基于語音特征遷移學習的駕駛疲勞檢測

李 響，李國正，彭理群，嚴利鑫，張 馳

(1.華東交通大學 交通運輸與物流學院，江西 南昌 330013；2.北京交通大學 機械與電子控制工程學院，北京 100044)

駕駛疲勞現象已經逐漸成為交通事故的主要致因，因此駕駛疲勞檢測方法是目前交通安全領域的研究熱點[1]。鑒于鐵路、航空等高安全等級的駕駛人員在值乘過程中需頻繁地采用標準(操作、呼喚、應答、聯控等)作業用語,這些不斷重復的標準化語音中涵蓋了大量的人體生理及心理信息，同時被專用的駕駛艙語音記錄裝置[2]所記錄保存，用于事后分析其作業行為和駕駛狀態，這就為應用語音信號來檢測駕駛人的疲勞狀態提供了可行性[3]。并且此類基于語音信號的疲勞檢測方法[3]，相較于現有基于面部特征[4]或生理指標[5]的疲勞檢測方法而言，還有全天候、非接觸、環境適應性高和成本低廉等諸多優點[3]。因此，應用語音信號來檢測人體疲勞的研究也逐漸受到業界的廣泛關注[6-8]。

然而，現有的此類研究大多基于傳統的監督學習方法，采用有標記的語音樣本數據來訓練分類器用于疲勞檢測[6-8]，在實際應用時會存在以下2個方面的不足：

(1)有標記的樣本數據稀缺且標記成本較高，有限的標記樣本往往難以訓練出一個推廣性能良好的分類器?，F有研究對分類器訓練樣本的采集與疲勞類別標記，大多需要進行長時間的持續作業實驗，以使被試者由正常狀態逐漸轉變為疲勞狀態，標記時還需實時監測被試者的生理或心理指標，以確定其疲勞狀態與程度[7]，這一實驗樣本的獲取和標記過程往往十分耗時耗力。因此，在樣本數據更新過快的情況下，要訓練出一個推廣能力較強的分類器，將要花費較多的人力、時間和經費來不斷地充實有標記的訓練樣本，這在實際應用時是難以實現的。

(2)新樣本與已有樣本的數據分布往往不一致，以致訓練好的分類器應用于新的測試樣本時，會存在非平穩泛化誤差。在實際應用時，隨著檢測時間、應用場景或被試個體的轉變，語音樣本的數據分布也會隨之改變，此時原有的訓練樣本數據與測試樣本數據將無法滿足獨立同分布條件，那么原有數據訓練出的分類器會在這一測試樣本數據分布偏移的影響下產生較大的檢測誤差，而難以推廣應用[9-10]。

實際情況下，由于語音采集手段較為便捷，以及鐵路及航空駕駛艙語音記錄裝置的普及應用，無標記的駕駛人語音樣本往往比較充足且更新頻率較快。那么上述第(1)點的標記樣本稀缺問題，通?？刹捎冒氡O督學習[11]的方法對新的無標記樣本進行偽標記，并將其與有標記樣本一同訓練出一個新的分類器，用于新樣本的疲勞檢測。但是此類方法大多要求測試數據與訓練數據服從相同的分布才能獲得較好的檢測效果[11]。而本文所探討的通過語音來檢測人體疲勞的問題，已被證實在測試時間推移、應用場景變化和個體差異上均會導致語音樣本的數據分布存在較大偏差[9-10]，而嚴重影響分類器的檢測效果，也即上述第(2)點的測試樣本數據分布偏移問題仍然存在。此時，可考慮采用遷移學習方法[12]解決該問題，區別于半監督學習方法，遷移學習放寬了訓練數據和測試數據需服從相同分布的應用條件，能夠將某個領域學習到的知識結構或判別模式遷移至不同但相關的目標領域中，從而實現跨領域的機器學習[12]。由于遷移學習能夠顯著提高跨領域分類器的泛化能力，目前在機器視覺識別和生物信息檢測等領域已經展現出了較好的應用效果[12-14]。

