學(xué)機(jī)械與運(yùn)載工程學(xué)院，長(zhǎng)沙 410082）

前言

駕駛車輛是一項(xiàng)復(fù)雜的任務(wù)，涉及到視覺、聽覺、記憶和決策等多方面的因素，而這些因素都會(huì)對(duì)駕駛員的精神負(fù)荷產(chǎn)生影響。每位駕駛員能承受的精神負(fù)荷都是有極限的，適當(dāng)?shù)木褙?fù)荷對(duì)駕駛安全十分重要，精神負(fù)荷過高或過低，車輛駕駛績(jī)效指標(biāo)都會(huì)下降。有研究表明，精神負(fù)荷與工作績(jī)效之間的關(guān)系呈“倒U”型。精神負(fù)荷一般可分為低負(fù)荷區(qū)、最佳負(fù)荷區(qū)和高負(fù)荷區(qū)。通常在最佳負(fù)荷區(qū)下，工作績(jī)效表現(xiàn)最為良好，進(jìn)入高精神負(fù)荷區(qū)后，工作績(jī)效則開始下降，并對(duì)安全產(chǎn)生影響。而當(dāng)精神負(fù)荷處于低負(fù)荷區(qū)時(shí)，則容易出現(xiàn)注意力不集中、警惕性降低等現(xiàn)象，同樣影響工作績(jī)效。

目前的研究中，常用的駕駛員精神負(fù)荷評(píng)價(jià)方法有主觀評(píng)價(jià)法、駕駛員生理數(shù)據(jù)評(píng)價(jià)法和車輛行駛數(shù)據(jù)評(píng)價(jià)法等。主觀評(píng)價(jià)法常使用主觀工作量評(píng)估技術(shù)表（SWAT）和美國(guó)航空航天局任務(wù)負(fù)荷表（NASA-TLX）。NASA-TLX 表將負(fù)荷劃分為6 個(gè)維度：精神需求、體力需求、時(shí)間需求、自身績(jī)效、努力程度和挫敗感。NASA-TLX 相比于SWAT 更具有優(yōu)勢(shì)，一方面是評(píng)價(jià)負(fù)荷的維度更多，另一方面是使用的場(chǎng)景更加廣泛，也是最常用的主觀評(píng)價(jià)方法。已經(jīng)有很多研究使用了NASA-TLX 表，并證實(shí)了其有效性。駕駛員生理數(shù)據(jù)評(píng)價(jià)法是通過生理信號(hào)采集設(shè)備采集駕駛員生理信號(hào)，從中提取相關(guān)特征進(jìn)行分析。常用的生理信號(hào)主要有腦電信號(hào)EEG、心電信號(hào)ECG、眼電信號(hào)EOG等，也有研究使用多種生理信號(hào)來進(jìn)行精神負(fù)荷評(píng)價(jià)。車輛行駛數(shù)據(jù)評(píng)價(jià)法則是使用車速、加速度、橫向位置和換道信息等數(shù)據(jù)對(duì)駕駛員的精神負(fù)荷進(jìn)行評(píng)價(jià)。3 種評(píng)價(jià)方法各有其優(yōu)缺點(diǎn)。主觀評(píng)價(jià)法易于測(cè)試，實(shí)現(xiàn)成本較低，但一般需要駕駛員完成駕駛后再填寫問卷，實(shí)時(shí)性較差，且容易受到駕駛員的主觀感受的影響。生理數(shù)據(jù)和車輛行駛數(shù)據(jù)評(píng)價(jià)法可以在駕駛過程中采集數(shù)據(jù)，實(shí)時(shí)性好，但因不同駕駛員的生理特性具有差異，故采用生理數(shù)據(jù)評(píng)價(jià)法時(shí)，須謹(jǐn)慎設(shè)定精神負(fù)荷的界定閾值，而車輛行駛數(shù)據(jù)評(píng)價(jià)方法則容易受車型和道路狀況的影響。

