CN113158973B - 基于模糊分类计算的驾驶员情绪强度度量方法 - Google Patents

Abstract

本发明公开了一种基于模糊分类计算的驾驶员情绪强度度量方法，包括：对备选特征样本矩阵进行离异系数计算，构建情绪表征的生理特征参数向量与特征样本矩阵；定义模糊分类目标函数与情绪隶属程度矩阵初始值，模糊分类迭代计算特征样本矩阵，获取各类别情绪中心向量集合和情绪表征样本集合；计算每个情绪中心向量与其他向量的空间距离，通过升序排序各向量空间距离之和，建立与各中心情绪向量相对应的强度表征映射序列，实现各类情绪基准强度值的确定；以各情绪中心向量为度量基准，以其相对应的基准强度值为偏置，构建任意情绪强度度量的计算函数。本发明能较准确地度量驾驶员情绪强度，实现情绪的量化表达，为智能驾驶系统的开发提供理论支撑。

Description

基于模糊分类计算的驾驶员情绪强度度量方法

技术领域

本发明属于情感计算领域，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。

背景技术

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。

发明内容

本发明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法，以期能较准确地度量驾驶员情绪强度，实现驾驶员情绪的量化表达，从而为车辆的安全驾驶、智能驾驶、辅助驾驶等系统的开发提供理论支撑。

本发明为解决技术问题采用如下技术方案：

本发明一种基于模糊分类计算的驾驶员情绪强度度量方法的特点是按如下步骤进行：

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,...,S_i,...,S_n}，S_i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S_i，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x_i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,...,x_i,...,x_n]^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＝(b_i′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b_a′1＝1,b_b′2＝1,...,b_g′(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p′_J ^k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，λ_i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

λ_i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

式(8)和式(9)中，

表示第t+1次迭代的第φ类情绪中心向量，

表示第t+1次迭代的第i个特征样本对第φ类情绪的隶属程度；

步骤2.5、初始化t＝1，随机生成第t-1次迭代的隶属程度

且隶属程度

满足条件

和条件

从而确定隶属程度矩阵D^(t-1)；

步骤2.6、利用式(8)计算得第t次迭代的第φ类情绪中心向量

利用式(9)计算得第t次迭代的隶属程度

利用式(4)计算第t次迭代的目标函数F_(t)；

步骤2.7、根据式(8)计算第t+1次迭代的各情绪中心向量，构建第t+1次迭代的情绪中心向量集合E^(t+1)，根据式(9)计算第t+1次迭代的各样本隶属程度矩阵，构建第t+1次迭代的隶属程度矩阵D^(t+1)；从而利用式(4)计算第t+1次迭代的目标函数F_(t+1)；

步骤2.8、利用式(10)计算第t+1次迭代的误差J′_t+1(t≥1)；

J′_t+1＝|F_(t+1)-F_(t)| (10)

步骤2.9、若J′_t+1＜ε，则将第t+1次迭代的隶属程度矩阵D^(t+1)作为最终的隶属程度矩阵D_end、将情绪中心向量集合E^(t+1)作为最终的情绪中心向量集合E_end，并执行步骤2.11；否则，执行步骤2.10；

步骤2.10、将t+1赋值给t后，判断t＞N是否成立，若成立，则训练终止，得到最终的情绪中心向量集合E_end和最终的隶属程度矩阵D_end，并执行步骤2.11，否则返回步骤2.7；

步骤2.11、将最终的情绪中心向量集合记为E_end＝{e₁,e₂,...,e_v,...,e_z}，v∈[1,z]，最终的隶属程度矩阵记为D_end＝(d_φi)_z×n，根据最终的隶属程度矩阵D_end中每一列的最大值判断每组数据对应的情绪类别，最终确定各类情绪的情绪表征样本集合为

