553
0
2025-02-21
2025-02-21
該論文發(fā)表于《IEEE TRANSACTIONS ON FUZZY SYSTEMS》（中科院一區(qū)，IF=10.7）,，題目為《A Comprehensive Adaptive Interpretable Takagi–Sugeno–Kang Fuzzy Classifier for Fatigue Driving Detection》,。
成都信息工程大學(xué)計(jì)算機(jī)學(xué)院科研團(tuán)隊(duì)的郜東瑞為此論文的第一作者,。成都信息工程大學(xué)計(jì)算機(jī)學(xué)院科研團(tuán)隊(duì)的張永清教授為此論文的通訊作者,。
論文鏈接：
https://ieeexplore.ieee.org/document/10528899
腦電圖（EEG）信號(hào)作為一種可靠的生物指標(biāo)，由于能夠反映駕駛員的認(rèn)知和神經(jīng)反應(yīng)狀態(tài),，已被廣泛用于疲勞駕駛檢測(cè),。然而，EEG信號(hào)存在數(shù)據(jù)分布不平衡,、個(gè)體間差異顯著以及場(chǎng)景復(fù)雜等問(wèn)題,，這些都會(huì)影響檢測(cè)效果。輸入對(duì)象之間的微小共性可以被解釋為整個(gè)樣本的重要信息,。因此,，為了盡可能保留信息，本研究設(shè)計(jì)了一種新的模糊特征整合方法,，即綜合自適應(yīng)可解釋Takagi-Sugeno-Kang模糊分類器（CAI-TSK-FC）,，用于整合模糊特征。該方法不僅能夠更高效地捕獲多個(gè)子分類器的特征,，緩解數(shù)據(jù)集不平衡問(wèn)題,，還可以通過(guò)隨機(jī)保留模糊規(guī)則和歸一化減少錯(cuò)誤信息的積累。最終，本研究將多個(gè)子分類器的結(jié)果線性組合,，綜合考慮多個(gè)子分類器的學(xué)習(xí)效果,，以適應(yīng)不同個(gè)體和數(shù)據(jù)集。在自制數(shù)據(jù)集和公共數(shù)據(jù)集上的實(shí)驗(yàn)表明,，CAI-TSK-FC在不同的EEG疲勞駕駛數(shù)據(jù)集上具有良好的性能和可解釋性,。與現(xiàn)有方法相比，其準(zhǔn)確率分別提高了3.15%和1.52%,，特異性分別提高了4.72%和0.91%,。
研究背景
駕駛疲勞是交通事故中最重要的影響因素之一，不僅危及駕駛員的生命,，也危及其他道路使用者的安全,。而開(kāi)發(fā)一種有效的算法來(lái)檢測(cè)駕駛員的疲勞狀態(tài)已成為減少交通事故發(fā)生的一種手段。早期的疲勞檢測(cè)算法可分為主觀檢測(cè)方法和客觀檢測(cè)方法,。主觀檢測(cè)方法受到個(gè)體意愿和判斷的極大影響,，缺乏足夠的說(shuō)服力；客觀檢測(cè)方法包括生理信號(hào),、面部特征和車輛軌跡,。面部特征和車輛軌跡計(jì)算分別受到光照和駕駛員技術(shù)的影響。使用生理信號(hào)進(jìn)行分析可以避免上述問(wèn)題,。在生理信號(hào)中,，腦電圖（EEG）信號(hào)能夠捕捉有關(guān)神經(jīng)生理腦活動(dòng)的信息，并準(zhǔn)確反映駕駛員的心理狀態(tài)?，F(xiàn)有的研究使用深度學(xué)習(xí)方法來(lái)表征疲勞狀態(tài)下的EEG信號(hào),，盡管這些研究取得了令人滿意的結(jié)果，但它們并不能完全解釋所學(xué)習(xí)到的特征,。近年來(lái),，Takagi-Sugeno-Kang（TSK）模糊系統(tǒng)在EEG領(lǐng)域展現(xiàn)了獨(dú)特的能力，但仍存在一些限制,，具體如下：
