⚡ electrical engineering

Physiologically Grounded Driver Behavior Classification: SHAP-Driven Elite Feature Selection and Hybrid Gradient Boosting for Multimodal Physiological Signals

Deze studie stelt een interpreteerbaar, multimodaal raamwerk voor dat SHAP-gedreven featureselectie, Bayes-geoptimaliseerde gradient boosting-modellen en een gewogen ensemble combineert om een nauwkeurigheid van 80,91% te bereiken bij het classificeren van rijgedrag uit gesynchroniseerde EEG-, EMG- en GSR-signalen, waarmee aanzienlijke prestatiewinst ten opzichte van single-modality-benaderingen wordt aangetoond.

Oorspronkelijke auteurs: Sahar Askari, Mohammad Mahdi Mirza Ali Mohammadi, Fatemeh Ensafdoust, Amin Golnari, Saeid Sanei

Gepubliceerd 2026-05-07

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Sahar Askari, Mohammad Mahdi Mirza Ali Mohammadi, Fatemeh Ensafdoust, Amin Golnari, Saeid Sanei

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je probeert uit te vinden wat een bestuurder als volgende gaat doen—zoals remmen, het stuur draaien of versnellen. Meestal kijken we naar de auto: vertraagt hij? Beweegt het stuur? Maar dit artikel stelt een slimmere manier voor: luister naar het lichaam van de bestuurder voordat de auto zelfs maar beweegt.

De onderzoekers bouwden een "digitale detective" die drie verschillende soorten biologische signalen van het lichaam van een bestuurder leest om hun volgende zet te raden. Hier is hoe ze dat deden, eenvoudig uitgelegd:

1. De Drie "Sensoren" (Het Team)

In plaats van slechts één camera of één sensor, gebruikte het team een trio biologische "spionnen" die samenwerken:

Het Brein (EEG): Als een high-speed microfoon die de gedachten en focus van de bestuurder opvangt. Het vertelt ons wat de bestuurder van plan is te doen.
De Spieren (EMG): Als een spanningsmeter op de armen en benen van de bestuurder. Het detecteert de fysieke twitch of voorbereiding om een pedaal in te trappen of het stuur te draaien.
Het Zweet (GSR): Als een stressalarm. Het meet hoe "springerig" of opgewonden de bestuurder is (bijvoorbeeld bij het voorbereiden op een plotselinge stop).

De Analogie: Stel je voor dat je probeert te raden of een vriend binnenkort van een duikplank gaat springen.

Kijken naar het zwembad (de auto) vertelt je dat ze misschien springen.
Luisteren naar hun brein (EEG) vertelt je dat ze nadenken over het springen.
Voelen van hun spieren (EMG) vertelt je dat hun benen opspannen.
Controleren van hun zweet (GSR) vertelt je dat ze opgewonden of nerveus zijn.
Het artikel stelt dat je alle vier stukjes informatie nodig hebt om 100% zeker te zijn.

2. De Rommelige Data Schoonmaken (Preprocessing)

Signalen uit het echte leven zijn rommelig. Het hoofd van een bestuurder beweegt, ze knipperen en elektrische ruis interfereert.

De Filter: De onderzoekers gebruikten een geavanceerde "ruisreducerende koptelefoon"-techniek (genaamd ICA) om de statische ruis weg te halen en alleen de pure hersen- en spiersignalen over te houden.
Het Venster: Ze keken niet naar de hele dag; ze keken naar tiny 2-seconden "snippers" direct voor en na een rijactie, alsof je naar een foto kijkt net voor een niezen.

3. De Beste Clues Kiezen (Feature Selection)

Het systeem vond aanvankelijk meer dan 500 verschillende clues (kenmerken) in de data. Dat is te veel voor een computer om snel te verwerken, en het zou kunnen verwarren door nutteloze ruis.

