研究成果：自适应识别方法研究路怒驾驶行为的机理

1.特征重要度排序算法

为了选择与驾驶愤怒强度相关性大的特征参数，须对特征重要度进行排序。目前，在特征重要度排序方法中，互信息（mutual information，MI）是使用较为广泛的方法[154]。在互信息计算的过程中，涉及信息熵、条件信息熵等基本信息度量理论。令，是一组有限离散变量集合，那么X的信息熵（information entropy）表示如下：

式中x是变量集中的元素，p（x）是x出现的概率分布。假设存在两组有限离散随机变量集：那么X对Y的条件信息熵定义为在给定Y的情况下X的不确定度，如公式（6-2）所示：

信息熵和条件信息熵之间的关系如公式（6-3）所示：

联合互信息（joint mutual information，JMI），即互信息，表示两个随机变量集之间的相关性程度。例如，随机变量集X和Y之间的互信息可用公式（6-4）计算：

依据MI的定义，随机变量X与Y之间的相关性越强，I（X，Y）的值越大；相反，随机变量X与Y之间的相关性越弱，I（X，Y）的值越小。MI是一个对称度量，即

特别地，如果X与Y相互独立，那么

MI可用信息熵表示：

经过对驾驶愤怒状态以及特征参数全集中每个特征指标互信息的计算，可得到各特征指标的相对重要度，如图6-1所示。从图6-1可看出，生理指标对驾驶愤怒状态检测的重要度明显比驾驶行为与车辆运动特征高；这表明生理指标由于其具有自发性以及很难被人为控制等特点，因而更能客观真实地反映驾驶人情绪的变化。从图6-1可看出，第四个特征指标即EEG_β%的重要度最高，其次是第三个特征指标即EEG_θ%。但通过第4.4.3节的介绍可知，θ与β脑电波的相对小波功率随着驾驶愤怒强度的变化而呈现相反的变化趋势，因此，这两个特征指标在判别愤怒状态时具有一定程度的冗余性。其他驾驶行为特征指标之间也可能存在这种冗余性，因此，为了提高愤怒识别模型的检测效率与准确率，须尽量排除冗余度较大的特征指标。

图6-1　不同特征指标的相对重要度排序结果

2.SFFS算法

互信息算法虽然能对不同的驾驶愤怒特征的重要度进行排序，但该算法不能有效解决不同特征之间的冗余与关联问题。另外，过多的驾驶愤怒特征参数会降低愤怒识别检测系统的分类性能，而且特征维数过高也会引发“维数灾难”，导致系统计算耗费更多的时间，影响系统识别检测的实时性。因此，为了对繁多、冗余、关联的愤怒特征参数进行优化降维，本书选用序列前向浮动选择（sequential forward floating selection，SFFS）算法。

SFFS算法是目前较为主流的启发式搜索策略。SFFS算法通过序列前向选择（sequential forward selection，SFS）和序列反向选择（sequential backward selection，SBS）这两个步骤实现其目标搜索[155]。SFS与SBS分别确定指标选入准则和指标剔除准则，因此，SFFS算法可基于这两个准则对指标全集进行优化筛选，从而选出近似最优的分类指标组合。本书以SFFS算法作为驾驶愤怒判别指标选入和去除的搜索策略，以 LS-SVM算法的分类性能作为愤怒判别指标的评价准则，构建愤怒强度判别指标优化选择算法。本书建立的驾驶愤怒特征优化选择算法可表示为如下优化求解问题：

式中Y为驾驶愤怒特征参数全集，X为Y的非空子集；J（X）为准则函数，即驾驶愤怒状态识别模型的准确率；Nx是测试样本个数，nx是测试样本中被愤怒驾驶识别模型正确识别的样本个数。

本书基于SFFS算法的驾驶愤怒特征子集选择方法是：首先，利用SFFS算法从驾驶愤怒特征全集Y中选出非空子集X；其次，以X为输入变量，采用LS-SVM算法构建驾驶愤怒状态识别模型，再基于测试样本求得准则函数J（X）的值；最后，选择使得J（X）取得最大值的子集X作为驾驶愤怒状态识别模型的最优特征子集。因此，基于SFFS算法特征参数选入准则和剔除准则，对驾驶愤怒特征全集进行优化选择。

设驾驶愤怒特征参数全集为假设有k个特征参数已被选出组成集合Xk。

其特征指标选入准则是：从集合Y-Xk中选入指标xk+1，使选入xk+1后的准则函数J（Xk+1）的取值最大，即满足公式（6-7）：(www.xing528.com)

特征指标剔除准则是：从已选的指标参数集合Xk中剔除指标xm，使得剔除指标xm后的准则函数的取值最大，即满足公式（6-8）：

基于特征指标选入准则和剔除准则，SFFS算法的搜索策略为：首先从空集开始，在未选用的特征指标集中选择子集Z，使得加入子集Z后的准则函数值更大；然后，在已选用的特征指标集中选择子集S，使得剔除子集S后的准则函数值更大；依此循环，直到选出的子集X使得准则函数J（X）的取值最大[156]。

3.特征选择算法SFFS的实现流程

本书基于 SFFS 算法的搜索策略，从驾驶愤怒特征判别指标全集中选择愤怒特征判别指标子集Xk；然后，以Xk为输入，采用十折交叉验证法训练并测试基于LSSVM的驾驶人愤怒状态识别模型，将模型测试结果作为准则函数值。以的最大值为目标，从驾驶愤怒状态判别指标全集中选择出使取得最大值的优化特征指标子集。上述特征指标选择算法的实现流程如图6-2所示。

图6-2　SFFS特征选择算法的程序流程图

根据SFFS算法的实现流程图可看出，该算法从空集开始，先从驾驶愤怒特征判别指标全集中随机选出1个指标，且令k=1，然后按如下步骤进行特征指标筛选：

步骤一（特征指标选入）：根据特征指标选入准则，从特征集合Y-Xk中选择指标xk+1，构建指标集合Xk+1，即

保存变量Xk+1和J（Xk+1），并令k=k+1。

步骤二（流程终止判别）：若k≥u+Δ，则按公式（6-9）：

求得选择结果，输出结果Xd和J（Xd），退出程序流程，否则程序进入步骤三。

步骤三（特征指标剔除）：根据特征指标剔除准则，从已选的驾驶愤怒特征判别指标集合Xk中选择指标xm，构建指标集合，即

并计算。若

则退回指标xm，并返回步骤一；若

则采用更新Xk-1，采用更新J（Xk-1），且令k=k-1，然后重复步骤三。

注意：在步骤二中，u是控制输出特征指标子集维数的约束变量；变量Δ是动态松弛项，该变量可避免SFFS算法程序在第一次优化选择出u维驾驶愤怒特征判别指标子集时就终止，变量Δ的取值范围采用如下启发式规则确定：

式中l是在第一次优化选择出u维特征指标子集之前，SFFS算法程序重复指标剔除的经验次数。满足终止条件后，算法程序从存储的J（Xi）中搜索出J（X）的最大值J（Xd）对应的特征指标子集，并将其作为特征指标选择优化结果输出，该结果可在一定程度上使基于最优特征指标子集的驾驶人愤怒状态识别模型的准确率最高。