1)EEG信號(hào)容易受到復(fù)雜環(huán)境的影響,，不同場(chǎng)景下EEG信號(hào)的特征存在差異，這限制了模型的泛化能力,。
2)疲勞駕駛過(guò)程中產(chǎn)生的EEG數(shù)據(jù)存在采樣不平衡,，正負(fù)EEG采樣差異對(duì)模型預(yù)測(cè)精度的影響尚未明確。
3)傳統(tǒng)的堆疊TSK模糊分類器會(huì)持續(xù)積累錯(cuò)誤信息,，從而影響后續(xù)層的特征提取效果,。
為了解決這些問(wèn)題，本研究提出了一種新的用于檢測(cè)疲勞的方法,，即綜合自適應(yīng)可解釋TSK模糊分類器（CAI-TSK-FC）。CAI-TSK-FC利用一種新的模糊特征整合方法從數(shù)據(jù)集中提取更多信息，以解決不平衡帶來(lái)的學(xué)習(xí)資源不足問(wèn)題,。此外,，為了減少錯(cuò)誤信息的積累，本研究開(kāi)發(fā)了模糊規(guī)則隨機(jī)保留和線性組合方法,，以增強(qiáng)模型的自適應(yīng)性能,，同時(shí)將錯(cuò)誤信息對(duì)結(jié)果的影響降至最低。本研究的模型通過(guò)整合低階TSK模糊系統(tǒng)實(shí)現(xiàn)了與深度學(xué)習(xí)技術(shù)相當(dāng)?shù)男阅?。此外,，本研究利用TSK模糊系統(tǒng)的語(yǔ)言規(guī)則可解釋性來(lái)提高可解釋性，減少深度學(xué)習(xí)“黑箱問(wèn)題”的影響,。
方法
作為一種非平穩(wěn)信號(hào),，EEG對(duì)生理和環(huán)境因素非常敏感，獲取的信息存在許多不確定性,?；谀：侠碚摰哪：诸惼髂軌蚓徑獠淮_定性問(wèn)題，因此本研究將其用于信號(hào)分類,。圖1和圖2共同展示了本文的整體算法框架,。圖1展示了EEG預(yù)處理過(guò)程，圖2展示了CAI-TSK-FC模型的總體結(jié)構(gòu),。
圖1 EEG處理,。預(yù)處理是一個(gè)包含濾波和模糊化兩個(gè)步驟的過(guò)程，目標(biāo)是盡可能去除偽跡并將數(shù)據(jù)轉(zhuǎn)換為模糊屬性,。其中,，N表示輸入樣本的數(shù)量，OD表示原始特征的維度,，D表示處理后的特征維度,，且D≤OD。
圖2 CAI-TSK-FC結(jié)構(gòu),。 輸入數(shù)據(jù)X和目標(biāo)T進(jìn)入第一個(gè)子分類器OP-TSK1,。保留部分模糊規(guī)則R1及其學(xué)習(xí)結(jié)果Y1，并計(jì)算此時(shí)的分類性能,。如果達(dá)到了預(yù)期結(jié)果,，則訓(xùn)練停止。否則,，將R1,、Y1和原始數(shù)據(jù)X輸入到下一個(gè)子分類器，進(jìn)行多個(gè)子分類器結(jié)果的線性組合,。這一過(guò)程會(huì)不斷循環(huán),，直到模型產(chǎn)生預(yù)期的結(jié)果,。
在預(yù)處理階段，本研究首先對(duì)原始數(shù)據(jù)進(jìn)行濾波以去除偽跡,，然后使用主成分分析（PCA）對(duì)數(shù)據(jù)進(jìn)行降維處理,，最后使用模糊C均值方法（FCM）對(duì)獲得的數(shù)據(jù)進(jìn)行模糊化操作，以得到模糊屬性數(shù)據(jù),。
A. TSK模糊分類器
經(jīng)典的TSK模糊分類器由一組規(guī)則組成,，其中第r條模糊規(guī)則如下：
在TSK模糊分類器中，輸入向量
,，
