原文传递
应激状态监测中基于二进制粒子群优化和KNN模型的算法研究
| 论文题名： | 应激状态监测中基于二进制粒子群优化和KNN模型的算法研究 |
| 关键词： | 二进制粒子群优化;K-近邻算法;应激状态监测;生理信号;机动车驾驶员 |
| 摘要： | 应激是个体在环境刺激作用下所产生的一种适应环境的身心紧张状态与消极情绪。机动车驾驶员在长期驾驶情况下，尤其是高度应激条件下，紧张慌乱，常表现出不同的生理、心理功能障碍或紊乱，影响驾驶员身心健康并诱发交通事故。开展驾驶应激状态监测研究，帮助驾驶员缓解压力，减少因驾驶员应激等级过高驾驶导致的道路交通事故发生率，对于保障人民群众生命财产安全具有重大意义。 本学位论文研究二进制粒子群优化(Binary Particle Swarm Optimization，BPSO)特征选择算法和K-近邻(K Nearest Neighbors，KNN)分类算法在驾驶应激状态监测中的应用。首先基于J.A.Healey等人公布的驾驶应激生理信号数据库，经过数据筛选与分段，选用了三种与驾驶应激相关的生理信号(心电信号、皮肤电反应信号和呼吸信号)，得到了126组长度均为5分钟的样本。然后进行滤波处理，共提取了169个特征，用BPSO算法做特征选择，用KNN算法分类识别三种驾驶应激状态(低度应激状态、中度应激状态和高度应激状态)，以得出基于最优识别率和最少特征数目的特征子集。本论文工作的主要贡献有：(1)改善了种群初始化方式，从自适应参数设置的角度对BPSO算法做了改进，与标准BPSO算法相比，提高了算法的识别率，但是增加了算法的时间复杂度，还用标准测试函数检验改进后算法的性能。(2)深入分析并修正了BPSO算法的位改变概率函数，用标准测试函数检验修正后的函数。(3)从类别代表点选取的角度改善了KNN算法，并统计了对驾驶应激监测最有效的特征。实验表明，改善后的KNN算法进一步提高了识别率、极大地减少了选出特征数目也减小了算法的时间复杂度。(4)将改进后的自适应BPSO算法与方差分析法、遗传算法、序列前向选择算法和序列后向选择算法这四种特征选择算法进行比较，结果表明自适应。BPSO算法性能优于其它四种算法，也优于标准BPSO算法。 本文研究结果表明用BPSO算法和KNN算法进行驾驶应激状态分类是行之有效的。同时采用三种生理信号时，改进的自适应BPSO算法和改善后的KNN算法识别率为100％，选出的特征数目为3个。 |
| 作者： | 余芳 |
| 专业： | 生物医学工程；学习科学 |
| 导师： | 刘云 |
| 授予学位： | 硕士 |
| 授予学位单位： | 东南大学 |
| 学位年度： | 2012 |
| 正文语种： | 中文 |
检索历史
应用推荐
