李 磊，王文濤，施云航，萬鈺玨，歐陽有鵬，李世銀

(西安科技大學 安全科學與工程學院，陜西 西安710054)

0 引 言

情緒是影響駕駛員行為和決策的重要因素。國內(nèi)外大量研究驗證了情緒對人注意、判斷和決策的影響[1]。駕駛員的情緒容易受到外界刺激，從而導致不安全駕駛行為[2-4]。張殿業(yè)利用3層因果分解分析駕駛員不同情緒狀態(tài)的心跳間期、車輛轉(zhuǎn)向角和最大車道偏離的變化值[5]。KATSIS提取了肌電、心電、皮電、呼吸等生理特征，采用支持向量機(SVM)和自適應(yīng)神經(jīng)模糊推理識別模擬駕駛環(huán)境下的駕駛員情緒，識別率分別達到79.3%，76.7%[6]。張萌建立人際-情緒危險性的網(wǎng)絡(luò)拓撲模型，深入研究人際關(guān)系對駕駛情緒的影響[7]。部分學者針對“路怒”、消極情緒、侵略性駕駛行為進行研究，認為駕駛員的憤怒情緒和駕駛風格受駕齡、性別以及職業(yè)性等因素的影響[8-12]。例如萬平針對“路怒癥”誘發(fā)不安全駕駛行為影響交通安全的問題，提出了基于腦電特征的駕駛員憤怒情緒識別模型[13]。STEPHEN等從突發(fā)事件激發(fā)的憤怒和持續(xù)憤怒的時長2個角度出發(fā)，發(fā)現(xiàn)憤怒使得駕駛員做出更危險的駕駛行為[14]。ABDU等將被試者置于正常和憤怒狀態(tài)，發(fā)現(xiàn)憤怒狀態(tài)下的非理性駕駛行為及事故數(shù)量明顯上升[15]。程靜通過駕駛員心電信號和行車數(shù)據(jù)預(yù)測駕駛員在不同情緒狀態(tài)下，平均車速相比正常狀態(tài)顯著增加[16]。鐘銘恩認為憤怒情緒和道路條件對駕駛員超速行為均有影響[17]。國內(nèi)外駕駛行為模式研究多在認知層面，主要集中于分心和疲勞駕駛，而研究情緒對駕駛行為影響的理論略顯不足，且與情緒駕駛有關(guān)的研究方法有待補充[18-22]。

大部分學者在情緒對駕駛員行為安全方面開展了大量的研究，取得了豐碩的成果。本研究從駕駛員的心理情緒出發(fā)，運用實驗的方法探尋駕駛員在良好和不良情緒下的注意力狀況，研究不同情緒狀態(tài)下駕駛員表現(xiàn)出的眼動指標的差異，分析情緒對駕駛員注意力的影響，為后續(xù)情緒駕駛研究提供理論參考和實證依據(jù)。

1 眼動實驗設(shè)計

1.1 實驗設(shè)備

通過視頻和圖片材料，誘發(fā)駕駛員產(chǎn)生良好情緒和不良情緒。在不同情緒狀態(tài)下測量駕駛員的眼動指標，分析其注意力狀況。

實驗采用Eyeso Studio 3.0.9.20眼動追蹤系統(tǒng)、Tobbii眼動儀、21寸液晶顯示器和4臺電腦，實驗所用眼動儀可對屏幕內(nèi)任何部位進行眼動追蹤，實驗設(shè)備及參數(shù)見表1。

表1 實驗設(shè)備及參數(shù)

Eyeso Studio 3.0.9.20眼動追蹤系統(tǒng)參數(shù)如下，系統(tǒng)分辨率1 920×1 080，延遲補償948 ms，注視點呈現(xiàn)可視化比例眼動0.7，鼠標1.0，采樣點中心最大距離45 cm，注視點包含最小采樣數(shù)14個。

1.2 實驗被試

本實驗的被試者共30人，符合下列條件

1)所選實驗被試均具有實際駕駛經(jīng)歷且取得駕駛執(zhí)照；

2)實驗被試者均為右利手；

3)均自愿參加實驗，實驗前簽署實驗知情書。

1.3 實驗流程

1.3.1 情緒的誘發(fā)

被試人員先后分別觀看30張良好和不良情緒誘導圖片及5 min舒適緩慢配樂的山水視頻和恐怖、血腥片段視頻，以進行不同情緒誘導。通過被試者填寫九點情緒量表，驗證情緒誘導是否成功。

1.3.2 安全駕駛測試

采用Tobbii眼動儀和Eyeso Studio 3.0.9.20眼動追蹤系統(tǒng)，在駕駛員觀看路況圖片和行車視頻之際，獲取眼動指標、圖像熱區(qū)、注視軌跡和注視時長等數(shù)據(jù)，以判斷駕駛員注意力情況。

1.3.3 機器學習

建立SVM模型，將訓練組人員情緒對駕駛員注意力影響試驗中得到的支持向量X輸入至Matlab SVM模型中，進行機器學習。

2 情緒對安全駕駛影響數(shù)據(jù)分析

駕駛員眼動指標可反映出駕駛員情緒和注意力狀況?，F(xiàn)對實驗所得駕駛員眼動指標進行分析，以探尋駕駛員情緒對注意力的影響。部分眼動數(shù)據(jù)見表2。

表2 眼動數(shù)據(jù)(局部)