是從輸入向量X映射到輸出空間的模糊集合,。輸入空間的模糊子集Ar通過(guò)TSK模糊分類器轉(zhuǎn)換為輸出空間的模糊集合fr(x)。R是模糊規(guī)則的數(shù)量,，D是樣本的維度數(shù),。
是輸入向量x的第i維對(duì)應(yīng)的第r條規(guī)則的模糊子集。
如果fr(x)是
,，則TSK模糊分類器為零階,。本研究選擇零階TSK模糊分類器作為構(gòu)建CAI-TSK-FC的基本結(jié)構(gòu)。研究證明,，零階TSK模糊分類器的集成等同于高階TSK模糊分類器,，并且具有更好的可解釋性。本研究采用高斯函數(shù)作為模糊隸屬函數(shù),，使模糊隸屬度計(jì)算更加平滑,，并能更好地適應(yīng)不同數(shù)據(jù)。TSK模糊分類的輸出可以表示為：
其中,，
是通過(guò)高斯隸屬函數(shù)計(jì)算的模糊規(guī)則的結(jié)果,，
是通過(guò)模糊規(guī)則標(biāo)準(zhǔn)化后的模糊隸屬函數(shù)，μr(x)是通過(guò)模糊規(guī)則的前件部分經(jīng)過(guò)模糊化運(yùn)算得到的,，即：
其中,，
可以通過(guò)高斯函數(shù)計(jì)算模糊隸屬函數(shù)表示為：
其中，mrd和σrd分別是高斯隸屬函數(shù)的中心和標(biāo)準(zhǔn)差,。
本研究使用五個(gè)高斯隸屬函數(shù)來(lái)表示每條模糊規(guī)則,。這些隸屬函數(shù)的中心（MF1, MF2, MF3, MF4, MF5）分別為0、0.25,、0.5,、0.75和1。因此,，可以從語(yǔ)言學(xué)上解釋模糊規(guī)則,，即（非常低、低,、中等,、高,、非常高）?；谶@些結(jié)果,，可以提高零階TSK模糊分類器的可解釋性。
B. 優(yōu)化TSK模糊分類器
傳統(tǒng)的TSK模糊分類器對(duì)某些不平衡樣本的識(shí)別率較低,。為了解決這一問(wèn)題，本研究提出了一個(gè)優(yōu)化的零階TSK模糊分類器作為CAI-TSK-FC的子分類器,。主要框架如圖3所示,。
圖3 利用BN和指數(shù)函數(shù)優(yōu)化TSK模糊分類器的計(jì)算過(guò)程。
預(yù)處理后的數(shù)據(jù)將輸入到本研究提出的TSK子模糊分類器中,，接下來(lái)的部分中,，用
表示第l層子分類器的輸出，l = 1, 2, ..., 7,。
1)輸入層：預(yù)處理后的EEG特征數(shù)據(jù)可以表示為X = (x?, x?, ..., xn),，該層的數(shù)據(jù)是輸入數(shù)據(jù)，不參與計(jì)算：
其中i = 1, 2, ..., n表示第i個(gè)樣本,。
2)隸屬函數(shù)層：為了提高模型對(duì)數(shù)據(jù)的適應(yīng)能力,，該層將輸入數(shù)據(jù)映射到高斯隸屬函數(shù)。此外,，邏輯關(guān)系建模在模糊規(guī)則構(gòu)建中也起著重要作用,，這一層也實(shí)現(xiàn)了這一功能。對(duì)于EEG信號(hào)而言,，不同數(shù)據(jù)所表示的信息存在差異和相似性,。通過(guò)計(jì)算隸屬函數(shù)，可以識(shí)別不同數(shù)據(jù)之間的相似性和差異性,，從而提高模型的分類能力,。在這一層，使用高斯隸屬函數(shù)計(jì)算輸入數(shù)據(jù)的隸屬度值如下：
其中r是第r條模糊規(guī)則,，d是第d個(gè)特征,。
在TSK模糊分類器的模糊規(guī)則生成中，并非所有子分類器的規(guī)則都需要進(jìn)行后續(xù)計(jì)算,。因此,，本研究在CAI-TSK-FC的每個(gè)Op-TSK? (l = 1, 2, ..., L)中添加了一個(gè)特征選擇矩陣
