基于生理学的驾驶行为分类：基于SHAP的精英特征选择与混合梯度提升用于多模态生理信号
机器学习
2026-05-07 v1 信号处理
摘要
本研究提出一种可解释且可扩展的框架，用于从多模态生理信号解码驾驶行为。我们利用多模态生理驾驶行为大规模数据集，包含同步的脑电图 (EEG)、肌电图 (EMG)和皮肤电反应 (GSR)信号。我们的方案包括严格的预处理，随后针对时域、频域和衍生生理指数进行领域特定特征提取。为解决高维度问题，我们采用基于SHAP的精英特征选择，保留前250个特征以减少计算开销同时保持预测性能。对于极端梯度提升 (XGBoost)和光梯度提升机 (LightGBM)模型的超参数优化，通过Optuna进行贝叶斯优化。最后构建加权软投票集成，以利用两种梯度提升框架的互补优势。结果表明，所提出的集成方案在测试集上达到80.91%的准确率和0.79的宏平均F1分数，显著优于单模态基线和传统机器学习模型。消融研究确认其比最佳单一模态 (EEG)高出8%的性能提升，验证了多模态融合的必要性。SHAP分析进一步验证了模型的生理学合理性，表明EEG贡献了主要预测权重，GSR和EMG特征为高兴奋和运动密集型机动提供了关键的判别信号。
引用
@article{arxiv.2605.05120,
title = {Physiologically Grounded Driver Behavior Classification: SHAP-Driven Elite Feature Selection and Hybrid Gradient Boosting for Multimodal Physiological Signals},
author = {Sahar Askari and Mohammad Mahdi Mirza Ali Mohammadi and Fatemeh Ensafdoust and Amin Golnari and Saeid Sanei},
journal= {arXiv preprint arXiv:2605.05120},
year = {2026}
}