使用機(jī)器學(xué)習(xí)算法構(gòu)建的駕駛員精神負(fù)荷評(píng)價(jià)模型性能的好壞，不僅與所使用的算法有關(guān)，也與制作的數(shù)據(jù)集有關(guān)。一個(gè)高質(zhì)量的數(shù)據(jù)集往往能夠提高模型訓(xùn)練的質(zhì)量和預(yù)測(cè)的準(zhǔn)確率。其中，數(shù)據(jù)集噪聲標(biāo)簽的檢測(cè)與處理對(duì)機(jī)器學(xué)習(xí)模型的訓(xùn)練具有十分重要的工程應(yīng)用價(jià)值。以往的研究通常直接以駕駛場(chǎng)景中有無次任務(wù)來定義精神負(fù)荷的分類標(biāo)簽，但是實(shí)驗(yàn)過程中，志愿者在正常駕駛情景下也可能會(huì)陷入自我思維中而導(dǎo)致自身精神負(fù)荷增加，且同一次任務(wù)對(duì)不同駕駛員精神負(fù)荷的影響也不盡相同。因此，完全根據(jù)駕駛場(chǎng)景來給定數(shù)據(jù)集標(biāo)簽可能會(huì)產(chǎn)生誤差，即存在噪聲標(biāo)簽。

本研究針對(duì)傳統(tǒng)方法所制作的數(shù)據(jù)集可能存在噪聲標(biāo)簽從而影響精神負(fù)荷評(píng)價(jià)模型訓(xùn)練效果的問題，設(shè)計(jì)并開展了駕駛模擬實(shí)驗(yàn)，采集駕駛志愿者的多維客觀測(cè)量數(shù)據(jù)（心電信號(hào)、腦電信號(hào)、皮電信號(hào)），基于置信學(xué)習(xí)的方法，對(duì)駕駛員的精神負(fù)荷分類標(biāo)簽進(jìn)行噪聲檢測(cè)，并修剪噪聲標(biāo)簽數(shù)據(jù)，最后使用支持向量機(jī)、隨機(jī)森林、K 近鄰、多層感知機(jī)、決策樹和邏輯回歸等算法構(gòu)建駕駛員精神負(fù)荷評(píng)價(jià)模型，分析噪聲標(biāo)簽處理對(duì)各駕駛員精神負(fù)荷評(píng)價(jià)模型性能的提升效果。

1 數(shù)據(jù)采集與處理

1.1 實(shí)驗(yàn)設(shè)計(jì)

實(shí)驗(yàn)招募了20 名駕駛志愿者，年齡分布在22～25 歲之間，以減少年齡差異對(duì)實(shí)驗(yàn)結(jié)果的影響。所有駕駛志愿者都持有有效C1 駕駛證，視力正常，身體健康，無疾病史，并且在實(shí)驗(yàn)前一晚休息充分。實(shí)驗(yàn)中，使用的駕駛模擬設(shè)備為羅技G29駕駛模擬器，并通過UC-win/Road 建模軟件生成所設(shè)定的駕駛環(huán)境和交通狀況。通過該模擬器和軟件，可以采集速度、加速度、橫向偏差和轉(zhuǎn)向盤轉(zhuǎn)角等多種車輛運(yùn)行數(shù)據(jù)。駕駛員生理信號(hào)采集設(shè)備選用的是BIOPAC公司的MP150-BioNomadix 型多導(dǎo)無線生理分析記錄系統(tǒng)，可采集駕駛志愿者的心電、腦電、呼吸等生理信號(hào)，該采集設(shè)備為穿戴式，不會(huì)影響駕駛志愿者的駕駛操作。

