552
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)計算機學(xué)院科研團(tuán)隊的郜東瑞為此論文的第一作者,。成都信息工程大學(xué)計算機學(xué)院科研團(tuán)隊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,。然而，EEG信號存在數(shù)據(jù)分布不平衡,、個體間差異顯著以及場景復(fù)雜等問題,，這些都會影響檢測效果。輸入對象之間的微小共性可以被解釋為整個樣本的重要信息,。因此,，為了盡可能保留信息，本研究設(shè)計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子分類器的特征,，緩解數(shù)據(jù)集不平衡問題,，還可以通過隨機保留模糊規(guī)則和歸一化減少錯誤信息的積累。最終,，本研究將多個子分類器的結(jié)果線性組合,，綜合考慮多個子分類器的學(xué)習(xí)效果,，以適應(yīng)不同個體和數(shù)據(jù)集。在自制數(shù)據(jù)集和公共數(shù)據(jù)集上的實驗表明,，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,。而開發(fā)一種有效的算法來檢測駕駛員的疲勞狀態(tài)已成為減少交通事故發(fā)生的一種手段,。早期的疲勞檢測算法可分為主觀檢測方法和客觀檢測方法,。主觀檢測方法受到個體意愿和判斷的極大影響，缺乏足夠的說服力,；客觀檢測方法包括生理信號,、面部特征和車輛軌跡。面部特征和車輛軌跡計算分別受到光照和駕駛員技術(shù)的影響,。使用生理信號進(jìn)行分析可以避免上述問題,。在生理信號中，腦電圖（EEG）信號能夠捕捉有關(guān)神經(jīng)生理腦活動的信息,，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)方法來表征疲勞狀態(tài)下的EEG信號，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，Takagi-Sugeno-Kang（TSK）模糊系統(tǒng)在EEG領(lǐng)域展現(xiàn)了獨特的能力,，但仍存在一些限制,，具體如下：
1)EEG信號容易受到復(fù)雜環(huán)境的影響，不同場景下EEG信號的特征存在差異,，這限制了模型的泛化能力,。
2)疲勞駕駛過程中產(chǎn)生的EEG數(shù)據(jù)存在采樣不平衡，正負(fù)EEG采樣差異對模型預(yù)測精度的影響尚未明確,。
3)傳統(tǒng)的堆疊TSK模糊分類器會持續(xù)積累錯誤信息,，從而影響后續(xù)層的特征提取效果。
為了解決這些問題,，本研究提出了一種新的用于檢測疲勞的方法,，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,，以解決不平衡帶來的學(xué)習(xí)資源不足問題,。此外,，為了減少錯誤信息的積累，本研究開發(fā)了模糊規(guī)則隨機保留和線性組合方法,，以增強模型的自適應(yīng)性能,，同時將錯誤信息對結(jié)果的影響降至最低。本研究的模型通過整合低階TSK模糊系統(tǒng)實現(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)的語言規(guī)則可解釋性來提高可解釋性，減少深度學(xué)習(xí)“黑箱問題”的影響,。
方法
作為一種非平穩(wěn)信號,，EEG對生理和環(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_定性問題，因此本研究將其用于信號分類,。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)處理是一個包含濾波和模糊化兩個步驟的過程，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，并計算此時的分類性能,。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輸入到下一個子分類器，進(jìn)行多個子分類器結(jié)果的線性組合,。這一過程會不斷循環(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）對數(shù)據(jù)進(jìn)行降維處理,，最后使用模糊C均值方法（FCM）對獲得的數(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,，
是通過高斯隸屬函數(shù)計算的模糊規(guī)則的結(jié)果，
是通過模糊規(guī)則標(biāo)準(zhǔn)化后的模糊隸屬函數(shù),，μr(x)是通過模糊規(guī)則的前件部分經(jīng)過模糊化運算得到的,，即：
其中，
可以通過高斯函數(shù)計算模糊隸屬函數(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,。
本研究使用五個高斯隸屬函數(shù)來表示每條模糊規(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模糊分類器對某些不平衡樣本的識別率較低,。為了解決這一問題，本研究提出了一個優(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模糊分類器的計算過程。
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)，不參與計算：
其中i = 1, 2, ..., n表示第i個樣本,。