Het Notitieboek van de Detective (SHAP): Ze gebruikten een slimme tool genaamd SHAP om te vragen: "Welke clues tellen eigenlijk echt?"
De Snede: Ze gooiden de zwakke clues weg en hielden alleen de top 250 belangrijkste vast. Dit is alsof een detective 500 irrelevante getuigen negeert en zich alleen richt op de 250 die het misdrijf zagen.

4. Het Breinvertrouwen (Het Ensemble)

In plaats van één computerprogramma te gebruiken om de gok te maken, bouwden ze een "comité" van twee krachtige AI-modellen: XGBoost en LightGBM.

De Strategie: Denk aan deze als twee expertrechter. De ene is geweldig in het opsporen van patronen in complexe data, en de andere is geweldig in snelheid en het afhandelen van grote lijsten.
De Stem: Ze laten niet gewoon één rechter beslissen. Ze nemen een gewogen stemming. In dit geval had de "LightGBM"-rechter een iets luider stem (65% van de stem), terwijl de "XGBoost"-rechter 35% had. Samen bereikten ze een consensus.

5. De Resultaten: Werkte Het?

Het team testte dit systeem op een enorme dataset van 30 bestuurders die vier acties uitvoerden: Remmen, Van baan veranderen, Versnellen en Draaien.

De Score: Het team had het 80,91% van de tijd goed.
De Vergelijking:
- Als ze alleen de hersensignalen (EEG) gebruikten, hadden ze ongeveer 73% goed.
- Als ze alleen de spiersignalen gebruikten, hadden ze ongeveer 60% goed.
- Als ze alleen de zweetsignalen gebruikten, hadden ze ongeveer 40% goed.
- De Les: Door alle drie te combineren, werd het systeem aanzienlijk slimmer. Het is als een puzzel: je kunt het niet oplossen met slechts één stukje.

6. Waarom Het Logisch Is (Interpreteerbaarheid)

Een van de grootste problemen met AI is dat het een "black box" is—je weet niet waarom het een beslissing nam. Dit artikel loste dat op.

Het Bewijs: Het systeem legde zijn eigen logica uit. Het toonde aan dat bij het voorspellen van een Rem, het zwaar leunde op het "stressalarm" (GSR) en hersengolven. Bij het voorspellen van een Draai, keek het nauwkeurig naar de "spierspanning" (EMG) om te zien of de bestuurder naar links of rechts leunde.
De Conclusie: De AI raadt niet zomaar; het gebruikt echte, biologische logica die overeenkomt met hoe menselijke lichamen daadwerkelijk werken.

Samenvatting

Dit artikel presenteert een nieuwe, transparante manier om te voorspellen wat een bestuurder van plan is te doen door tegelijkertijd te luisteren naar hun brein, spieren en stressniveaus. Door de data schoon te maken, de beste clues te kiezen en twee slimme AI-modellen samen te laten stemmen, creëerden ze een systeem dat veel nauwkeuriger is dan het kijken naar slechts één signaal of het gebruik van oudere, eenvoudigere computermethodes. Het bewijst dat je, om de geest van een bestuurder te begrijpen, naar hun hele lichaam moet luisteren.

Technische Samenvatting: Fysiologisch Onderbouwde Classificatie van Gedrag van Bestuurders

Probleemstelling
Wegverkeersongevallen blijven een kritieke wereldwijde volksgezondheidskwestie, waarbij ongeveer 94% van de ongevallen wordt toegeschreven aan menselijke factoren zoals afleiding, vermoeidheid en onoplettendheid. Waar conventionele systemen voor het bewaken van bestuurders vertrouwen op voertuigkinematica (bijvoorbeeld variabiliteit in het sturen, afwijken van de rijbaan) of op visie gebaseerde technieken (bijvoorbeeld oogvolging), vangen deze methoden vaak de gevolgen van cognitieve fouten in plaats van de onderliggende fysiologische processen. Hoewel elektro-encefalografie (EEG) een temporele resolutie op millisecondenniveau van neurale activiteit biedt, lijdt het aan beperkte ruimtelijke resolutie en gevoeligheid voor ruis in real-world omgevingen. Bovendien missen deep learning-benaderingen, hoewel veelbelovend, vaak interpretatievermogen en vereisen ze uitgebreide gelabelde data, wat hun inzet belemmert in veiligheidskritieke, resource-beperkte scenario's. Er is behoefte aan een interpreteerbaar, schaalbaar raamwerk dat multimodale fysiologische signalen (EEG, electromyografie [EMG] en galvanische huidreactie [GSR]) benut om rijgedrag met hoge nauwkeurigheid en transparantie te decoderen.