。該矩陣的作用是控制每條模糊規(guī)則的后件計(jì)算,。其格式如下：“如果x?是低的且 
∧ x?是高的且
∧ x?是中等的且
∧ x?是非常低的且
∧ x?是低的且
,，則
屬于類別c。r = 1, 2, ..., R,。”當(dāng)
時(shí),，忽略第r條模糊規(guī)則的貢獻(xiàn),；只有當(dāng)
時(shí)才應(yīng)用該規(guī)則。此外,，本研究還添加了一個(gè)模糊規(guī)則矩陣
,。在這個(gè)矩陣中，每個(gè)元素的值隨機(jī)分配為0或1,，以決定每條模糊規(guī)則使用哪個(gè)高斯隸屬函數(shù),。例如，F(xiàn)RM[4, 2, 3] = 1表示第三條模糊規(guī)則中的第四個(gè)輸入特征使用“低”隸屬函數(shù),。
其中k是第k個(gè)高斯隸屬函數(shù)的中心值[0, 0.25, 0.5, 0.75, 1],。l表示第l層子分類器。
3)空間激發(fā)層：這一層的主要功能是計(jì)算空間激發(fā)強(qiáng)度,?；谇耙粚拥暮瘮?shù)計(jì)算，可以獲得輸入數(shù)據(jù)每個(gè)特征的隸屬度值,。傳統(tǒng)的空間激發(fā)強(qiáng)度是通過(guò)連續(xù)累積乘法方法計(jì)算的,。這種方法受到維度詛咒的影響，無(wú)法適應(yīng)高維數(shù)據(jù),，公式如下：
其中,，當(dāng)
的差異較小時(shí)，
會(huì)收斂到0,，此時(shí)
,。同樣，當(dāng)
時(shí),，即數(shù)據(jù)是高維的情況下,，
的值會(huì)非常大，導(dǎo)致溢出,。
在EEG信號(hào)分類任務(wù)中,，更多的數(shù)據(jù)可能會(huì)帶來(lái)更好的分類性能。為了解決這一問(wèn)題,，本研究修改了這一層的函數(shù),。公式如下：
為了使計(jì)算結(jié)果更加平滑，本研究將連續(xù)累積乘法方法改為求和公式,。這種方法仍然能夠很好地辨別各種數(shù)據(jù)差異,，同時(shí)保持原有功能。
4)歸一化層：在這一層中,，本研究對(duì)前一層的激發(fā)水平進(jìn)行歸一化處理,。由于
的結(jié)果始終為正，連續(xù)求和可能會(huì)產(chǎn)生飽和問(wèn)題,，因此進(jìn)行歸一化處理,。在后續(xù)計(jì)算中使用平均值,，并且在計(jì)算中，平均值的計(jì)算會(huì)是指數(shù)形式,。具體公式如下：
其中D是特征的數(shù)量,，R是模糊規(guī)則的數(shù)量。
5)批量歸一化（BN）層：BN是一種在深度學(xué)習(xí)中廣泛使用的優(yōu)化技術(shù),，被引入到TSK模糊分類優(yōu)化中,。它可以加快模型的收斂速度，并提高其泛化能力,。對(duì)于獲得的模糊規(guī)則樣本
的BN結(jié)果如下：
其中mB是樣本的均值,，σB是其標(biāo)準(zhǔn)差。γ和m是學(xué)習(xí)參數(shù),，?是一個(gè)小常數(shù)，用于防止分母為零,。
可以使用BN操作來(lái)優(yōu)化TSK模糊系統(tǒng),，因?yàn)椴煌瑢?shí)驗(yàn)對(duì)象之間的數(shù)據(jù)分布問(wèn)題。本研究通過(guò)對(duì)不同規(guī)則的激發(fā)水平計(jì)算均值和標(biāo)準(zhǔn)差,，使用BN操作獲得新的規(guī)則水平,。最后，使用新的規(guī)則水平計(jì)算分類結(jié)果,。