為此，本文在分析總結語音的疲勞表征機理及其特征參數的基礎上，引入遷移學習方法來解決實際應用時的標注樣本稀缺與測試樣本數據分布偏移等問題，進而提出一種基于語音特征遷移學習的人體疲勞檢測方法。首先，通過基于遷移學習的特征變換，將源領域有標記樣本與目標域無標記樣本的特征數據共同映射至一個公共的特征空間，使兩領域數據在該空間內的邊緣分布、條件分布與流形結構均能保持一致，并具有較好的類別區分能力與降維處理效果。其次，在新的特征空間中，以半監督學習的方式來迭代優化目標域樣本的偽標記，并不斷同步更新特征變換方式和訓練新的遷移分類器，直至收斂。最終，將學習所得的特征變換和遷移分類器應用于目標域測試樣本，以實現當有標記樣本不足且測試樣本數據發生偏移時，仍能得到一個泛化性能良好的疲勞檢測模型。

1 語音的疲勞表征機理及其特征參數

根據語音與疲勞相關性的前期研究[3，6-7]，可將人體疲勞對其發聲系統及語音信號的影響歸結為：(1)人體疲勞時，聲帶、聲道、喉部及面部肌肉松弛，會引起聲門脈沖和基音頻率等音質特性的變化；(2)肺部氣壓下降，導致聲門壓力降低，使得語音的幅度及能量減弱；(3)體溫下降，聲道壁的熱傳導和黏彈性隨之改變，從而影響聲道壁對氣流的摩擦與共振特性，以致語音頻譜、共振峰及其帶寬等聲道濾波特性的變化，并且聲道壁和氣流強度的變化還會進一步引起語音湍流發生改變，導致其混沌、分形等非線性動力學特征的變化；(4)腦活力下降，語音認知規劃能力降低，發聲系統的控制及反饋時間延長，導致語音清晰度下降、停頓模式異常和語速變慢等現象。據此，本文提取了語音的韻律、音質、語譜和非線性動力學4類特征[6-8]來描述語音信號中所包含的疲勞信息，詳細的特征參數(包括底層描述子及其語段統計參數)如表1所示。

其中，語音特征的底層描述子包括各類語音短時幀級特征及其在時間上的一階差分(記為“Δ”用于描述其幀間變化)和二階差分(記為“ΔΔ”用于描述其變化速率)。此時，可將表中各類語音底層描述子的語段統計值參數串接成一個多維的特征向量，用以量化語音信號中所包含的疲勞信息。那么特征向量的維度共計：前6個幀數統計值+(78個底層描述子×11個語段統計參數)=864維?？梢娖渚S度較高，即便是采用傳統機器學習方法，也需要進行數據降維處理，以減少后續建模檢測的計算復雜度，同時避免“維度災難”問題[3]。鑒于此，本文通過遷移學習方法對不同領域語音樣本的特征數據進行空間映射來適配其數據分布時，還需對特征數據進行降維處理，以減少特征數據間的相關性和冗余度，提高檢測效率。

表1 語音特征及其統計參數

2 語音疲勞特征的遷移學習方法

2.1 語音特征遷移學習的總體方案

對本文的遷移學習問題進行抽象描述：設有標記的原樣本為源領域樣本，數據集為Ds={(xs1,ys1),(xs2,ys2),…,(xsn,ysn)}，其中下角標s代表源領域，x為d維特征向量，y為樣本類別標號，n為源領域樣本數量。設無標記的新樣本為目標領域樣本，數據集為Dt={xt1,xt1,…,xtm}，其中下角標t代表目標領域，m為目標領域樣本數量。所討論的數據集偏移問題，即為兩類樣本數據的邊緣概率分布P(x)不同，即P(xs)≠P(xt)，同時不同領域內樣本類別判決模型的條件概率分布Q(x|y)也不相等，即Q(xs|ys)≠Q(xt|yt)。此時通過有標記樣本Ds訓練得到的分類器將難以直接推廣應用于新樣本Dt的分類檢測。

那么本文的遷移學習目標為：力求學習得到一個特征變換T(x)將不同領域的樣本數據統一映射到一個共同的特征空間中，使得它們在該空間內能夠同時滿足邊緣分布一致且條件分布也盡可能地相近，即有P[T(xs)]=P[T(xt)]且Q[T(xs)|ys]≈Q[T(xt)|yt]。據此便可以在新的特征空間內訓練出一個泛化能力較強的遷移分類器f[T(x)]，來準確應用于目標領域樣本的疲勞檢測。

