李磊 王文濤 施云航 萬鈺玨 歐陽有鵬 李世銀

摘 要：為預防和降低由于駕駛員不良情緒而引起的交通事故，開展情緒對駕駛員注意力的研究。首先誘發(fā)駕駛員產(chǎn)生良好情緒和不良情緒，基于眼動實驗分析駕駛員在良好和不良情緒下的注意力狀況，得到駕駛員不同情緒下的眼動指標、注視軌跡圖和熱圖分析情緒對注意力的影響關系，最后將實驗數(shù)據(jù)導入SVM進行機器學習。結果表明：良好情緒下駕駛員注視到AOI的人數(shù)更多且注視到的AOI區(qū)域數(shù)更多，在AOI注視的時間更長，注視點個數(shù)更多;同時良好情緒下駕駛員首次注視到AOI的時間更短，體現(xiàn)出駕駛員良好情緒下注意力水平優(yōu)于不良情緒;利用SVM預測駕駛員情緒與注意力狀況，測試正確率達到83.34%。本研究對駕駛員不安全駕駛行為的預測和預防具有一定指導作用，有助于減少駕駛員駕駛過程的不安全駕駛行為。

關鍵詞：駕駛員;情緒;注意力;眼動實驗;支持向量機中圖分類號：X 936

文獻標志碼：A

文章編號：1672-9315（2021）01-0070-05

DOI：10.13800/j.cnki.xakjdxxb.2021.0110

Influences of emotion on drivers attention

based on eye movement experiment

LI Lei，WANG Wentao，SHI Yunhang，WAN Yujue，OUYANG Youpeng，LI Shiyin

（College of Safety Science and Engineering，Xian University of Science and Technology，Xian 710054，China）

Abstract：In order to prevent and reduce traffic accidents caused by drivers bad emotions，a study has been made of the effects of emotins on driversattenstion.The drivers were induced to have good emotions and bad emotions，and the attention status of drivers in different emotions was explored.Based on the eye movement index，fixation trajectory and heat map，the relationship between emotion and attention was analyzed with the experimental data imported into SVM for machine learning.The results show that：under good mood，the number of drivers watching AOI is more;and the number of AOI regions is more，the fixation time is longer，and the number of fixation points is more.At the same time，drivers in good mood have shorter time to observe AOI for the first time.It shows that the driversattention level in good mood is better than

that in bad mood.SVM is used to predict driversemotion and attention，

and the test accuracy reaches 83.34%.This study has a certain guiding role in the prediction and prevention of drivers unsafe driving behavior，and helpful to reduce the unsafe driving behaviors of drivers.Key words：driver;emotion;attention;eye movement experiment;SVM

0 引 言

情緒是影響駕駛員行為和決策的重要因素。國內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)絡拓撲模型，深入研究人際關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 眼動實驗設計

1.1 實驗設備

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任何部位進行眼動追蹤，實驗設備及參數(shù)見表1。

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。

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)關注的時長，是反映被試在新環(huán)境下反應時間的一項指標。本實驗設定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，結果如圖1所示。

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。

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，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，并預先根據(jù)交通路況可能存在的安全隱患將交通路況圖設定AOI，用紅色圈出，分析不同情緒下駕駛員的注視點位置，具體結果如圖3所示。

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彎時前車的位置，易造成前方車輛的追尾。

2.5 結果分析

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 情緒與注意力關系預測分析

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果，測試正確率結果達到83.34%，結果尚可，表明情緒對注意力的影響呈正相關。

4 結 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，預測駕駛員情緒和注意力狀況，預防駕駛員在行駛中出現(xiàn)的不良情緒和注意力渙散情況。

參考文獻（References）：

[1]

CONSTANS J I，MATHEWS A.Mood and the subjective risk of future events[J].Cognition & Emotion，1993，7（6）：545-560.

[2]張麗霞，劉濤，潘福全，等.駕駛員因素對道路交通事故指標的影響分析[J].中國安全科學學報，2014，24（5）：79-84.ZHANG Lixia，LIU Tao，PAN Fuquan，et al.Analysis of effects of driver factor on road traffic accident indexes[J].China Safety Science Journal，2014，24（5）：79-84.

[3]PECHER C，LEMERCIER C，CELLIER J，et al.Emotions drive attention：effects on drivers behaviour.[J].Safety Science，2009，47（9）：1254-1259.

[4]AMBRON E，RUMIATI R I，F(xiàn)ORONI F.Do emotions or gender drive our actions？ A study of motor distractibility[J].Cognitive neuroscience，2016，7（1-4）：160-169.

[5]張殿業(yè)，程靜，張藝.情緒對駕駛行為影響研究[J].中國安全科學學報，2018，28（10）：19-24.ZHANG Dianye，CHENG Jing，ZHANG Yi.Influences of emotions on driving behaviors[J].Chinese Journal of safety Sciences，2018，28（10）：19-24.

[6]KATSIS C D，KATERTSIDIS N，GANIATSAS G，et al.Toward emotion recognition in car-racing drivers：A biosignal processing approach[J].IEEE transactions on systems，man，and cybernetics.Part A，Systems and humans，2008，38（3）：502-512.