6)去模糊化層：這一層實(shí)現(xiàn)了使用最小學(xué)習(xí)機(jī)（LLM）計(jì)算后驗(yàn)參數(shù),。LLM是用于加速單層或多層前饋神經(jīng)網(wǎng)絡(luò)的訓(xùn)練速度的一種算法。假設(shè)R?, R?, ..., RL表示第l層子層隨機(jī)選擇的模糊規(guī)則,，β?, β?, ..., βL表示第l層的輸出權(quán)重,。對(duì)于訓(xùn)練集D = {X, T}，T是二分類問(wèn)題對(duì)應(yīng)的分類標(biāo)簽,。后驗(yàn)參數(shù)
,。
為了快速求解后驗(yàn)參數(shù)
，本研究提前確定子層的數(shù)量,，獲得前一層的輸出,，然后計(jì)算當(dāng)前層的參數(shù)。最后求解帶有給定常數(shù)C的嶺回歸問(wèn)題,，使用LLM算法快速求解：
如果用矩陣形式表示：
其中
,。因此，得到βL的解析公式為：
研究證明證明,，使用LLM算法的優(yōu)點(diǎn)是學(xué)習(xí)可以通過(guò)輸出層進(jìn)行,，而無(wú)需更多耗時(shí)的迭代操作。同時(shí),，本研究的重點(diǎn)是EEG,，即高維數(shù)據(jù),。如公式（14）所示，這種形式可以減少由于大量樣本數(shù)據(jù)而導(dǎo)致的許多復(fù)雜操作,。
C. 所有子分類器的線性組合
疲勞駕駛是一個(gè)連續(xù)的過(guò)程,，它會(huì)影響駕駛員的EEG信號(hào)。隨著時(shí)間序列的增加,，這些不確定性所導(dǎo)致的特征重要性會(huì)發(fā)生變化,。為了解決這一問(wèn)題，每個(gè)子分類器的輸入是由原始輸入空間的隨機(jī)投影和前一個(gè)子分類器生成的,。然而,，每個(gè)子分類器所學(xué)習(xí)到的特征仍然存在不確定性。因此,，為了確保更好的整體分類結(jié)果,，建議對(duì)多個(gè)子分類器進(jìn)行線性組合。
在CAI-TSK-FC中,，訓(xùn)練從零階子分類器Op-TSK?開(kāi)始,，它以原始數(shù)據(jù)作為輸入。初始假設(shè)是Op-TSK?僅包含五條模糊規(guī)則,，其輸出為Y?,，這與后續(xù)高層子分類器不同。接下來(lái),，CAI-TSK-FC將輸入提供給下一個(gè)TSK子分類器,。當(dāng)?shù)谝粚拥腡SK子分類器未能達(dá)到預(yù)期結(jié)果時(shí)，CAI-TSK-FC將使用當(dāng)前層的輸入和輸出來(lái)形成下一層的輸入,，并隨機(jī)選擇當(dāng)前層的一條模糊規(guī)則來(lái)計(jì)算下一層的模糊規(guī)則,。此時(shí)，輸入為
,。如果第l層的TSK子分類器未能達(dá)到所需的性能,，則CAI-TSK-FC將繼續(xù)訓(xùn)練第l + 1層的數(shù)據(jù)，并重復(fù)該過(guò)程,，直到在第L層獲得預(yù)期結(jié)果,。
如果用Y?, Y?, Y?, ..., YL表示所有子分類器基于輸入數(shù)據(jù)的輸出，則最后一層的輸出為：
其中
是每層的組合系數(shù),?？紤]以下因素：
1)
應(yīng)盡可能接近真實(shí)標(biāo)簽；
2)第一層的輸出應(yīng)與真實(shí)標(biāo)簽進(jìn)行正則化,；
3)第二層及后續(xù)子分類器的輸出應(yīng)盡可能接近前一層的最大輸出,。
公式如下：
其中ε和ξ是兩個(gè)正則化系數(shù)。它們可以手動(dòng)設(shè)置并自動(dòng)調(diào)整。上述公式等價(jià)于：
其中
,，
,，