針對該問題，現有遷移學習方法大多專注于特征變換后數據邊緣分布(數據整體結構)的一致性，而忽視了數據條件分布(數據判別結構)及其流形結構(局部鄰域結構)的適配，例如遷移成分分析方法[13]；或未考慮特征變換后的數據區分能力與降維處理效果，例如域適應方法[14]。以致現有的遷移學習方法無法良好適用于本文語音疲勞特征的遷移學習問題。為此，本文在現有方法的基礎上綜合考慮了多個遷移學習目標，提出遷移學習方案與檢測模型結構，見圖1。

圖1 語音特征遷移學習方案與檢測模型結構

其中，在訓練階段對源領域和目標領域的語音樣本進行特征提取，并將所得的特征數據共同映射至一個新的公共特征空間內，使得源領域與目標領域的樣本數據在該空間內能夠實現邊緣分布、條件分布與流形結構的聯合適配，且保證數據具有較好的類別區分能力與降維處理效果。這樣便可以在該空間內利用半監督學習方法來迭代優化目標領域樣本的偽標記，并不斷同步更新特征變換和遷移分類器，直至收斂。最終，將學習所得的特征變換和遷移分類器應用于目標領域測試樣本，實現基于語音特征遷移學習的疲勞檢測。

2.2 基于特征空間變換的領域適配與降維處理算法

本文的特征變換具體分為2步實現：首先，為了更好地處理非線性數據，可用一個隱性的非線性映射函數φ(x)，將數據由輸入特征空間映射至一個高維的可再生核希爾伯特空間(Reproduction Kernel Hilbert Space，RKHS)[14]；然后，在該RKHS空間中再通過變換矩陣V將樣本數據投影到一個公共的低維子空間內，并在該空間內實現源領域與目標域樣本數據的適配與降維。

由此，特征變換可以表示為T(x)=VTφ(x)。實際計算時，可利用核函數矩陣K=φ(x)Tφ(x)∈R(n+m)×(n+m)實現RKHS的非線性映射[14]，而無需知道函數φ(x)的具體形式，那么特征變換轉變為T(x)=VTφ(x)=ATK(:,x)。其中，A∈R(n+m)×k表示將數據投影到k維子空間的變換矩陣，有k?d。此時，數據在k維子空間內的嵌入表征為x′=ATK。具體的領域適配與降維處理算法如下：

(1)數據整體結構的邊緣分布適配

首先，采用最大均值差異(Maximum Mean Discrepancy, MMD)算法[15]量化特征變換后源領域與目標領域樣本數據間的邊緣分布差異，計算方法為

tr(ATKMPKTA)

(1)

式中:tr為矩陣的跡；MP為參數矩陣。MP各元素計算方法為：當xi與xj同屬Ds時，MPij=1/n2；當xi與xj同屬Dt時，MPij=1/m2；當xi與xj分屬不同領域時，MPij=-1/(nm)。此時，為保證特征變換后的數據邊緣分布一致，即為尋求該式所示的數據邊緣分布差異最小，那么最基礎的數據邊緣分布適配目標可以表示為

(2)

(2)數據判別結構的條件分布適配

設樣本的類別變量為c=1,2,…,C。同樣可采用MMD算法計算領域間各類別數據條件分布Q[T(xs)|ys=c]和Q[T(xt)|yt=c]之間的均值距離，并對所有類別的均值距離進行求和，以量化其總體的條件分布差異，有

tr(ATKMQKTA)

(3)

(4)

此處由于目標領域數據沒有類別標記yt，因而參數矩陣Mc和MQ無法準確計算得到。為此，本文后續將采用半監督學習方法將源領域數據訓練所得的分類器應用于目標域無標數據來得到其偽標記yt，并以此對矩陣MQ進行迭代更新來尋求條件分布差異的最優估計。

(3)數據局部鄰域結構的流形一致性適配

根據流形假設[16]，如果兩個領域數據的局部鄰域結構在特征變換后能夠保持一致，也即數據邊緣分布P[T(xs)]和P[T(xt)]的內在幾何流形如果是相似的，那么其條件分布和判決模型也應該相似，從而有利于跨領域遷移學習的應用效果。據此，引入圖拉普拉斯矩陣[16]來量化數據在特征變換后的流形結構差異，表示為

tr(ATKLKTA)

(5)

(6)

式中：Np(xi)代表xi的p-近鄰樣本集合。

據此，可在式(2)的基礎上，引入式(3)條件分布和式(5)流形一致性的適配正則項，目標函數轉變為

γtr(ATKMQKTA)+μtr(ATKLKTA)=

(7)

