基于改进MFCC融合特征及FA-PNN的驾驶员路怒情绪识别

摘要：

现今关于驾驶员路怒情绪识别方法中语音特性分析相对较少,该研究以路怒情绪为研究对象,利用模拟驾驶系统建立数据集,通过分析驾驶员语音的频谱特征,将时域中短时能量及短时过零率特征参数和改进Mel频率倒谱系数(Mel frequency cepstral coefficients,MFCC)特征参数融合构成特征参数向量,利用萤火虫算法(firefly algorithm,FA)优化PNN神经网络(probabilistic neural networks)并构建识别模型,实现驾驶员路怒情绪的识别.实验结果表明,在相同神经网络下,改进MFCC融合特征提取方法相比传统MFCC特征提取方法具有更好的抗噪性.同时,FA-PNN模型的识别准确率为93.0％,相比传统PNN模型提高了11个百分点;F1-Score值为0.9328,提高了0.1047.该研究论证了语音信号处理技术对驾驶员路怒情绪识别的可行性,为汽车主动安全驾驶预警研究提供了新方法.

关键词：路怒情绪、语音信号处理、FA-PNN、改进MFCC、特征融合

所属期刊栏目：59

分类号：TN912.34

资助基金：山东省自然科学基金项目;山东省智能绿色制造技术与装备协同创新中心开放基金;青岛市创业创新领军人才计划;国家重点研发计划

在线出版日期：2023-02-09（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：306-313