M_η表示第η类情绪对应的情绪表征样本集合，η∈[1,z]，

表示属于第η类情绪的情绪表征样本集合M_η中的第w个情绪表征样本；

为X′中的向量；

步骤3、建立情绪中心向量与其相对应的强度表征映射序列，确定各类情绪基准强度值；

步骤3.1、建立情绪中心向量与其相对应的强度表征映射序列；

根据最终的情绪中心向量集合E_end，计算每个情绪中心向量与其他向量之间的空间距离，构建情绪中心距离矩阵R＝[r₁,r₂,...,r_v,...,r_z]，其中，r_v表示第v个情绪中心向量e_v与其它各情绪中心向量的距离，r_v＝[r_1v,r_2v,...,r_uv,...,r_zv]，且r_uv表示第v个情绪中心向量e_v与第u个情绪距离中心向量e_u之间的空间距离，r_uv＝||e_v-e_u||₂，1≤u≤z，1≤v≤z；计算第v个情绪中心向量e_v与其它情绪中心向量的空间距离之和为

v∈[1,z]，最终得到所有情绪中心向量与其它情绪中心向量的空间距离之和记为

对各向量空间距离之和进行升序排序，并赋予其对应情绪中心向量逐步加1的情绪强度表征值，从而得到情绪强度表征序列为ψ＝(1,2,3,...,z)；

步骤3.2、确定各类情绪基准强度值；

利用式(11)计算第φ类情绪的情绪基准强度值μ_φ：

式(11)中，||e_φ||₂为第φ类情绪中心向量的2-范数，ψ_φ为第φ类情绪的强度表征值，ψ∈[1,z]，

为向下取整符号；

步骤4、构建任意情绪强度度量的计算函数；

步骤4.1、对于任意待测的情绪表征生理特征向量ρ_τ，利用式(12)判断其所属的情绪中心向量为

式(12)中，

表示||ρ_τ-e_φ||₂函数取最小值时的向量e_φ，由此可得ρ_τ属于第φ^*类情绪；

步骤4.2、根据步骤2.11中的各类情绪的情绪表征样本集合，计算任意待测的情绪表征生理特征ρ_τ所属的情绪类别φ^*类的情绪表征样本集合

中距离该情绪中心向量

的最大距离值

式(13)中，y_c为所ρ_τ所属的情绪类别φ^*类的情绪表征样本集合

中距离情绪中心向量

最远的向量；

步骤4.3、利用式(14)构建任意待测的情绪表征生理特征向量ρ_τ的情绪强度度量的计算函数

式(14)中，

表示任意待测的情绪表征生理特征ρ_τ所属的情绪类别φ^*类的情绪基准强度值。

与已有技术相比，本发明的有益效果在：

1、本发明设计了一种基于模糊分类计算的驾驶员情绪强度度量方法，通过对生理信号特征样本集合进行模糊分类计算，不断优化隶属程度矩阵，获取不同类别情绪下情绪中心向量集合和情绪表征样本集合，确定情绪基准强度值进而构建任意情绪强度度量计算函数，从而计算出任意时刻的驾驶员情绪强度，可对驾驶员不同情绪强度采取不同的处理措施，对安全驾驶具有重要意义。

2、本发明通过心电、脉搏、脑电生理信号测试仪获取驾驶员的心电数据、脉搏数据、脑电数据并确定备选特征参数，经最大离异系数法确定情绪表征的生理特征参数向量和特征样本矩阵。基于生理信号的驾驶员情绪强度度量准确率较高，融合了多种生理信号的驾驶员情绪强度度量考虑了多源信息的全面性，极大地提高了情绪计算结果的准确性。

3、本发明情绪强度度量的计算函数能够计算任意生理特征参数值所代表的情绪强度，量化了情绪的表达，区别于传统的情绪离散型分类，能够较准确地度量驾驶员情绪的强度变化，当驾驶员情绪强度达到一定值时可适时对车辆进行控制并调节驾驶员情绪，有效降低了交通事故发生的概率。

4、本发明可扩展至智能驾驶、人工智能等研究领域，该方法的可移植性强，可应用于其他领域的情感研究。

附图说明

图1为本发明驾驶员情绪强度度量方法的过程图；

图2为本发明情绪模糊分类计算的过程图。

具体实施方式

本实施例中，一种基于模糊分类计算的驾驶员情绪强度度量方法包括：对备选特征样本矩阵进行离异系数计算，构建情绪表征的生理特征参数向量与特征样本矩阵；定义模糊分类目标函数与情绪隶属程度矩阵初始值，模糊分类迭代计算特征样本矩阵，获取各类别情绪中心向量集合和情绪表征样本集合；计算每个情绪中心向量与其他向量之间的空间距离，通过正向排序各向量空间距离之和，建立与各中心情绪向量相对应的强度表征映射序列，实现各类情绪基准强度值的确定；以各情绪中心向量为度量基准，以其相对应的基准强度值为偏置，构建任意情绪强度度量的计算函数。驾驶员情绪强度度量方法的过程如图1所示，具体的说，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,...,S_i,...,S_n}，S_i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；