Methodologie
De studie stelt een raamwerk voor dat gebruikmaakt van het Multimodal Physiological Driving Behavior (MPDB)-dataset, dat gesynchroniseerde 64-kanaals EEG-, 4-kanaals EMG- en single-channel GSR-signalen bevat van 30 deelnemers die gesimuleerde rijtaken uitvoerden. De methodologie bestaat uit vier hoofdfasen:

Preprocessing en Synchronisatie:
- Signaalverwerking: Ruwe signalen (oorspronkelijk 1000 Hz) werden gedownsampt naar 500 Hz. EEG-data ondergingen bandpassfiltering (0,5–40 Hz), verwijdering van artefacten via Independent Component Analysis (ICA) met het Infomax-algoritme, en uitsluiting van niet-cerebrale kanalen, wat resulteerde in 59 bruikbare EEG-kanalen. EMG-signalen werden gefilterd (20–240 Hz) met notchfiltering om netstoringen te verwijderen, terwijl GSR werd gefilterd (0,1–35 Hz).
- Segmentatie: Gebeurtenissen werden geëxtraheerd met een venster van 2,0 seconden (van $t = -0,5$ s tot $t = +1,5$ s ten opzichte van het begin van de gebeurtenis).
- Fusie: Multimodale uitlijning werd bereikt via hybride cross-modale matching met strikte verificatie van Event-ID, gevolgd door baselijn-correctie en concatenatie langs de kanaalas.
Feature-extractie:
Een domeinspecifieke pipeline extraheerde 503 initiële features, gecategoriseerd als:
- Tijdsdomein: Lijnlengte (LL), variantie van afgeleiden en maximale absolute verandering.
- Frequentiemiddomein: Power Spectral Density (PSD) geschat via de methode van Welch over specifieke banden (bijvoorbeeld Delta, Theta, Alpha, Beta, Gamma voor EEG; Laag, Midden, Hoog voor EMG).
- Afgeleide Indices: Globale indicatoren zoals de EEG Alpha/Theta-ratio en de EMG-asymmetrie-index.
SHAP-gebaseerde Elite Feature-selectie:
Om hoge dimensionaliteit aan te pakken en overfitting te voorkomen, werd een op SHAP (SHapley Additive exPlanations) gebaseerde strategie toegepast. Een hulpxGBoost-model berekende globale feature-importantie over alle samples en klassen. De top 250 features werden behouden, wat de dimensionaliteit met ongeveer 50% verlaagde terwijl 81% van de voorspellende kracht van het model behouden bleef. Deze selectie werd uitsluitend uitgevoerd op de trainingsdata om informatielekken te voorkomen.
Hybride Ensemble Learning:
De uiteindelijke classificatie maakte gebruik van een gewogen soft-voting ensemble van XGBoost- en LightGBM-modellen. Hyperparameters voor beide modellen werden geoptimaliseerd met Bayesian optimization (via het Optuna-framework) met de macro-F1-score als doel. De optimale ensemble-gewichten werden bepaald als $\alpha = 0,35$ voor XGBoost en $0,65$ voor LightGBM. Class imbalance werd aangepakt met gebalanceerde sample-gewichten die omgekeerd evenredig zijn met de klassenfrequentie.