式中:γ和μ分別為條件分布和流形正則項的非負參數，用于調整目標函數對各優化目標的側重程度。

(4)基于核主成分分析的數據降維處理

根據核主成分分析(Kernel Principal Component Analysis, KPCA)算法[17]思想，在特征變換時還要求樣本數據的嵌入協方差保持最大化，以實現數據在高維RKHS空間內最具類別區分能力的降維投影。此時，這一降維優化問題可以描述為

(8)

式中：H=I-(1/n)1為協方差中心化矩陣，1為元素全為1的n+m階方陣。以式(8)的嵌入協方差最大化作為式(7)的約束條件，那么最終的目標函數可以表示為

s.t.ATKHKTA=I

(9)

引入拉格朗日乘子Ψ=diag(ψ1,ψ2,…,ψk)∈Rk×k，將這一帶約束的優化問題形式化為拉格朗日函數為

=tr{AT[K(MP+γMQ+μL)KT+λI]A}+

tr[(I-ATKHKTA)Ψ]

(10)

再將其對變換矩陣A求偏導，并令?/?A=0，可得

[K(MP+γMQ+μL)KT+λI]A=KHKTAΨ

(11)

最終，對該式進行本征分解，求取k個最小本征值所對應的本征向量，即可得到變換矩陣A。由此便可實現基于特征變換x′=T(x)=ATK的領域適配與降維處理。

2.3 基于半監督學習的分類器迭代訓練

算法：語音特征遷移學習算法。

輸入：源領域數據Ds；目標域數據Dt；正則化參數λ，γ，μ；子空間維度k；核函數類型。

輸出：變換矩陣A；遷移分類器f。

重復(1)～(6)：

(2)對式(11)進行本征分解，求取k個最小本征值所對應的本征向量來構造變換矩陣A；

(3)將特征數據映射至新空間，數據變為x′=T(x)=ATK；

(6)更新各類別數據的條件分布參數矩陣Mc。

直至收斂(目標函數值不再下降)。

結束：返回學習所得的特征變換矩陣A和遷移分類器f。

值得指出的是，通過這一迭代算法可以得到一個不斷優化的特征變換x′=T(x)以及在該變換下訓練所得的遷移分類器f(x′)，將該分類器應用于目標領域數據便可以不斷提高其偽標記效果直到收斂。根據半監督學習理論，如果兩類樣本的數據分布能夠保持一致，那么目標領域的偽標記是根據已知數據所能獲得的最優結果。由于特征變換的優化求解保證了數據分布和流形結構的一致性，因此上述迭代式地標記精化過程是合理的。此外，算法中需事先設定正則化參數λ、γ和μ，實際上是為了調整目標函數對各優化目標的側重比例，其具體取值將在實驗部分給出詳細的分析和討論。

3 實驗

為了驗證所提出的語音特征遷移學習方法在實際應用于駕駛疲勞檢測時的可行性和有效性，本文在不同測試時間、不同應用場景和不同被試者的條件下，先后開展了兩期駕駛疲勞實驗，并據此構建了兩個數據分布不同的駕駛疲勞語音樣本庫。前期駕駛疲勞實驗[7-8]在如圖2(a)所示的電力機車模擬駕駛操作臺上進行，其中駕駛人共20人，實驗期間采集語音樣本960份，其中正常狀態語音樣本793份，疲勞狀態樣本167份。時隔3年開展的后期駕駛疲勞實驗，安排在如圖2(b)所示的動車模擬駕駛操作臺上進行，被試駕駛人共40人，后期實驗共采集語音樣本4 467份，其中正常樣本3 663份，疲勞樣本804份。所有實驗內容均為每人單次持續8 h的列車模擬駕駛操作，為實現重度疲勞狀態，部分被試者在實驗前還進行了4～8 h的睡眠剝奪。實驗過程中所采集的駕駛人語音樣本均為其呼喚應答、車機聯控和數字播報等標準作業用語(不同語句按類別分別進行建模和檢測)，各段語音的時長約為0.5～20 s，采樣頻率為22.05 kHz，量化精度為16位。