在具体实施中，可通过给驾驶人员佩戴心电、脉搏、脑电传感器来进行不同情绪下的数据采集，采集的生理信号数据集组数应尽量大于1000小于100000，样本数较少会影响情绪计算的精度，样本数据过多会增加计算的负担，本实施例中n取值为1200，A＝300；

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]；

在实施例中，备选的生理信号的特征为心电信号P-Q、Q-S、S-T、R-R间期波段的均值、中值、标准差、最大值、最小值共20个特征参数；脉搏信号的PPG信号、P波波峰、波峰间隔的均值、中值、标准差、最大值、最小值共15个特征参数；脑电信号典型的δ波、θ波、α波和β波的能量特征E_δ、E_θ、E_α、E_β、

共10个特征参数，m＝45；

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S_i，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x_i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,...,x_i,...,x_n]^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

在实施例中，选取情绪分类数z＝12；

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；

在实施例中，r＝3，经最大离异系数法计算最终选取的心电特征参数包括有P-Q的均值P-Q_(mean)、Q-S的标准差Q-S_(sd)、S-T的中值S-T_(mid)；脉搏特征参数包括P波波峰的最大值P_(max)、波峰间隔均值P-S_(mean)、P波波峰的中值P_(mid)；脑电特征参数包括

构建的情绪表征的生理特征参数向量

步骤1.6、构建特征样本矩阵X′；

构建过渡矩阵B＝(b_i′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b_a′1＝1,b_b′2＝1,...,b_g′(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p′_J ^k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；情绪模糊分类计算的过程图如图2所示；

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；

在本实例中,模糊指数ι取值为1.2，α、β、χ的作用是将不同生理特征对情绪的贡献赋予不同的权重，使情绪计算结果更加准确，取α＝0.4；β＝0.2；χ＝0.4；

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，λ_i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

λ_i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

式(8)和式(9)中，

表示第t+1次迭代的第φ类情绪中心向量，

表示第t+1次迭代的第i个特征样本对第φ类情绪的隶属程度；

步骤2.5、初始化t＝1，随机生成第t-1次迭代的隶属程度

且隶属程度

满足条件

和条件

从而确定隶属程度矩阵D^(t-1)；

步骤2.6、利用式(8)计算得第t次迭代的第φ类情绪中心向量

利用式(9)计算得第t次迭代的隶属程度

利用式(4)计算第t次迭代的目标函数F_(t)；

步骤2.7、根据式(8)计算第t+1次迭代的各情绪中心向量，构建第t+1次迭代的情绪中心向量集合E^(t+1)，根据式(9)计算第t+1次迭代的各样本隶属程度矩阵，构建第t+1次迭代的隶属程度矩阵D^(t+1)；从而利用式(4)计算第t+1次迭代的目标函数F_(t+1)；

步骤2.8、利用式(10)计算第t+1次迭代的误差J′_t+1(t≥1)；

J′_t+1＝|F_(t+1)-F_(t)| (10)

步骤2.9、若J′_t+1＜ε，则将第t+1次迭代的隶属程度矩阵D^(t+1)作为最终的隶属程度矩阵D_end、将情绪中心向量集合E^(t+1)作为最终的情绪中心向量集合E_end，并执行步骤2.11；否则，执行步骤2.10；

步骤2.10、将t+1赋值给t后，判断t＞N是否成立，若成立，则训练终止，得到最终的情绪中心向量集合E_end和最终的隶属程度矩阵D_end，并执行步骤2.11，否则返回步骤2.7；

