考虑噪声标签影响的驾驶员精神负荷状态评价

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。