[7]張萌，婁勝利，丁亮.基于反向傳播神經(jīng)網(wǎng)絡的駕駛人人際與情緒危險性模型[J].公路交通科技，2015，32（1）：140-144.

ZHANG Meng，LOU Shengli，DING Liang.Drivers interpersonal and emotional risk model based on Back-Propagation neural network[J].Highway transportation technology，2015，32（1）：140-144.

[8]JERRY L D，DAVID M D，REBEKAH S L，et al.Anger，aggression，and risky behavior：a comparison of high and low anger drivers[J].Behaviour Research & Therapy，2003，41（6）：0-718.

[9]STEPHENS A N，GROEGER J A.Situational specificity of trait influences on drivers evaluations and driving behaviour[J].Transportation Research，2009，12（1）：29-39.

[10]ALBERTO M，ANTONIO M，ANTONIO C，et al.Emotional modulation of urgent and evaluative behaviors in risky driving scenarios[J].Accident Analysis and Prevention，2011，43（3）：813-817.

[11]KABER D B，LIANG Y，ZHANG Y，et al.Driver performance effects of simultaneous visual and cognitive distraction and adaptation behavior[J].Transportation Research，2012，15F（5）：491-501.

[12]賈云帆，張李斌，段亞妮，等.駕駛人員路怒情緒與駕駛風格及攻擊行為相關分析[J].中國公共衛(wèi)生，2016，32（10）：1373-1377.JIA Yunfan，ZHANG Libin，DUAN Yani，et al.Associations of anger while driving and driving style with aggressive behaviors in drivers[J].China Public Health，2016，32（10）：1373-1377.

[13]萬平，吳超仲，林英姿，等.基于置信規(guī)則庫的駕駛人憤怒情緒識別模型[J].交通運輸系統(tǒng)工程與信息，2015，15（5）：96-102.WAN Ping，WU Chaozhong，LIN Yingzi，et al.A Recognition model of driving anger based on belief rule base[J].Transportation System Engineering and Information，2015，15（5）：96-102.

[14]STEPHEN N，GROEGER A.Anger-congruent behaviour transfers across driving situations[J].Psychology Press，2011，25（8）：1423-1438.

[15]ABDU R，SHINAR D，MEIRAN N.Situational anger and driving[J].Transportation Research Part F Traffic Psychology & Behaviour，2012，15（5）：575-580.

[16]程靜，張藝.不同情緒作用下的汽車駕駛行為預測[J].交通運輸工程與信息學報，2019，17（3）：125-132.

CHENG Jing，ZHANG Yi.Prediction of driving behavior under different emotions[J].Journal of Transportation Engineering and Information，2019，17（3）：125-132.

[17]鐘銘恩，洪漢池，袁志群.憤怒情緒對駕駛行為影響的實驗[J].重慶理工大學學報（自然科學），2011，25（10）：6-11.

ZHONG Mingen，HONG Hanchi，YUAN Zhiqun.Experiment research on influence of angry emotion for driving behaviors[J].Journal of Chongqing University of Science and Technology（Natural Science），2011，25（10）：6-11.

[18]JEON M，WALKER B N，YIM J，et al.Effects of specific emotions on subjective judgment，driving performance，and perceived workload[J].Transportation Research Part F：Traffic Psychology and Behaviour，2014（24）：197-209.

[19]田水承，烏力吉，寇猛，等.基于生理實驗的礦工不安全行為與疲勞關系研究[J].西安科技大學學報，2016，36（3）：324-330.TIAN Shuicheng，WU Liji，KOU Meng，et al.Relationship between minersunsafe behavior and fatigue based on physiological experiment[J].Journal of Xian University of Science and Technology，2016，36（3）：324-330.

[20]李磊，嚴敏，王濤，等.基于TPB的疲勞對汽車駕駛員不安全駕駛行為的影響[J].西安科技大學學報，2019，39（6）：979-984.LI Lei，YAN Min，WANG Tao，et al.Influence of fatigue driving on unsafe driving behaviors of drivers based on TPB[J].Journal of Xian University of Science and Technology，2019，39（6）：979-984.

[21]劉夢佳，趙建國.基于SVM的疲勞駕駛人臉圖像特征檢測算法[J].半導體光電，2020，41（2）：278-282.LIU Mengjia，ZHAO Jianguo.Research on feature detection algorithm of fatigue driving face image based on SVM[J].Semiconductor Optoelectronics，2020，41（2）：278-282.

[22]李紅霞，薛建文，楊妍.疲勞對礦工不安全行為影響的ERP實驗研究[J].西安科技大學學報，2015，35（3）：376-380.LI Hongxia，XUE Jianwen，YANG Yan.ERP experiment research on impact of fatigue on unsafe behaviors of miners[J].Journal of Xian University of Science and Technology，2015，35（3）：376-380.

收稿日期：2020-07-06?? 責任編輯：劉 潔

基金項目：

國家自然科學基金項目（52074214）;陜西省社會科學基金項目（2020M010）

通信作者：李 磊，男，陜西榆林人，博士，副教授，E-mail：275048584@qq.com