。
對(duì)λ求導(dǎo)并令其導(dǎo)數(shù)為零,，可以得到λ的解析解：
可以得到λ的解析解如下：
實(shí)驗(yàn)結(jié)果
本文的實(shí)驗(yàn)基于SEED-VIG公開(kāi)數(shù)據(jù)集和自制數(shù)據(jù)集,。本研究將CAI-TSK-FC與其他五種基于EEG的TSK模糊系統(tǒng)分類器進(jìn)行了比較，包括FS-FCSVM,、MV-TSKFC,、MV-TSK-FS-HSIC、TSK-JDA-FLS和TSK-TL,。在所有TSK模糊系統(tǒng)模型中將模糊規(guī)則的數(shù)量設(shè)置為5,，并將層數(shù)的初始值設(shè)置為3。
本研究將數(shù)據(jù)集隨機(jī)劃分為20%的測(cè)試集和80%的訓(xùn)練集,，并進(jìn)行了五折交叉驗(yàn)證,，使用平均結(jié)果來(lái)評(píng)估性能。準(zhǔn)確率,、召回率,、特異性、精確率和F1分?jǐn)?shù)被用作分類性能指標(biāo),。
A.分類結(jié)果
表1和表2分別展示了上述方法在自制數(shù)據(jù)集和SEED-VIG公開(kāi)數(shù)據(jù)集上的分類結(jié)果。
表1 自制數(shù)據(jù)集上不同方法的檢測(cè)結(jié)果對(duì)比
表2 SEED-VIG數(shù)據(jù)集上不同方法的檢測(cè)結(jié)果對(duì)比
可以看出,，CAI-TSK-FC模型具有優(yōu)越的分類性能,。與次優(yōu)方法相比，CAI-TSK-FC在自制數(shù)據(jù)集和SEED-VIG公開(kāi)數(shù)據(jù)集上的準(zhǔn)確率分別提高了3.15%和1.52%,。這表明CAI-TSK-FC具有較高的識(shí)別性能,，主要原因如下：
1)CAI-TSK-FC采用深度集成框架，能夠獲取更多的數(shù)據(jù)特征信息,，從而更全面地區(qū)分不同的疲勞狀態(tài),。此外，CAI-TSK-FC在每一層中保留了一份模糊規(guī)則,，并將其添加到下一層,。
2)提出的CAI-TSK-FC優(yōu)化了每個(gè)子分類器中的原始TSK模糊系統(tǒng)，并引入了批量歸一化（BN）和最小學(xué)習(xí)機(jī)（LLM）,，以提高模型的計(jì)算能力,。
為了全面評(píng)估模型的分類性能，圖4和圖5中分別展示了兩個(gè)數(shù)據(jù)集中每個(gè)受試者的分類準(zhǔn)確率,。
圖4 自制數(shù)據(jù)集中14名受試者的準(zhǔn)確率對(duì)比
圖5 SEED-VIG數(shù)據(jù)集中14名受試者的準(zhǔn)確率對(duì)比
可以看出,，CAI-TSK-FC分類器在不同受試者之間具有顯著優(yōu)勢(shì)。基線模型FS-FCSVM的分類效果最低,。對(duì)于自制數(shù)據(jù)集,，第二名受試者的分類性能低于其他受試者，而第八名受試者的分類效果較高,。對(duì)于SEED-VIG公開(kāi)數(shù)據(jù)集,，第三名受試者的分類效果低于其他受試者，而第四名受試者的分類效果優(yōu)于其他受試者,。這表明不同模型在個(gè)體受試者之間存在差異,。上述結(jié)果表明，基于EEG的駕駛疲勞分類在不同受試者之間具有良好的效果,。
B.不平衡數(shù)據(jù)集的評(píng)估結(jié)果
接收者操作特征（ROC）曲線可以直觀地反映分類器的性能,，并提供在不同閾值下的性能比較，因此可以用來(lái)評(píng)估分類器在不平衡數(shù)據(jù)集上的性能,。本研究使用測(cè)試集的預(yù)測(cè)結(jié)果計(jì)算真正例（TP）,、假正例（FP）、真負(fù)例（TN）和假負(fù)例（FN）,，然后繪制ROC曲線,，并計(jì)算G均值和曲線下面積（AUC）值。
