驾驶行为险态组特征分析

4.3.3.1　驾驶行为险态特征指标全组合的聚类分析

为了提高危险驾驶行为状态识别的准确率，尝试采用不同特征组合对驾驶人驾驶行为险态进行辨识。首先考虑3 个生理指标的全组合，即采用特征向量X={BVP，　SC ，RESP}对不同状态进行判定。经计算该特征组合的最终聚类中心为：

采用欧式距离法对425 个样本所归属的类别进行确定，并最终得到425个样本采用全组合进行K-means 聚类的结果分布，如图4-10 所示。

图4-10　全组合的K-means 聚类结果

图4-10 中全组合向量对425 个样本进行3 种分类的界限并不明显，将聚类得出的样本识别结果与实际观察结果进行对比可知：3 个生理特征组合准确识别的样本数量为394 例，识别准确率达到92.70%，其中，对可忽略状态正确识别177 例，准确率为95.16%，可容忍状态正确识别为153 例，准确率93.87%，不可容忍状态正确识别的样本数量为64 例，准确率为84.21%。全组合识别结果与单特征识别结果相比，其总体识别率得到了一定的提高，但是对于不可容忍状态识别的准确率低于以BVP 为向量时的识别结果。因此，组合聚类的方法能够提高识别的准确率，但是3 个指标的全组合可能并非驾驶行为险态辨识的最优组合。对聚类结果进行方差分析，得到结果如表4-4 所示。

表4-4　方差分析

从表4-4 中可见，聚成的3 类在BVP、SC 和RESP 的均值间无差异的原假设下，出现目前值或者更极端值的概率都为0.00，故3 个生理特征指标在分类过程中均在统计学上有显著统计意义（p=0.00＜0.05），无法单纯地通过采用方差分析来减少特征向量的个数。

4.3.3.2　驾驶行为险态特征指标两两组合的聚类分析

通过分析可知，采用组合聚类的方式能够提高识别的准确率，但由表4-4可以看到，3 个生理指标在分类过程中对驾驶行为险态都呈现显著相关性。因此，考虑到变量的数量较少，可以采用穷举法实现聚类结果最优组合的挖掘。组合聚类的方式可分为BVP+SC、BVP+RESP 和SC+RESP 3 种。表4-5所示为3 种组合聚类方式的最终聚类中心。(www.xing528.com)

表4-5　3 种组合特征向量的最终聚类中心

根据表4-5 所示的聚类中心，采用欧式距离法计算并确定分别使用3 个特征组合后所有样本所属的类别。通过对比分析样本的识别结果和实际结果，得到3 个组合对于不同驾驶行为险态识别的准确率，如表4-6 所示。

表4-6　3 种组合聚类的识别准确率

图4-11 所示为3 个组合向量分别对425 个样本进行K-means 聚类的结果。

图4-11　3 个组合向量对425 样本聚类的结果

图4-12　不同特征组合识别的准确率

由图4-11（a）可知，当采用BVP 和SC 进行组合聚类时其分类效果较好，且三个不同类别之间的界限较为明显。而相比之下，SC 和RESP[见如图4-11（b）]、BVP 和RESP[见图4-11（c）]这两个组合的分类效果则不够理想，尤其是SC 和RESP 组合的分类界限更为模糊。从图4-12 可知，采用BVP和SC 组合进行聚类得到的结果的识别准确率相较于其他两两组合和全部特征组合都具有显著的优越性，其总识别准确率达到96%，对可忽略、可容忍和不可容忍三种状态的识别准确率分别达到97.33%、98.16%和88.16%。由此可见，以BVP 和SC 为特征向量，采用K-means 聚类方法对驾驶行为险态进行辨识具有较好的可行性和准确性。