所有實驗均以被試駕駛人每隔0.5 h填寫1次的疲勞癥狀自測量表[18]得分及實時監測記錄的駕駛人心率指標作為其疲勞狀態的參照標準，即將被試駕駛人在疲勞量表(10分制)得分低于5分且每分鐘心率低于心率均值時間段內的語音樣本標記為疲勞類語音樣本，其余樣本則標記為正常類樣本。本文將前期駕駛疲勞實驗所采集的960份語音樣本作為遷移學習的源領域有標記訓練樣本，后期實驗的4 467份樣本作為目標領域無標記測試樣本(其疲勞類別標記不用于機器學習和分類器訓練，僅用于驗證檢測結果)。此時，源領域訓練樣本數量顯著低于目標領域測試樣本數量，以驗證有標記訓練樣本數量不足時的遷移學習效果。

圖2 列車模擬駕駛實驗平臺

首先，采用網格搜索法[19]確定本文算法中各項參數λ、γ和μ的最佳取值，并以此考察目標函數中各優化項在特征遷移學習中的作用。當采用高斯徑向基核函數計算核函數矩陣K，同時以標準支持向量機算法搭建分類器f時，各參數在[10-3, 103]范圍內不同取值的情況下，遷移學習所得檢測模型對所有測試樣本進行疲勞檢測的平均正確率曲線見圖3。

圖3 不同參數取值下的疲勞檢測正確率

根據式(9)所示的目標函數可知，參數λ是用于控制變換矩陣A復雜度的正則項參數，其取值大小決定了該優化問題的適定性。由圖3的曲線可見，當λ取值很小時，優化模型退化為平凡解而難以適定，此時所得的檢測模型的正確率較低；而當λ取值過大時，目標函數則會過分要求變換矩陣A的復雜度降低，便相應忽略了數據分布適配和流形一致性等較為關鍵的優化目標，從而失去了特征遷移學習的效果，檢測模型的正確率也隨之急劇下降。由其曲線可見，λ較為合適的取值區間為[0.05, 1]，本文在實際應用時取λ=0.1。

同樣，參數γ是用于控制目標函數中條件分布適配程度的非負參數。當γ取值過小時，目標函數將不做條件分布適配，即特征空間變換過程中將不考慮兩個領域數據的判決結構是否能夠保持一致，此時遷移分類器的半監督迭代優化更新也將失去作用，因而訓練所得的分類器也無法擬合原始數據的判別結構，而影響其檢測效果；當γ取值過大時，目標函數則會過分要求判決模型完全一致而導致過擬合現象，此時檢測效果反而變差。圖3同樣展示了正確率隨參數γ的變化規律，可見γ的合理取值區間為[0.1, 10]，本文取γ=1。

流形正則化參數μ體現了不同領域數據的流形一致性在遷移學習算法中的權重。由圖3可以看出，當μ取值較小時，目標函數將忽略數據流形結構的適配，此時不利于兩類數據局部判別結構的一致性，其檢測效果不佳；而當μ取較大值時，僅有流形一致性得到保持，數據的邊緣分布和條件分布卻無法保持適配?？梢姡瑓郸痰暮侠砣≈祬^間為[0.01, 1]，本文取μ=0.5。

其次，考察領域適配與降維處理后的子空間維度k對疲勞檢測正確率的影響。子空間維度k在不同取值下執行本文算法，對所有測試樣本進行疲勞檢測的平均正確率曲線見圖4?？梢钥闯?，當k<60時，空間維度不足以區分類別信息，導致檢測效果不夠理想；而當維度增加到k≥60時，疲勞檢測的平均正確率達到86.7%左右并趨于穩定。因此，考慮到分類器訓練及檢測的計算效率，本文在實際應用時選取的子空間維度為k=60。相較于原始的864維語音特征，其維度在不影響疲勞區分能力的前提下進行了大幅降低。此時，在CPU為4核3.6 GHz、內存容量為8 GB的PC平臺下，待測樣本的檢測耗時為480～1 360 ms，相較于駕駛人標準作業用語的間隔時間和人體疲勞狀態的變化速度而言，基本能夠保證檢測的實時性。

最后，為了驗證本文遷移學習方法應用于實際疲勞檢測的有效性，將其與現有的傳統監督學習[8]、半監督學習[11]、遷移成分分析[13]和域適應[14]等常用機器學習方法進行了比較。各方法均以前期實驗樣本作為有標記訓練樣本庫，以后期實驗樣本作為無標記測試樣本庫。各方法的樣本數據適配及優化功能、分類器算法和檢測結果如表2所示。為體現對比效果，各方法采用的分類器算法均以支持向量機為基礎算法，包括：標準支持向量機(Support Vector Machine, SVM)[7]；模糊支持向量機(Fuzzy SVM, FSVM)[8]；半監督支持向量機(Semi-Supervised SVM, S3VM)[11]；域適應支持向量機(Adaptation Regularization SVM, ARSVM)[14]。各方法的檢測結果，分別用它們對測試樣本庫中正常樣本、疲勞樣本和所有樣本的疲勞檢測正確率表示。

