目的 建立结合心率变异性(heart rate variability,HRV)和呼吸频率(respiratory rate,RESP)的驾驶疲劳识别机器学习模型并明确最优特征子集.方法 2021年6-12月,从陆军军医大学招募20名年龄在20～30岁之间的健康男性志愿者参加疲劳驾驶试验.记录正常睡眠和睡眠剥夺后驾驶员在驾驶任务中的心电信号,提取18维疲劳相关HRV特征值,选择清醒与疲劳状态下存在差异的HRV特征结合RESP作为特征集.比较支持向量机(support vector machines,SVM)、K最邻近(k-nearest neighbor,KNN)、朴素贝叶斯(naive Bayes,NB)、决策树(decision tree,DT)和逻辑回归(logistic regression,LR)这五种经典机器学习方法,筛选最优特征子集,并建立疲劳识别模型.结果 低频功率(low frequency,LF)与高频功率(high frequency,HF)的比值 LF/HF、RESP、平均 RR 间隔(mean RR interval,Mean RR)、样本熵(sample entropy,SampEn)、去趋势波动分析(detrended fluctuation analysis,DFA)短期斜率DFA α1五个特征是疲劳识别的有效特征子集,在SVM中分类效果最好,疲劳识别的准确性、敏感性、特异性分别为87.03％、87.07％、87.13％.其中LF/HF和RESP是最为重要的驾驶疲劳识别指标,两个维度下各个模型的准确性均能达到80％以上,SVM与LR整体表现更好,准确性、敏感性、特异性分别为 84.99％、85.13％、82.65％和 84.43％、86.49％、82.02％.结论 LF/HF、RESP 是驾驶疲劳识别的有效特征,在基于HRV特征和RESP的驾驶疲劳识别中SVM与LR的整体表现优于其他模型.

军用车辆;驾驶疲劳;心率变异性;呼吸频率;机器学习

向洪义;张琼敏;王俊杰;王思平;廖志康;孙丽璐;李奎;赵辉

400042重庆,陆军特色医学中心军事交通伤防治研究室;400054重庆,重庆理工大学计算机科学与工程学院;400054重庆,重庆理工大学管理学院

陆军军医大学学报

[1]向洪义;张琼敏;王俊杰;王思平;廖志康;孙丽璐;李奎;赵辉-.基于心率变异性和呼吸频率的驾驶疲劳识别模型研究)[J].陆军军医大学学报,2022(13):1299-1306

心率变异性,呼吸频率,驾驶疲劳,疲劳识别,识别模型,合心,heart,rate,variability,HRV,respiratory,RESP,机器学习模型,优特,特征子集,陆军,军军,军医大学,招募,健康男性,疲劳驾驶,正常睡眠,睡眠剥夺,驾驶员,心电信号,清醒,疲劳状态,下存,特征结合,征集,比较支持,support,vector,machines,nearest,neighbor,KNN,朴素贝叶斯,naive,Bayes,NB,决策树,decision,tree,DT,逻辑回归,logistic,regression,LR,这五种,机器学习方法,low,frequency,LF,高频功率,high,HF,RR,mean,interval,Mean,样本熵,sample,entropy,SampEn,去趋势波动分析,detrended,fluctuation,analysis,DFA,有效特征,分类效果,识别指标,军用车辆

0.389386