步骤2.11、将最终的情绪中心向量集合记为E_end＝{e₁,e₂,...,e_v,...,e_z}，v∈[1,z]，最终的隶属程度矩阵记为D_end＝(d_φi)_z×n，根据最终的隶属程度矩阵D_end中每一列的最大值判断每组数据对应的情绪类别，最终确定各类情绪的情绪表征样本集合为

M_η表示第η类情绪对应的情绪表征样本集合，η∈[1,z]，

表示属于第η类情绪的情绪表征样本集合M_η中的第w个情绪表征样本；

为X′中的向量；

在本实例中，最终确定各类情绪的情绪表征样本集合为

步骤3、建立情绪中心向量与其相对应的强度表征映射序列，确定各类情绪基准强度值；

步骤3.1、建立情绪中心向量与其相对应的强度表征映射序列；

根据最终的情绪中心向量集合E_end，计算每个情绪中心向量与其他向量之间的空间距离，构建情绪中心距离矩阵R＝[r₁,r₂,...,r_v,...,r_z]，其中，r_v表示第v个情绪中心向量e_v与其它各情绪中心向量的距离，r_v＝[r_1v,r_2v,...,r_uv,...,r_zv]，且r_uv表示第v个情绪中心向量e_v与第u个情绪距离中心向量e_u之间的空间距离，r_uv＝||e_v-e_u||₂，1≤u≤z，1≤v≤z；计算第v个情绪中心向量e_v与其它情绪中心向量的空间距离之和为

v∈[1,z]，最终得到所有情绪中心向量与其它情绪中心向量的空间距离之和记为

对各向量空间距离之和进行升序排序，并赋予其对应情绪中心向量逐步加1的情绪强度表征值，从而得到情绪强度表征序列为ψ＝(1,2,3,...,z)；

在本实例中，情绪强度表征序列为ψ＝(1,2,3,...,12)；

步骤3.2、确定各类情绪基准强度值；

利用式(11)计算第φ类情绪的情绪基准强度值μ_φ：

式(11)中，||e_φ||₂为第φ类情绪中心向量的2-范数，ψ_φ为第φ类情绪的强度表征值，ψ∈[1,z]，

为向下取整符号；

步骤4、构建任意情绪强度度量的计算函数；

步骤4.1、对于任意待测的情绪表征生理特征向量ρ_τ，利用式(12)判断其所属的情绪中心向量为

式(12)中，

表示||ρ_τ-e_φ||₂函数取最小值时的向量e_φ，由此可得ρ_τ属于第φ^*类情绪；

步骤4.2、根据步骤2.11中的各类情绪的情绪表征样本集合，计算任意待测的情绪表征生理特征ρ_τ所属的情绪类别φ^*类的情绪表征样本集合

中距离该情绪中心向量

的最大距离值

式(13)中，y_c为所ρ_τ所属的情绪类别φ^*类的情绪表征样本集合

中距离情绪中心向量

最远的向量；

步骤4.3、利用式(14)构建任意待测的情绪表征生理特征向量ρ_τ的情绪强度度量的计算函数

式(14)中，

表示任意待测情绪表征生理特征ρ_τ所属情绪类别φ^*类的情绪基准强度值。

综上所述，本方法是在模糊分类计算的基础上提出驾驶员情绪强度度量方法，从而实现驾驶员情绪强度的量化表达。为车辆的安全驾驶、智能驾驶、辅助驾驶等系统的开发提供了理论支撑。可将该方法扩展至人工智能、汽车智能驾驶、医学情绪等相关研究领域中。

Claims (1)

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,...,S_i,...,S_n}，S_i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S_i，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x_i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,...,x_i,...,x_n]^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＝(b_i′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b_a′1＝1,b_b′2＝1,...,b_g′(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，λ_i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

λ_i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

式(8)和式(9)中，

表示第t+1次迭代的第φ类情绪中心向量，

表示第t+1次迭代的第i个特征样本对第φ类情绪的隶属程度；

步骤2.5、初始化t＝1，随机生成第t-1次迭代的隶属程度

且隶属程度

满足条件

和条件

从而确定隶属程度矩阵D^(t-1)；

步骤2.6、利用式(8)计算得第t次迭代的第φ类情绪中心向量

利用式(9)计算得第t次迭代的隶属程度

利用式(4)计算第t次迭代的目标函数F_(t)；

步骤2.7、根据式(8)计算第t+1次迭代的各情绪中心向量，构建第t+1次迭代的情绪中心向量集合E^(t+1)，根据式(9)计算第t+1次迭代的各样本隶属程度矩阵，构建第t+1次迭代的隶属程度矩阵D^(t+1)；从而利用式(4)计算第t+1次迭代的目标函数F_(t+1)；

