典型文献
考虑噪声标签影响的驾驶员精神负荷状态评价
文献摘要：
现有驾驶员精神负荷评价研究多以驾驶场景中有无次任务来给定驾驶员的精神负荷分类标签,但驾驶员在正常驾驶情景下也可能由于陷入自我思维而导致精神负荷的增加;此外,由于个体差异,同一驾驶次任务对不同驾驶员精神负荷的影响也不尽相同.因此,由传统方法所制作的数据集可能存在噪声标签,从而影响精神负荷评价模型的训练效果.针对此类问题,本文中采用置信学习的方法对驾驶员的精神负荷分类标签进行检测和滤除,使用处理过的标签,以脑电、心电和皮电信号特征作为模型输入,基于支持向量机、随机森林、K近邻、决策树、逻辑回归和多层感知机等多种算法构建驾驶员精神负荷模型,对比分析噪声标签处理对提高各类模型性能的效果.结果表明:使用置信学习进行噪声标签处理后,所构建的多种驾驶员精神负荷模型的性能均得到了明显的改善,其中,支持向量机模型的性能提升的效果最佳.
文献关键词：
交通安全;精神负荷;置信学习;机器学习;噪声标签
中图分类号：
作者姓名：
黄晶;彭扬;黄烨;彭晓燕
作者机构：
湖南大学机械与运载工程学院,长沙 410082
文献出处：
引用格式：
[1]黄晶;彭扬;黄烨;彭晓燕-.考虑噪声标签影响的驾驶员精神负荷状态评价)[J].汽车工程,2022(05):771-777
A类：
置信学习
B类：
噪声标签,驾驶员,精神负荷,负荷状态,状态评价,驾驶场景,负荷分类,我思,个体差异,一驾,驾驶次任务,训练效果,滤除,用处,脑电,心电,皮电信号,信号特征,模型输入,近邻,决策树,逻辑回归,多层感知机,负荷模型,模型性能,支持向量机模型,性能提升,交通安全
AB值：
0.279017
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