Belangrijkste Bijdragen

Robuuste Pipeline: Ontwikkeling van een preprocessing- en feature-extractiepipeline die ICA-gebaseerde artefactverwijdering, multimodale synchronisatie en streaming-verwerking integreert voor het MPDB-dataset.
SHAP-gedreven Selectie: Implementatie van een op SHAP gebaseerde elite feature-selectie-aanpak die de dimensionaliteit aanzienlijk verlaagt terwijl de model-efficiëntie en -interpretatievermogen worden verbeterd.
Hybride Ensemble Framework: Creatie van een state-of-the-art ensemble dat XGBoost en LightGBM combineert, geoptimaliseerd via Bayesiaanse methoden, specifiek afgestemd op multimodale fysiologische data.
Interpretatievermogen: Omvattende analyse met SHAP-waarden om de fysiologische plausibiliteit van het model te valideren, waarbij feature-importantie wordt gekoppeld aan gevestigde neurofysiologische markers.

Resultaten
Het voorgestelde raamwerk werd geëvalueerd op een vastgehouden testset ( $n = 3.577$ ) over vier klassen van rijgedrag: Brake (Remmen), Change (Rijbaanwissel), Throttle (Gas geven) en Turn (Slaan).

Prestatie: Het ensemble behaalde een testnauwkeurigheid van 80,91% en een macro-F1-score van 0,79.
Vergelijking: Dit presteerde significant beter dan traditionele machine learning-baselines, waaronder Random Forest (72,99% nauwkeurigheid), KNN (64,91%), SVM (53,56%) en Logistische Regressie (56,05%).
Ablatiestudies:
- Noodzaak van Multimodaliteit: De volledige multimodale aanpak leverde een verbetering van 8% in nauwkeurigheid op ten opzichte van het beste single-modality-model (alleen EEG, 72,85%).
- Synergie van Modaliteiten: Paarsgewijze fusie van EEG en EMG behaalde 76,15% nauwkeurigheid, wat wijst op sterke cognitief-motorische synergie, hoewel de volledige fusie (inclusief GSR) een extra winst van 4,7% opleverde.
- Prestatie per Klasse: Het model toonde de hoogste betrouwbaarheid voor Brake (F1: 0,83) en Turn (F1: 0,81) gedrag. De Throttle-klasse was het meest uitdagend (F1: 0,69), waarschijnlijk vanwege subtielere fysiologische manifestaties in vergelijking met abrupte manoeuvres.
Interpretatievermogen: SHAP-analyse onthulde dat EEG de meerderheid van de voorspellende gewicht bijdroeg (75,2%), gevolgd door EMG (19,4%) en GSR (5,4%). Echter, specifieke hoog-impact features omvatten GSR-fasische componenten (kritiek voor remmen) en EMG-asymmetrie (kritiek voor draaien), wat de complementaire aard van de modaliteiten bevestigt.

Betekenis
Het artikel stelt dat dit werk een praktische en transparante alternatief biedt voor end-to-end deep learning voor multimodale herkenning van bestuurdersgedrag. Door fysiologisch geïnformeerde feature-engineering te combineren met uitlegbaar tree-based ensemble learning, bereikt het raamwerk hoge nauwkeurigheid zonder de "black-box"-beperkingen van diepe neurale netwerken. De resultaten valideren dat multimodale fusie essentieel is voor robuust bewaken van bestuurders, aangezien geen enkele fysiologische stroom voldoende is om de complexiteit van dynamische rijgebeurtenissen te vatten. De studie vestigt een nieuwe state-of-the-art baseline op het MPDB-dataset, en toont aan dat zorgvuldig ontworpen features gecombineerd met geoptimaliseerde gradient boosting kunnen wedijveren met of complexere deep learning-architecturen kunnen overtreffen, terwijl ze kritieke interpretatievermogen bieden voor veiligheidskritieke toepassingen.