近日，伪逆学习算法在智能交通领域的应用研究取得进展，该成果在线发表在智能交通领域TOP期刊IEEE Transactions on Intelligent Transportation Systems，论文题为“An Ensemble Classification Model With Unsupervised Representation Learning for Driving Stress Recognition Using Physiological Signals”。

随着家用汽车保有量不断增长，交通安全问题日益突出。据世界卫生组织（WHO）2018年发布的数据，每年约有135万人死于道路交通事故。交通事故已成为5-29岁年龄段儿童和青年人死亡的主要原因。驾驶员的不当驾驶行为是导致交通事故的主要原因之一，因此提高驾驶安全性的一个重要途径是发展高级驾驶辅助系统（Advanced Driving Assistance System--ADAS），利用各种车载传感器收集驾驶员的状态数据，并借助人工智能技术，识别驾驶员的异常状态，增加车辆驾驶的安全性和舒适性。

驾驶员的状态一般包括压力、疲劳、困倦、走神等具体的精神因素。在这些因素中，驾驶压力是一种常用的、与驾驶安全密切相关的因素。理论上，驾驶表现与驾驶压力符合Yerkes-Dodson定律，即表现与压力的关系呈倒U形曲线，因此可以通过检测压力状态识别异常驾驶状态。驾驶压力检测可以通过不同模态的数据实现，其中视觉数据、车辆动力学数据和驾驶员生理信号是最为常用的几种数据。传统的基于驾驶员生理信号的压力检测模型需要人工进行特征提取和选择，这种特征一般为简单的统计特征或依赖专家知识的领域特征，存在有效性差及依赖人工干预的问题。

为了解决该问题，我们提出了一种如图1所示的融合了伪逆学习和集成学习的混合模型，通过基于伪逆学习算法的堆栈自编码器神经网络实现无监督的特征学习，通过集成学习技术进一步提升压力状态识别的可靠性。我们提出的模型不需要人工的特征提取和选择，可以直接从生理信号中学习特征，实现端到端的预测。另外，我们提出的模型是一种数据驱动的准自动机器学习模型，可以根据数据的具体特性指导神经网络架构的设计，简化超参数调试，显著降低了模型部署的技术门槛。在真实驾驶环境下的数据集Stress Recognition in Automobile Drivers (SRAD)上的实验结果表明，我们方法能够在仅使用一种生理信号（左脚皮电信号）的情况下，实现接近或超过SOTA方法的识别精度，从而降低了系统部署的成本和对驾驶舒适性的影响。另外，我们的模型还能够降低不均衡数据集对模型表现造成的不利影响。

图1 驾驶压力状态识别模型框架图

该项工作第一作者是目前在郑州大学人工智能前沿与交叉研究中心工作的王可博士。该研究由国家重点研发计划项目（No.2018AAA0100203）和国家自然科学基金委员会与中国科学院天文联合基金重点支持资助项目(U1531242)资助。

IEEE Transactions on Intelligent Transportation Systems是智能交通研究领域的TOP期刊，是中国计算机学会推荐的交叉/综合/新兴领域B类期刊，最新影响因子为5.744。

论文地址：https://ieeexplore.ieee.org/document/9040898/