基于 ECG 的驾驶员压力等级检测系统及其超参数优化
信号处理
2021-01-05 v1 机器学习
神经与进化计算
摘要
压力与驾驶是危险组合，可导致撞车事故，大量涉及压力的道路交通碰撞即为佐证。出于应对驾驶员压力巨大成本的迫切需要，构建能以高准确率分类驾驶员压力等级的实用系统至关重要。然而，准确的驾驶压力等级分类系统的性能取决于超参数优化选择，如数据分割（加窗超参数）。对系统性能影响巨大的超参数配置设定，通常在评估算法时靠手工调节。该调参过程耗时且常依赖个人经验。超参数取值亦无通用最优值。在本工作中，我们提出一种元启发式方法以支持自动化超参数优化，并提供实时驾驶员压力检测系统。这是驾驶安全领域基于心电图（ECG）信号优化加窗超参数的首项系统性研究。我们的方法是提出一个基于粒子群优化算法（PSO）的框架，以选取最优/近最优加窗超参数值。所提框架的性能在两个数据集上评估：公开数据集（DRIVEDB 数据集）与我们利用先进模拟器采集的数据集。DRIVEDB 数据集采集于实时驾驶场景，而我们的数据集在受控环境中利用先进驾驶模拟器采集。我们证明优化加窗超参数在准确率方面带来显著提升。基于所选加窗超参数，应用于公开数据集与我们的数据集的最准确构建模型分别达到了 92.12% 与 77.78% 的准确率。
引用
@article{arxiv.2101.00165,
title = {ECG-Based Driver Stress Levels Detection System Using Hyperparameter Optimization},
author = {Mohammad Naim Rastgoo and Bahareh Nakisa and Andry Rakotonirainy and Frederic Maire and Vinod Chandran},
journal= {arXiv preprint arXiv:2101.00165},
year = {2021}
}
备注
17 pages