2)隸屬函數(shù)層：為了提高模型對數(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,，這一層也實現(xiàn)了這一功能。對于EEG信號而言,，不同數(shù)據(jù)所表示的信息存在差異和相似性,。通過計算隸屬函數(shù)，可以識別不同數(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)計算,。因此,，本研究在CAI-TSK-FC的每個Op-TSK? (l = 1, 2, ..., L)中添加了一個特征選擇矩陣
。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,，忽略第r條模糊規(guī)則的貢獻(xiàn)；只有當(dāng)
時才應(yīng)用該規(guī)則。此外,，本研究還添加了一個模糊規(guī)則矩陣
,。在這個矩陣中，每個元素的值隨機分配為0或1,，以決定每條模糊規(guī)則使用哪個高斯隸屬函數(shù),。例如，F(xiàn)RM[4, 2, 3] = 1表示第三條模糊規(guī)則中的第四個輸入特征使用“低”隸屬函數(shù),。
其中k是第k個高斯隸屬函數(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算空間激發(fā)強度,?；谇耙粚拥暮瘮?shù)計算，可以獲得輸入數(shù)據(jù)每個特征的隸屬度值,。傳統(tǒng)的空間激發(fā)強度是通過連續(xù)累積乘法方法計算的,。這種方法受到維度詛咒的影響，無法適應(yīng)高維數(shù)據(jù),，公式如下：
其中,，當(dāng)
的差異較小時，
會收斂到0,，此時
,。同樣，當(dāng)
時,，即數(shù)據(jù)是高維的情況下,，
的值會非常大，導(dǎo)致溢出,。
在EEG信號分類任務(wù)中，更多的數(shù)據(jù)可能會帶來更好的分類性能,。為了解決這一問題,，本研究修改了這一層的函數(shù)。公式如下：
為了使計算結(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，同時保持原有功能,。
4)歸一化層：在這一層中,，本研究對前一層的激發(fā)水平進(jìn)行歸一化處理。由于
的結(jié)果始終為正,，連續(xù)求和可能會產(chǎn)生飽和問題,，因此進(jìn)行歸一化處理。在后續(xù)計算中使用平均值，并且在計算中,，平均值的計算會是指數(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),，?是一個小常數(shù)，用于防止分母為零,。
可以使用BN操作來優(yōu)化TSK模糊系統(tǒng),，因為不同實驗對象之間的數(shù)據(jù)分布問題。本研究通過對不同規(guī)則的激發(fā)水平計算均值和標(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)則水平計算分類結(jié)果,。
6)去模糊化層：這一層實現(xiàn)了使用最小學(xué)習(xí)機（LLM）計算后驗參數(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層子層隨機選擇的模糊規(guī)則,，β?, β?, ..., βL表示第l層的輸出權(quán)重,。對于訓(xùn)練集D = {X, T}，T是二分類問題對應(yīng)的分類標(biāo)簽,。后驗參數(shù)
,。
為了快速求解后驗參數(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)點是學(xué)習(xí)可以通過輸出層進(jìn)行,，而無需更多耗時的迭代操作。同時,，本研究的重點是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
疲勞駕駛是一個連續(xù)的過程,，它會影響駕駛員的EEG信號。隨著時間序列的增加,，這些不確定性所導(dǎo)致的特征重要性會發(fā)生變化,。為了解決這一問題，每個子分類器的輸入是由原始輸入空間的隨機投影和前一個子分類器生成的,。然而,，每個子分類器所學(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,，建議對多個子分類器進(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,，CAI-TSK-FC將輸入提供給下一個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，CAI-TSK-FC將使用當(dāng)前層的輸入和輸出來形成下一層的輸入,，并隨機選擇當(dāng)前層的一條模糊規(guī)則來計算下一層的模糊規(guī)則,。此時，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),。考慮以下因素：
1)
應(yīng)盡可能接近真實標(biāo)簽,；
2)第一層的輸出應(yīng)與真實標(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是兩個正則化系數(shù),。它們可以手動設(shè)置并自動調(diào)整,。上述公式等價于：
其中
,，
，
,。
對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：
實驗結(jié)果