本實(shí)驗(yàn)設(shè)置了兩種典型的跟車駕駛場(chǎng)景，一種是直道跟車駕駛場(chǎng)景，另一種是彎道跟車駕駛場(chǎng)景，均為寬度為3.5 m的雙向4車道，交通狀況設(shè)置為自由流，交通密度大約為7 輛/km。前方的車輛速度保持在55 km/h 左右，距前車的初始距離為50 m。在直道和彎道場(chǎng)景下又都分別設(shè)置了有次任務(wù)駕駛場(chǎng)景和無次任務(wù)駕駛場(chǎng)景，因此共有4 種駕駛場(chǎng)景。駕駛過程中的次任務(wù)選擇的是1-back 任務(wù)。選用NASA-TLX 主觀負(fù)荷評(píng)價(jià)表，在每階段實(shí)驗(yàn)結(jié)束后，讓駕駛員填寫評(píng)價(jià)表，對(duì)精神需求、體力需求、時(shí)間需求、自身績(jī)效、努力程度、挫敗感6 個(gè)維度進(jìn)行評(píng)價(jià)，并取6 個(gè)維度評(píng)價(jià)的算術(shù)平均值作為最后主觀負(fù)荷評(píng)價(jià)的結(jié)果。駕駛模擬實(shí)驗(yàn)設(shè)計(jì)如圖1所示。

圖1 駕駛模擬實(shí)驗(yàn)設(shè)計(jì)

實(shí)驗(yàn)可分為3 個(gè)主要階段。首先向駕駛志愿者說明實(shí)驗(yàn)的步驟與要求，并讓志愿者佩戴好生理信號(hào)采集設(shè)備，熟悉駕駛模擬器；然后讓駕駛志愿者進(jìn)行5 min 的靜息調(diào)整，開始駕駛模擬實(shí)驗(yàn)；在每個(gè)場(chǎng)景下的駕駛結(jié)束后，填寫NASA-TLX 主觀負(fù)荷評(píng)價(jià)表，并保存相關(guān)的實(shí)驗(yàn)數(shù)據(jù)。

1.2 主觀負(fù)荷評(píng)價(jià)分析

駕駛志愿者在直道正常駕駛、彎道正常駕駛、直道有次任務(wù)駕駛、彎道有次任務(wù)駕駛4 個(gè)場(chǎng)景下的NASA-TLX 主觀負(fù)荷評(píng)價(jià)分?jǐn)?shù)如表1 所示。由表可見，直道次任務(wù)駕駛場(chǎng)景下的平均評(píng)分比直道正常駕駛場(chǎng)景下的平均評(píng)分高1.87 倍；彎道次任務(wù)駕駛場(chǎng)景下的平均評(píng)分比彎道正常駕駛場(chǎng)景下的平均評(píng)分高1.99倍。

表1 NASA-TLX主觀負(fù)荷評(píng)分（平均值±標(biāo)準(zhǔn)差）

考慮到主觀負(fù)荷評(píng)分不符合正態(tài)分布，對(duì)不同駕駛場(chǎng)景下的主觀評(píng)分進(jìn)行Kruskal-wallis 非參數(shù)檢驗(yàn)，結(jié)果如表2 所示。由表可見，次任務(wù)駕駛場(chǎng)景下的主觀負(fù)荷評(píng)價(jià)分?jǐn)?shù)與正常駕駛場(chǎng)景下的主觀負(fù)荷評(píng)價(jià)分?jǐn)?shù)相比，具有顯著性差異（＜0.05），實(shí)驗(yàn)設(shè)計(jì)的次任務(wù)較為合理，能夠有效地誘導(dǎo)駕駛員產(chǎn)生較高的精神負(fù)荷。

表2 不同駕駛場(chǎng)景下主觀負(fù)荷評(píng)分的非參數(shù)檢驗(yàn)

1.3 信號(hào)預(yù)處理與特征提取

實(shí)驗(yàn)中采集了駕駛員的腦電信號(hào)EEG、心電信號(hào)ECG 和皮電信號(hào)EDA 數(shù)據(jù)，由于生理信號(hào)比較微弱，容易受到外界因素的干擾。因此，本研究針對(duì)心電信號(hào)ECG 的基線漂移和工頻噪聲，分別采用帶陷濾波器和零相位數(shù)字濾波器進(jìn)行預(yù)處理：采用頻率為50 Hz 的陷波濾波器對(duì)腦電信號(hào)EEG 進(jìn)行濾波降噪處理，并基于離散小波變換DWT 與經(jīng)驗(yàn)?zāi)B(tài)分解EMD 集合的方法去除腦電信號(hào)中的眼電偽跡；采用低通濾波器對(duì)皮電信號(hào)進(jìn)行濾波處理。

