基于静音消除法的驾驶员行为状态识别

（Driver Behavior State Recognition based on Silence Removal Speech）

许多研究将驾驶员行为与事故原因联系起来，有些研究重点分析了基于驾驶员行为状态所造成事故的预防措施。根据大量的研究发现，语音已经被发现是识别和分析驾驶员行为状态的合适的输入信号，因为当驾驶员说话时系统可以测量潜在的情绪信息，同时也可以测量这种情绪上的改变所带来的输入信号上的改变。

在提取相关语音特征之前，本文提出了一种使用短期能量（STE）和零交叉率（ZCR）的静音消除方法，以减少语音信号在车辆环境中的计算时间。采用梅尔频率倒谱系数（MFCC）特征提取方法，结合多层感知器与分类器获取驾驶员行为状态识别性能。MFCC在人类听觉频率响应中应用了耳蜗机制，该机制利用一定数量的系数滤波器组和特定的形状滤波器组。这些特征捕捉音频信号的频谱包含了感知最重要的部分，然后将这些信息解释为脑解码的神经冲动。然而，在某些驾驶行为中，数据往往是不准确的、可调整的或有明显缺陷的，并且有可能包含许多噪声和伪影。因此，需要对一个干净的数据进行分析，以确保观察结果来自正确的数据。通常，我们可以用预处理来保证噪音和伪影的最小化甚至实现去除。预处理是对原始数据执行子流程的过程，用于特征提取和分类阶段的准备。

检测静音区域的两种最常用的方法是采用零交叉率（ZCR）和短时能量（STE）方法。ZCR是在给定的时间间隔/帧中对语音信号的幅度通过零值次数的度量，短期能量（STE）可以定义为特定语音段内幅度的平方绝对值之和。这两种方法均能有效的用来消除噪音从而获得有效的声音信号。