圖6和表3顯示了本研究的方法在ROC曲線上的表現(xiàn)良好,。
圖6 自制數(shù)據(jù)集上不同方法的ROC曲線
表3 自制數(shù)據(jù)集上不同方法的AUC和G均值
此外,，AUC值和G均值分別為0.9046和0.8197，也高于其他方法,。同時(shí),，本研究的模型在公開(kāi)數(shù)據(jù)集上的表現(xiàn)更好。不平衡數(shù)據(jù)集對(duì)模型效果的影響主要是由于學(xué)習(xí)資源不足以及正負(fù)樣本之間的差異較大,。為了解決這一問(wèn)題,，本研究利用改進(jìn)的零階TSK模糊系統(tǒng)提取關(guān)鍵特征，并積累多層模糊規(guī)則,，增強(qiáng)模型的學(xué)習(xí)資源,。此外，在訓(xùn)練過(guò)程中使用BN來(lái)壓縮錯(cuò)誤信息的積累,。最后,，通過(guò)線性組合減少每個(gè)模塊提取的錯(cuò)誤信息的權(quán)重，從而實(shí)現(xiàn)更有效的分類,。這種方法導(dǎo)致AUC和G均值得分的提高,。同樣，圖7和表4也驗(yàn)證了本研究的結(jié)果,。
圖7 SEED-VIG數(shù)據(jù)集上不同方法的ROC曲線
表4 SEED-VIG數(shù)據(jù)集上不同方法的AUC和G均值
總之,，本研究的方法在解決不平衡問(wèn)題方面優(yōu)于其他比較方法,。
C.不同場(chǎng)景下的實(shí)驗(yàn)效果
根據(jù)受試者的實(shí)驗(yàn)結(jié)果，不同場(chǎng)景下的數(shù)據(jù)不平衡程度存在差異,。表5顯示了14名受試者的正負(fù)樣本數(shù)量,。表5表明，三種場(chǎng)景下的正負(fù)樣本數(shù)量存在顯著差異,，同時(shí)也表明不同場(chǎng)景下不平衡問(wèn)題的嚴(yán)重程度不同,。
表5 不同場(chǎng)景下正負(fù)樣本的數(shù)量
在本實(shí)驗(yàn)中，每種比較方法均進(jìn)行了十折交叉驗(yàn)證,，并計(jì)算平均準(zhǔn)確率以評(píng)估其分類效果,。圖8中的柱狀圖顯示了六種比較方法在三種不同場(chǎng)景下的分類效果。
圖8 不同場(chǎng)景下六種方法的分類準(zhǔn)確率
本研究的方法的分類效果優(yōu)于其他任何方法,。根據(jù)圖8可以看到,，在LS場(chǎng)景下的準(zhǔn)確率略低于其他兩種場(chǎng)景。這可能是由于受試者在開(kāi)放道路場(chǎng)景下的疲勞程度較低,，且其數(shù)據(jù)集的不平衡性較為明顯,，導(dǎo)致模型學(xué)習(xí)資源不足。然而,，本研究提出的CAI-TSK-FC仍然表現(xiàn)良好,，這表明本研究采用的深度集成結(jié)構(gòu)能夠緩解這一問(wèn)題。
D.可解釋性
為了更好地展示CAI-TSK-FC的可解釋性,，在表6中列出了自制數(shù)據(jù)集第二層中每個(gè)子分類器的兩條可解釋規(guī)則,。
表6 CAI-TSK-FC在自制數(shù)據(jù)集第二層的模糊規(guī)則可解釋性結(jié)果
其中，F(xiàn)1,、F2和F25表示原始數(shù)據(jù)集的特征,，F(xiàn)26表示前一層的輸出特征。當(dāng)把輸入特征劃分為五個(gè)模糊子集時(shí),，它們的語(yǔ)義可以解釋為非常低（VL）、低（L）,、中等（M）,、高（H）和非常高（VH）。每一行都可以轉(zhuǎn)換為具有非線性部分的模糊規(guī)則,。例如,，根據(jù)公式（7），第二層的五條模糊規(guī)則如表6所示,。