考慮到生理信號(hào)的非線性，利用非線性動(dòng)力學(xué)方法分析生理信號(hào)可以得到更完整的信息。本文在提取各信號(hào)的時(shí)域、頻域特征的同時(shí)，使用混沌理論提取生理信號(hào)的非線性特征，包括微分熵、樣本熵、近似熵、Higuchi 分形維數(shù)、L-Z 復(fù)雜度和Poincaré散點(diǎn)圖等，如表3所示。

表3 初始提取的生理信號(hào)特征表

為了消除不同特征之間數(shù)量級(jí)和量綱的影響，對(duì)特征進(jìn)行歸一化處理，其計(jì)算公式為

式中：min()代表特征值的最小值；max()代表特征值的最大值。

1.4 特征選擇

為消除冗余特征，降低模型計(jì)算成本，對(duì)初始提取的60 維特征進(jìn)行卡方檢驗(yàn)，消除與分類任務(wù)無關(guān)的特征。文中以0.05 作為顯著水平，當(dāng)卡方檢驗(yàn)的值小于0.05 時(shí)，表明兩組數(shù)據(jù)具有顯著相關(guān)性。以心電信號(hào)為例，心電特征的卡方檢驗(yàn)結(jié)果如表4所示，通過特征選擇，最終去除了以下19 維不顯著相關(guān)的特征：心電信號(hào)AVNN，RMSSD，SDSD，Mean_HR，Max_HR，LF_HF，SD1，SD1_SD2，CSI；腦電信號(hào)EEG_δ，EEG_mean，EEG_cv，EEG_LZCn；皮電 信 號(hào)EDA_min，EDA_cv，EDA_FD1，EDA_DE，EDA_HFD，EDA_LZCn等。

表4 心電特征的卡方檢驗(yàn)結(jié)果

2 噪聲標(biāo)簽檢測(cè)與處理

在有監(jiān)督學(xué)習(xí)中，訓(xùn)練數(shù)據(jù)標(biāo)簽質(zhì)量的好壞對(duì)于模型的訓(xùn)練效果至關(guān)重要，如果用于模型訓(xùn)練的標(biāo)簽數(shù)據(jù)是錯(cuò)誤的，就很難訓(xùn)練出一個(gè)有效的模型。數(shù)據(jù)標(biāo)簽的給定工作很多時(shí)候都需要人工參與，標(biāo)簽質(zhì)量在某種程度上會(huì)受到人為主觀因素的影響，甚至許多廣泛使用的公開數(shù)據(jù)集中都包含有一定數(shù)量的噪聲標(biāo)簽，因此在進(jìn)行機(jī)器學(xué)習(xí)模型訓(xùn)練時(shí)，有必要考慮數(shù)據(jù)集噪聲標(biāo)簽的影響。在制作駕駛員精神負(fù)荷數(shù)據(jù)集時(shí)，現(xiàn)有研究多以駕駛場(chǎng)景中有無次任務(wù)來給定駕駛員的精神負(fù)荷分類標(biāo)簽，這種方法沒有考慮到駕駛員在正常駕駛情景下也有可能會(huì)陷入自我思維中而導(dǎo)致自身精神負(fù)荷增加的情況；此外，由于個(gè)體差異的影響，駕駛次任務(wù)對(duì)不同駕駛員精神負(fù)荷的影響并不相同，由傳統(tǒng)方法所制作的數(shù)據(jù)集標(biāo)簽并不完全準(zhǔn)確。