圖4 不同特征空間維度的疲勞檢測正確率

表2 多種機器學習方法的疲勞檢測結果

由表2的檢測結果可以看出，當采用傳統監督學習方法，訓練樣本和測試樣本分別來自不同的實驗樣本庫時，其對所有測試樣本的平均正確率僅為72.0%，顯著低于文獻[7]和文獻[8]中訓練樣本和測試樣本均來自同一實驗樣本庫的平均正確率(可達85%以上)。這說明訓練樣本的不足和測試樣本的數據偏移，均會引起傳統監督學習方法的檢測性能下降，而影響其實際應用效果。當采用基于S3VM的半監督學習方法時，后期無標記的測試樣本也可以參與到分類器訓練中，但由于測試樣本與訓練樣本仍存在數據分布差異，因此訓練所得的分類器還不夠理想。隨后采用遷移成分分析和域適應等現有較為常見的遷移學習方法對樣本數據進行跨領域的適配與檢測，此時疲勞檢測的正確率得以大幅提高，對所有測試樣本的平均正確率分別達到81.3%和83.9%。但由于這兩種方法的數據適配及優化功能還不夠完備和充分，因而檢測效果仍存在一定程度的提升空間。

最終，本文方法綜合考慮了測試樣本與訓練樣本數據的邊緣分布適配、條件分布適配、流形一致性和特征空間降維處理等多種遷移學習目標，并通過基于半監督學習的迭代更新優化，來訓練得到一個泛化能力更強的遷移分類器應用于疲勞檢測。從表2所示的結果可見，本文方法對所有測試樣本的平均正確率達到了最高的86.7%，這說明本文方法在應對有標記訓練樣本匱乏和測試樣本數據分布漂移等實際問題時，可以表現出較現有方法更好的疲勞檢測性能。同時可以看出，本文方法對正常樣本和疲勞樣本的檢測結果也均優于現有方法，正確率分別達到86.4%和88.2%。這一方面表明，該方法在實際應用于正常狀態的駕駛人時，不會因為經常性的誤檢而引起駕駛人的不適或心理壓力；另一方面，該方法在應對疲勞狀態的駕駛人時，可以表現出更好的查全率，因而能夠及時準確地檢測出被測駕駛人的疲勞狀態，在消除駕駛疲勞隱患、保障行車安全方面，具有實際應用價值。

4 結束語

鐵路機車與動車駕駛人需頻繁使用標準作業用語，為應用語音信號檢測其疲勞狀態提供了可能性。然而，現有研究所采用的監督學習方法在實際應用時，會由于訓練樣本稀缺和測試樣本數據分布偏移等問題而導致疲勞檢測效果不佳。為此，本文提出一種基于語音特征遷移學習的駕駛疲勞檢測方法。首先，通過樣本數據間的領域適配與降維處理，不僅可以有效應對測試樣本數據分布偏移的問題，同時可以降低特征空間維度進而提高檢測效率。其次，在特征空間變換后采用半監督學習方法來迭代優化無標記樣本的偽標記，并不斷同步更新特征變換和分類器，能夠有效解決訓練樣本不足的問題，進而提升疲勞檢測模型的精度和泛化能力。實驗結果顯示，在測試時間、應用場景和被試個體均發生變化的情況下，該方法的駕駛疲勞檢測正確率顯著優于現有同類方法，具有實際應用價值。

該方法的具體應用可以體現在以下兩個方面：一方面，可以輔助或替代現有機務管理部門人工檢索分析駕駛人語音記錄的繁瑣工作，解決人工識別其駕駛狀態時難以實現遍歷性和準確性的問題；另一方面，該方法可以進一步開發為機載的駕駛疲勞智能化在線檢測設備，應用于駕駛人疲勞狀態的實時監測與預警。為此，后續研究將引入更為豐富的駕駛人語音樣本數據對該方法的有效性進行交叉驗證，還將嘗試采用更多的語音特征和分類器算法，來進一步提高語音特征遷移學習的駕駛疲勞檢測效果。