圖9 當(dāng)層數(shù)為3時(shí),，模型的模糊規(guī)則可解釋性結(jié)果展示
如圖9所示，經(jīng)過(guò)預(yù)處理后,，EEG信號(hào)數(shù)據(jù)在第二層有25個(gè)特征,。在第一層輸出后，增加了1-D特征，特征數(shù)量增加到26個(gè),。同時(shí),，本研究使用前一層的模糊規(guī)則對(duì)當(dāng)前層進(jìn)行累積計(jì)算，并使用公式（13）得到當(dāng)前層的分類結(jié)果,。為了在每個(gè)TSK子分類器中展示易于理解的輸出表達(dá)式,，在表VI中詳細(xì)列出了CAI-TSK-FC結(jié)構(gòu)的前三層的前五條模糊規(guī)則。隨機(jī)生成的模糊規(guī)則是所涉及特征的總和,，包括特征空間中的模糊劃分,。FRM和FDM分別表示規(guī)則生成矩陣和特征選擇矩陣。以L=1的第一條FRM為例,，F(xiàn)RM[1,4,1]=1表示第一條模糊規(guī)則中第一個(gè)特征的高斯隸屬函數(shù)中心為非常高（VH）,，而FDM[5,1]=1表示第一條模糊規(guī)則中第五個(gè)輸入特征被選中進(jìn)入下一步計(jì)算，否則跳過(guò)該特征的計(jì)算,。其他層的模糊規(guī)則具有類似的含義,。
圖10 模糊隸屬矩陣特征的可視化
此外，本研究還可視化了模糊隸屬矩陣特征的前三個(gè)特征,，如圖10所示,。在模糊隸屬矩陣特征的可視化中，三個(gè)特征分別表示為x軸,、y軸和z軸,。根據(jù)這三個(gè)特征的值，確定每個(gè)樣本在3-D空間中的位置,。例如,，如果一個(gè)樣本在特征1上值較高，在特征2上值較低,，在特征3上值中等,，則其在3-D圖中的位置可能更靠近x軸的頂部、y軸的底部和z軸的中部,。這個(gè)3-D圖解釋了基于這三個(gè)特征的樣本分布,。還可以根據(jù)點(diǎn)的顏色和大小確定樣本在模糊集合中的隸屬度，紅色表示值為1,，藍(lán)色表示值為0,。樣本點(diǎn)在特征上的值越大，其對(duì)結(jié)果的影響就越大,。
例如,，在圖9中，第二層的FRM第一條模糊規(guī)則顯示,，第一條模糊規(guī)則中的第一個(gè)和第二個(gè)特征采用高斯隸屬函數(shù)中的非常高（VH）,。第26個(gè)特征采用高斯隸屬函數(shù)中的高（H）,。同樣，第二條,、第三條,、第四條和第五條模糊規(guī)則也可以進(jìn)行解釋。根據(jù)上述內(nèi)容,，可以看到CAI-TSK-FC具有良好的可解釋性,。
上述實(shí)驗(yàn)結(jié)果證實(shí)，本研究提出的CAI-TSK-FC在預(yù)測(cè)駕駛疲勞方面具有良好的分類效果,、泛化能力和高可解釋性,，能夠應(yīng)對(duì)不同場(chǎng)景下的問(wèn)題。
總結(jié)
本研究提出了一種基于腦電信號(hào)的綜合自適應(yīng)可解釋Takagi-Sugeno-Kang模糊分類器（CAI-TSK-FC）,，用于疲勞駕駛檢測(cè),。該方法通過(guò)以下策略實(shí)現(xiàn)顯著的效果檢測(cè)：
盡管該方法在跨受試者和場(chǎng)景分類中表現(xiàn)良好,，但在噪聲數(shù)據(jù)處理和模型性能方面仍有改進(jìn)空間,。未來(lái)研究將探索如何適應(yīng)原始數(shù)據(jù)集，以提升實(shí)時(shí)分類能力,。
撰稿人：陳天健
審稿人：邱麗娜