步骤2.8、利用式(10)计算第t+1次迭代的误差J′_t+1(t≥1)；

J′_t+1＝|F_(t+1)-F_(t)| (10)

步骤2.9、若J′_t+1＜ε，则将第t+1次迭代的隶属程度矩阵D^(t+1)作为最终的隶属程度矩阵D_end、将情绪中心向量集合E^(t+1)作为最终的情绪中心向量集合E_end，并执行步骤2.11；否则，执行步骤2.10；

步骤2.10、将t+1赋值给t后，判断t＞N是否成立，若成立，则训练终止，得到最终的情绪中心向量集合E_end和最终的隶属程度矩阵D_end，并执行步骤2.11，否则返回步骤2.7；

步骤2.11、将最终的情绪中心向量集合记为E_end＝{e₁,e₂,...,e_v,...,e_z}，v∈[1,z]，最终的隶属程度矩阵记为D_end＝(d_φi)_z×n，根据最终的隶属程度矩阵D_end中每一列的最大值判断每组数据对应的情绪类别，最终确定各类情绪的情绪表征样本集合为

M_η表示第η类情绪对应的情绪表征样本集合，η∈[1,z]，

表示属于第η类情绪的情绪表征样本集合M_η中的第w个情绪表征样本；

为X′中的向量；

步骤3、建立情绪中心向量与其相对应的强度表征映射序列，确定各类情绪基准强度值；

步骤3.1、建立情绪中心向量与其相对应的强度表征映射序列；

根据最终的情绪中心向量集合E_end，计算每个情绪中心向量与其他向量之间的空间距离，构建情绪中心距离矩阵R＝[r₁,r₂,...,r_v,...,r_z]，其中，r_v表示第v个情绪中心向量e_v与其它各情绪中心向量的距离，r_v＝[r_1v,r_2v,...,r_uv,...,r_zv]，且r_uv表示第v个情绪中心向量e_v与第u个情绪距离中心向量e_u之间的空间距离，r_uv＝||e_v-e_u||₂，1≤u≤z，1≤v≤z；计算第v个情绪中心向量e_v与其它情绪中心向量的空间距离之和为

v∈[1,z]，最终得到所有情绪中心向量与其它情绪中心向量的空间距离之和记为

对各向量空间距离之和进行升序排序，并赋予其对应情绪中心向量逐步加1的情绪强度表征值，从而得到情绪强度表征序列为ψ＝(1,2,3,...,z)；

步骤3.2、确定各类情绪基准强度值；

利用式(11)计算第φ类情绪的情绪基准强度值μ_φ：

式(11)中，||e_φ||₂为第φ类情绪中心向量的2-范数，ψ_φ为第φ类情绪的强度表征值，ψ∈[1,z]，

为向下取整符号；

步骤4、构建任意情绪强度度量的计算函数；

步骤4.1、对于任意待测的情绪表征生理特征向量ρ_τ，利用式(12)判断其所属的情绪中心向量为

式(12)中，

表示||ρ_τ-e_φ||₂函数取最小值时的向量e_φ，由此可得ρ_τ属于第φ^*类情绪；

步骤4.2、根据步骤2.11中的各类情绪的情绪表征样本集合，计算任意待测的情绪表征生理特征ρ_τ所属的情绪类别φ^*类的情绪表征样本集合

中距离该情绪中心向量

的最大距离值

式(13)中，y_c为所ρ_τ所属的情绪类别φ^*类的情绪表征样本集合

中距离情绪中心向量

最远的向量；

步骤4.3、利用式(14)构建任意待测的情绪表征生理特征向量ρ_τ的情绪强度度量的计算函数

式(14)中，

表示任意待测的情绪表征生理特征ρ_τ所属的情绪类别φ^*类的情绪基准强度值。

Images