《表1 支持向量机分类识别》
由于采集的眼睛和嘴巴特征的数据并不具有规律性,所以此类问题属于非线性分类问题。根据特征发生变化的时间点区分清醒与疲劳状态,将识别出的眼睛的疲劳特征和嘴部的疲劳特征分类为疲劳状态,分类标签为1;选取EAR值平稳波动在高于0.3范围内、MAR值平稳波动在低于0.9范围内的1min作为与疲劳特征相反的清醒特征,将它们分类为清醒状态,分类标签为0。分别从清醒和疲劳状态中随机选取140组数据作为实验样本,每个样本中都包含有EAR值和MAR值。本文采用的向量机模型选用高斯核(Radial Basis Function,RBF)函数,选取惩罚因子C为7,参数degree的值为6,然后随机选取实验样本中的70组样本作为训练集对SVM进行训练得到分类模型,使用分类模型对剩余的70组样本进行测试,识别结果如表1所示。按上述步骤再做一组对比实验,只采用EAR值,向量机的识别率为82%;只采用MAR值,向量机的识别率为73%。而表1得出的采用EAR值和MAR值综合分类的识别率为84.29%。由此可见,将两种特征融合能提高模型识别率。
图表编号 | XD00129330200 严禁用于非法目的 |
---|---|
绘制时间 | 2020.04.01 |
作者 | 刘梦佳、赵建国 |
绘制单位 | 郑州大学机械与动力工程学院、郑州大学机械与动力工程学院 |
更多格式 | 高清、无水印(增值服务) |