本文中置信學(xué)習(xí)（confidence learning，CL）表征、識(shí)別數(shù)據(jù)集中噪聲標(biāo)簽，這種方法屬于弱監(jiān)督學(xué)習(xí)，它利用預(yù)測(cè)的概率和噪聲標(biāo)簽來對(duì)未歸一化置信聯(lián)合中的樣本進(jìn)行計(jì)數(shù)，進(jìn)而估計(jì)噪聲標(biāo)簽與真實(shí)標(biāo)簽的聯(lián)合分布，并據(jù)此結(jié)合所得類別標(biāo)簽的置信度高低進(jìn)行排序，最終選擇出噪聲標(biāo)簽。

使用置信學(xué)習(xí)處理噪聲標(biāo)簽主要包括以下3 個(gè)步驟：估計(jì)噪聲標(biāo)簽和真實(shí)標(biāo)簽的聯(lián)合分布；找出并過濾掉錯(cuò)誤樣本；重新訓(xùn)練。本文中使用支持向量機(jī)模型來對(duì)各類別進(jìn)行預(yù)測(cè)，其噪聲標(biāo)簽處理的工作流程如圖2所示。

圖2 使用置信學(xué)習(xí)處理噪聲標(biāo)簽的工作流程

3 模型效果分析

為了驗(yàn)證噪聲標(biāo)簽處理對(duì)各類駕駛員精神負(fù)荷評(píng)價(jià)模型性能的提升效果，本文中使用了駕駛員精神負(fù)荷研究方面常用的幾種機(jī)器學(xué)習(xí)算法，如：支持向量機(jī)（SVM）、K 近鄰（KNN）、多層感知機(jī)（MLP）、決策樹（DT）、隨機(jī)森林（RF）和邏輯回歸（LR）等來構(gòu)建評(píng)價(jià)模型。使用噪聲標(biāo)簽處理前后的數(shù)據(jù)集分別進(jìn)行模型的訓(xùn)練，對(duì)比各模型的性能表現(xiàn)。將數(shù)據(jù)集隨機(jī)劃分為訓(xùn)練集和測(cè)試集，其中訓(xùn)練集占80%，測(cè)試集占20%，然后再在訓(xùn)練集中劃分出驗(yàn)證集和新的訓(xùn)練集，采用5 折交叉驗(yàn)證來進(jìn)行評(píng)估，模型調(diào)參使用網(wǎng)格搜索和學(xué)習(xí)曲線。

對(duì)于機(jī)器學(xué)習(xí)分類模型，常用的模型評(píng)價(jià)指標(biāo)為：準(zhǔn)確率、查全率、查準(zhǔn)率、分?jǐn)?shù)和特異度等。其中，查準(zhǔn)率表示所有被駕駛員精神負(fù)荷分類模型預(yù)測(cè)為高精神負(fù)荷的樣本中，真正的高精神負(fù)荷樣本所占的比例；查全率表示所有真實(shí)為高精神負(fù)荷的樣本中，被預(yù)測(cè)正確的樣本所占的比例；查準(zhǔn)率和查全率兩者此消彼長(zhǎng)。分?jǐn)?shù)是基于查全率和查準(zhǔn)率的調(diào)和平均定義，可以同時(shí)兼顧查全率和查準(zhǔn)率，分?jǐn)?shù)的計(jì)算公式為

式中：為查準(zhǔn)率；為查全率。分?jǐn)?shù)在［0，1］之間分布，越接近于1，表示模型效果越好。文中使用準(zhǔn)確率和分?jǐn)?shù)作為模型性能的評(píng)價(jià)指標(biāo)。

表5 為不同特征組合下，噪聲標(biāo)簽處理前后駕駛員精神負(fù)荷分類模型的準(zhǔn)確率和分?jǐn)?shù)對(duì)比表，其中all 代表：ECG+EEG+EDA。由于實(shí)驗(yàn)制作的駕駛員精神負(fù)荷數(shù)據(jù)集的樣本分布較為均衡，模型訓(xùn)練任務(wù)為二分類任務(wù)，故計(jì)算得到的分?jǐn)?shù)與準(zhǔn)確率較為相近。