2.1 駕駛員首次AOI注視時間

首次AOI(area of interest)注視時間表示被試對興趣區(qū)關(guān)注的時長，是反映被試在新環(huán)境下反應(yīng)時間的一項指標。本實驗設(shè)定5種不同路況下的交通行車實況圖，并在各路況圖中提前設(shè)定可能發(fā)生交通事故的隱患興趣區(qū)，利用眼動儀采集被試首次注視到興趣區(qū)的時間，測量出駕駛員對新環(huán)境下的反應(yīng)狀況，以此判斷不同情緒下駕駛員的安全注意力水平。將駕駛員首次AOI眼動指標輸入SPSS 21.0進行描述性統(tǒng)計分析，見表3。

由駕駛員眼動指標可得：①駕駛員在良好情緒下對興趣區(qū)的注視百分比為82.60%，高于不良情緒下的興趣區(qū)注視百分比為64.67%；②良好情緒下駕駛員的興趣區(qū)注視點持續(xù)時間為536.56 ms，比不良情緒下興趣區(qū)注視時間長194.22 ms；③良好情緒下駕駛員首次注視到興趣區(qū)平均時間為0.712 s，不良情緒下的時間為0.948 s。

2.2 駕駛員AOI注視百分比分析

將被試者注視到AOI的個數(shù)進行統(tǒng)計對比分析，結(jié)果如圖1所示。

表3 駕駛員首次AOI注視時間統(tǒng)計

圖1 駕駛員AOI注視個數(shù)統(tǒng)計Fig.1 Statistics of AOI fixation numbers of drivers

駕駛員在良好情緒下AOI的注視百分比82.60%，明顯高于不良情緒下的AOI注視百分比75.33%，通過顯著性檢驗，P<0.001，表明駕駛員的情緒對安全注意力水平具有顯著性影響。

2.3 被試駕駛員注視軌跡圖分析

注視軌跡可得出駕駛員的注視點個數(shù)和視覺路線，現(xiàn)對30名被試駕駛員注視軌跡進行擬合得出平均駕駛員注視軌跡圖，本實驗駕駛員注視軌跡如圖2所示。

圖2 駕駛員注視軌跡Fig.2 Driver’s gaze tracks

該路況為雙向三車道，車流量較大，存在非機動駕駛車輛，道路狀況較為復雜。從圖2可知，良好情緒下駕駛員平均注視點達8.5個，較不良情緒下平均注視點多3.2個；良好情緒下駕駛員的眼動視角范圍更廣，而不良情緒下駕駛員視角相對狹窄，道路中非機動車駕駛員并未完全在視角范圍內(nèi)，易釀成事故。

2.4 被試駕駛員眼動熱圖分析

對被試者在不同情緒下所觀察的交通路況圖進行眼動熱圖分析，并預(yù)先根據(jù)交通路況可能存在的安全隱患將交通路況圖設(shè)定AOI，用紅色圈出，分析不同情緒下駕駛員的注視點位置，具體結(jié)果如圖3所示。

圖3 駕駛員眼動熱圖Fig.3 Heat map of the driver’s eye movement

2種情緒下駕駛員均注視到道路兩邊的行人，但不良情緒下駕駛員未把注意力集中在車輛轉(zhuǎn)彎時前車的位置，易造成前方車輛的追尾。

2.5 結(jié)果分析

對以上駕駛員不同情緒下的眼動指標、注視軌跡圖和熱圖分析可知

1)分析眼動指標可得，駕駛員在良好情緒下對興趣區(qū)的注視百分比較高；興趣區(qū)注視點持續(xù)時間較長；首次注視到興趣區(qū)平均時間較短。

2)分析AOI注視百分比可得，駕駛員在良好情緒下AOI的注視百分比明顯較高。

3)分析注視軌跡圖可得，良好情緒下駕駛員的眼動視角范圍更廣。

4)分析眼動熱圖可得，駕駛員良好情緒下發(fā)現(xiàn)道路交通隱患的能力較不良情緒更強。

3 情緒與注意力關(guān)系預(yù)測分析

為減少駕駛員因不良情緒引發(fā)的交通事故，基于SVM算法對存有眼動指標的數(shù)據(jù)庫進行分析，預(yù)測駕駛員情緒和注意力狀況。通過向SVM模型中輸入支持向量X和與之匹配的情緒和注意力狀況Y令計算機進行機器學習，經(jīng)過學習后的計算機可自行根據(jù)輸入的支持向量X來做出駕駛員情緒和注意力狀況的判斷。

將30名被試隨機分為訓練組和測試組，其中訓練組25人，測試組5人。首先采用Matlab編程建立SVM模型，其次將訓練組人員情緒對駕駛員注意力影響實驗中得到的支持向量X輸入至Matlab SVM模型中，使計算機進行機器學習。學習完畢后，將測試組人員的支持向量X輸入至SVM模型中進行計算機判斷，得出測試組人員注意力集中狀況。對計算機自主判斷的注意力狀況與實際測量狀況進行對照，計算出判斷準確率。隨機輸入一組情緒良好的被試眼動指標，經(jīng)計算機計算可得到輸出結(jié)果，測試正確率結(jié)果達到83.34%，結(jié)果尚可，表明情緒對注意力的影響呈正相關(guān)。

4 結(jié) 論

1)駕駛員在良好情緒下注意力相較于不良情緒更集中，良好情緒下注視點個數(shù)、平均注視時長等指標均優(yōu)于不良情緒。

2)注視區(qū)域方面，通過對駕駛員的注視軌跡圖與熱圖進行分析，不良情緒下駕駛員所關(guān)注的興趣區(qū)域相比良好情緒的興趣區(qū)域較少，且注意力更分散。

3)基于SVM算法對存有眼動指標的數(shù)據(jù)庫進行分析，預(yù)測駕駛員情緒和注意力狀況，預(yù)防駕駛員在行駛中出現(xiàn)的不良情緒和注意力渙散情況。