路怒驾驶行为研究：自适应识别方法

驾驶愤怒状态识别的准确度会受驾驶人个体差异的影响，但是，同一被试的愤怒特征（生理或行为）在不同时间段又具有较强的稳定性，因此，基于被试正常驾驶时的个体特征包括生理或驾驶行为特征的在线学习，也可检测到被试愤怒状态的变化。因此，本书采用一种驾驶状态自适应识别方法，以降低驾驶人的个体差异性对其愤怒状态识别的影响，从而提高识别模型的鲁棒性和精度。

对于6.1.4部分求得的最优特征子集{BVP，ECG_SampEn，EEG_β%，Acc_Std，YR_Std，LP_Std，SWA_Std，SWA_WDC1_Std，PSAP_Mean}，计算每位被试的每个最优特征在正常状态下的均值，并将该均值作为参考值。设第m名被试在正常驾驶状态下的第n个特征参数的均值为，即参考值，则有

将第m名被试在其他驾驶状态下的第n个特征参数记为Umn，那么将该驾驶人的第n个个性特征参数记为Wmn，即

将所有被试的全部最优特征的个性特征参数作为新的训练样本库，基于6.3节内容构建了基于BRB的驾驶愤怒状态自适应识别模型。

本书将每名被试前15 min的正常驾驶状态数据作为参考数据，即将此状态下各最优特征的均值作为参考指标，根据公式（6-54）构建新的驾驶愤怒特征空间，进而可将个体差异消除。该自适应识别模型的构建流程如图6-14所示。(www.xing528.com)

图6-14　驾驶愤怒状态自适应识别模型的构建流程

为了验证驾驶愤怒状态自适应识别模型的有效性，再次采用之前的15名被试的样本数据进行测试，测试结果如表6-14所示。从表6-14可看出，自适应识别模型测试的TPR，PPA与Acc的平均值较原始识别模型分别高1.34%，1.66%，1.80%。因此，本书提出的个体差异性消除方法，可增强驾驶愤怒状态识别模型对不同被试的适用性，从而提高驾驶愤怒状态识别模型的准确率。

表6-14　驾驶愤怒状态自适应识别模型对不同被试的测试结果

续表