本文的實驗基于SEED-VIG公開數(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)集隨機劃分為20%的測試集和80%的訓(xùn)練集,，并進(jìn)行了五折交叉驗證，使用平均結(jié)果來評估性能,。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結(jié)果對比
表2 SEED-VIG數(shù)據(jù)集上不同方法的檢測結(jié)果對比
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（LLM）,，以提高模型的計算能力。
為了全面評估模型的分類性能,，圖4和圖5中分別展示了兩個數(shù)據(jù)集中每個受試者的分類準(zhǔn)確率,。
圖4 自制數(shù)據(jù)集中14名受試者的準(zhǔn)確率對比
圖5 SEED-VIG數(shù)據(jù)集中14名受試者的準(zhǔn)確率對比
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?；€模型FS-FCSVM的分類效果最低,。對于自制數(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,。對于SEED-VIG公開數(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，因此可以用來評估分類器在不平衡數(shù)據(jù)集上的性能,。本研究使用測試集的預(yù)測結(jié)果計算真正例（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,，本研究的模型在公開數(shù)據(jù)集上的表現(xiàn)更好。不平衡數(shù)據(jù)集對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,，增強模型的學(xué)習(xí)資源,。此外，在訓(xùn)練過程中使用BN來壓縮錯誤信息的積累,。最后,，通過線性組合減少每個模塊提取的錯誤信息的權(quán)重，從而實現(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題方面優(yōu)于其他比較方法。
C.不同場景下的實驗效果
根據(jù)受試者的實驗結(jié)果,，不同場景下的數(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,，三種場景下的正負(fù)樣本數(shù)量存在顯著差異,，同時也表明不同場景下不平衡問題的嚴(yán)重程度不同。
表5 不同場景下正負(fù)樣本的數(shù)量
在本實驗中,，每種比較方法均進(jìn)行了十折交叉驗證,，并計算平均準(zhǔn)確率以評估其分類效果。圖8中的柱狀圖顯示了六種比較方法在三種不同場景下的分類效果,。
圖8 不同場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場景下的準(zhǔn)確率略低于其他兩種場景,。這可能是由于受試者在開放道路場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模糊子集時,，它們的語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,，模型的模糊規(guī)則可解釋性結(jié)果展示
如圖9所示，經(jīng)過預(yù)處理后,，EEG信號數(shù)據(jù)在第二層有25個特征,。在第一層輸出后，增加了1-D特征,，特征數(shù)量增加到26個,。同時,，本研究使用前一層的模糊規(guī)則對當(dāng)前層進(jìn)行累積計算，并使用公式（13）得到當(dāng)前層的分類結(jié)果,。為了在每個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)則中第五個輸入特征被選中進(jìn)入下一步計算，否則跳過該特征的計算,。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特征,，如圖10所示,。在模糊隸屬矩陣特征的可視化中，三個特征分別表示為x軸,、y軸和z軸,。根據(jù)這三個特征的值，確定每個樣本在3-D空間中的位置,。例如,，如果一個樣本在特征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3-D圖解釋了基于這三個特征的樣本分布,。還可以根據(jù)點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,。樣本點在特征上的值越大，其對結(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)則中的第一個和第二個特征采用高斯隸屬函數(shù)中的非常高（VH）,。第26個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,。
上述實驗結(jié)果證實，本研究提出的CAI-TSK-FC在預(yù)測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)對不同場景下的問題,。
總結(jié)
本研究提出了一種基于腦電信號的綜合自適應(yīng)可解釋Takagi-Sugeno-Kang模糊分類器（CAI-TSK-FC）,，用于疲勞駕駛檢測。該方法通過以下策略實現(xiàn)顯著的效果檢測：
盡管該方法在跨受試者和場景分類中表現(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。未來研究將探索如何適應(yīng)原始數(shù)據(jù)集,，以提升實時分類能力,。
撰稿人：陳天健
審稿人：邱麗娜