對(duì)表5 進(jìn)行橫向?qū)Ρ瓤梢?，以單一類型特征作為模型輸入的情況下，使用腦電信號(hào)時(shí)，模型的準(zhǔn)確率和分?jǐn)?shù)最高，其中，又以RF 算法模型的性能最好，噪聲標(biāo)簽處理前其最高準(zhǔn)確率和分?jǐn)?shù)均為83.32%，處理后均為88.06%；使用兩種特征組合作為模型輸入時(shí)，模型的性能皆有提高，而將心電、腦電、皮電3 種特征融合所構(gòu)建的駕駛員精神負(fù)荷模型的性能效果最好，其中，又以RF 算法模型的性能最好，噪聲標(biāo)簽處理前其最高準(zhǔn)確率和分?jǐn)?shù)均為88.61%，處理后兩者均為93.80%。可見使用多源信息特征作為模型的輸入，有助于提高駕駛員精神負(fù)荷分類模型的性能。

對(duì)表5 進(jìn)行縱向?qū)Ρ瓤梢?，使用置信學(xué)習(xí)進(jìn)行噪聲標(biāo)簽數(shù)據(jù)處理后，基于多種算法所構(gòu)建的駕駛員精神負(fù)荷模型的準(zhǔn)確率和分?jǐn)?shù)均得到了一定的提高。圖3 以性能最好的心電、腦電、皮電3 種特征融合所構(gòu)建的駕駛員精神負(fù)荷分類模型為例，示出噪聲標(biāo)簽處理后模型的準(zhǔn)確率和分?jǐn)?shù)的提升效果。從圖中可以看出，在各類模型中，支持向量機(jī)模型的提升效果最好，其后依次為：邏輯回歸模型、K近鄰模型、多層感知機(jī)模型、隨機(jī)森林模型、決策樹模型。

表5 不同類型特征組合下噪聲標(biāo)簽處理前后駕駛員精神負(fù)荷分類模型的準(zhǔn)確率和F1分?jǐn)?shù)對(duì)比 %

圖3 心電、腦電、皮電特征組合下噪聲標(biāo)簽處理后模型的準(zhǔn)確率和F1分?jǐn)?shù)提升效果圖

4 結(jié)論

本文中通過實(shí)驗(yàn)設(shè)計(jì)誘導(dǎo)駕駛員在不同駕駛場(chǎng)景下產(chǎn)生不同的精神負(fù)荷，并采集駕駛員的多源生理信號(hào)。在此基礎(chǔ)上構(gòu)建了駕駛員精神負(fù)荷評(píng)價(jià)數(shù)據(jù)集，并使用置信學(xué)習(xí)方法對(duì)駕駛員精神負(fù)荷數(shù)據(jù)集中的噪聲標(biāo)簽進(jìn)行檢測(cè)和修剪。最后采用駕駛員精神負(fù)荷研究領(lǐng)域常用的幾種機(jī)器學(xué)習(xí)算法構(gòu)建評(píng)價(jià)模型，對(duì)比分析噪聲標(biāo)簽處理前后對(duì)提升各類模型性能的效果，得出結(jié)論如下。

（1）與使用單一類型的特征進(jìn)行駕駛員精神負(fù)荷評(píng)價(jià)相比，使用多源信息特征后顯著改善了駕駛員精神負(fù)荷分類模型的性能。

（2）對(duì)駕駛員精神負(fù)荷數(shù)據(jù)集的噪聲標(biāo)簽進(jìn)行處理后，基于各種機(jī)器算法構(gòu)建的模型性能得到明顯提升。其中支持向量機(jī)模型的提升效果最大，最高準(zhǔn)確率和分?jǐn)?shù)皆從87.05%提升到了93.13%，兩者皆升高了6.08個(gè)百分點(diǎn)。

（3）目前駕駛員精神負(fù)荷評(píng)價(jià)實(shí)質(zhì)上是對(duì)駕駛員的精神負(fù)荷狀態(tài)進(jìn)行分類，但是駕駛員的精神負(fù)荷本身并不是離散值，而是連續(xù)值，后續(xù)工作中將嘗試尋找合適的指標(biāo)來實(shí)現(xiàn)對(duì)駕駛員精神負(fù)荷的量化分析。