为了验证本书建立的基于BRB的驾驶愤怒状态识别模型的有效性，须对模型识别准确率进行测试，并与back propagation neural networks（BPNN），least square support vector machine（LSSVM），naïve bayes classifier（NBC）、k-nearest neighbor（KNN）以及C4.5（一种高级决策树算法）等五种驾驶人状态识别领域常用的分类器的识别结果进行对比分析。采用测试集样本对该模型进行测试与评价，评价指标采用第4章介绍的TPR，FPR以及AUC，PPA，F1和Acc。六种分类模型识别不同强度驾驶愤怒状态下的ROC曲线如图6-11所示。
图6-11 六种分类模型识别不同强度驾驶愤怒状态的ROC曲线图
通过图6-11可看出，对于四种愤怒强度，基于BRB的驾驶愤怒状态分类器的ROC曲线下面积（AUC）均比其他五种分类器大。根据第5章的内容介绍可知，AUC是衡量分类器分类能力的一个重要指标，AUC越大，分类器的分类效果越好，因此，本书建立的BRB模型对驾驶愤怒强度的分类能力，即识别能力要强于C4.5，NBC，KNN，LSSVM和BPNN等五种分类器的分类能力。此外，通过图6-11还可看出，这几种分类器对正常驾驶与高强度愤怒驾驶状态的识别能力要高于对低强度与中强度愤怒驾驶状态的识别能力。除了评价指标AUC，BRB模型对四种强度的驾驶愤怒状态的其他识别效果如查全率（TPR）、查准率（PPA）及综合指标F1也均高于其他五种分类器，如图6-12所示。从图6-12也可看出，BRB模型对高强度驾驶愤怒状态识别的TPR，PPA和F1也明显较其他愤怒状态下高，即对高强度驾驶愤怒状态的识别效果最好（灵敏度达90.98%），其次为正常驾驶状态（灵敏度为 83.66%），再次为低强度与中强度驾驶愤怒状态（灵敏度为 78%左右）。
图6-12 六种分类模型对四种强度的驾驶愤怒状态识别效果(www.xing528.com)
将六种分类器对这四种驾驶愤怒状态的分类效果，即TPR，PPA，F1，AUC，Acc和FPR等评价指标进行统计分析，结果如表6-11所示。从表6-11可看出，相对于C4.5，NBC，KNN，LSSVM和BPNN等分类模型，BRB模型的 TPR，PPA，F1，AUC 和 Acc 的平均值最高，分别达到 0.827 1，0.801 4，0.813 8，0.879 2，0.821 5。但是，BRB模型的假阳率（FPR=0.069 4）并不是所有模型中最低的。根据相关专家经验知识，在驾驶人状态检测领域，该假阳率仍是可接受的。另外，BRB模型对四种强度驾驶愤怒状态的平均识别准确率（Acc）达到84.26%，比C4.5，NBC，KNN，LSSVM和BPNN分别高2.91%，3.79%，8.43%，4.69%和9.18%。
因此，本书建立的BRB模型对四种强度的驾驶愤怒状态的识别效果比其他五种分类模型的识别效果好。
表6-11 六种分类模型对驾驶愤怒状态的分类效果对比
此外，考虑到实际驾驶过程中对驾驶人愤怒状态的检测须具备一定的实时性，因此，对以上六种检测模型的训练用时进行了测试统计，测试机器系统为Intel（R）Core（TM）i3 CPU M370 @2.40GHz，RAM 4G。统计结果如图6-13所示。从图6-13可看出，本书的置信规则库算法BRB的训练用时（0.626 ms）比C4.5，NBC，KNN的识别算法稍长，但明显比SVM和BPNN的训练用时短。另外，该模型训练用时显著低于各信号采集设备的采样周期。总的来说，本算法对于驾驶愤怒状态检测具有较强的实时性。
图6-13 六种识别算法的训练用时
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
