基于驾驶行为多元时间序列特征的愤怒驾驶状态检测

引用本文

万平, 吴超仲, 林英姿, 马晓凤. 基于驾驶行为多元时间序列特征的愤怒驾驶状态检测. 吉林大学学报（工学版）, 2017, 47(5): 1426-1435
WAN Ping, WU Chao-zhong, LIN Ying-zi, MA Xiao-feng. Driving anger detection based on multivariate time series features of driving behavior. Journal of Jilin University Engineering and Technology Edition, 2017, 47(5): 1426-1435 复制到剪切板

Doi:10.13229/j.cnki.jdxbgxb201705014
Permissions

基于驾驶行为多元时间序列特征的愤怒驾驶状态检测

万平^1,^2,³, 吴超仲^1,², 林英姿³, 马晓凤^1,²

1.武汉理工大学智能交通系统研究中心,武汉 430063

2.水路公路交通安全控制与装备教育部工程技术研究中心,武汉 430063

3. 东北大学智能人机系统实验室,美国波士顿02115

通信作者:马晓凤(1981-),女,副研究员,博士.研究方向:驾驶行为与智能交通.E-mail:maxiaofeng@whut.edu.cn

作者简介:万平(1984-),男,博士研究生.研究方向:驾驶行为与安全辅助驾驶.E-mail:pingw04@163.com

基金项目:国家自然科学基金项目(51775396,51178364,51108362); 美国国家科学基金项目(1333524); 国家留学基金管理委员会项目(201406950045)

摘要

为了对“路怒症”进行有效干预,提出了一种基于驾驶行为的愤怒驾驶状态检测模型。在交通繁忙路段开展基于道路事件刺激的愤怒情绪诱导限时实验,获得驾驶人愤怒与中性情绪下的驾驶行为数据。运用分段线性表示方法拟合由方向盘转角与车辆横向位置组成的驾驶行为多元时间序列,并采用自底向上算法对该时间序列进行分段,提取各分段的斜率与时间间隔特征作为模型输入,建立基于支持向量机的愤怒驾驶状态检测模型。结果表明:模型的识别精度在10分段条件下达78.69%,较5分段、20分段分别高8.57%、4.85%。研究结果可为开发基于驾驶行为的愤怒情绪实时检测设备提供理论支持。

关键词: 交通运输系统工程; 愤怒驾驶检测; 多元时间序列; 驾驶行为; 分段线性表示

中图分类号:U491 文献标志码:A 文章编号:1671-5497(2017)05-1426-10

Driving anger detection based on multivariate time series features of driving behavior

WAN Ping^1,^2,³, WU Chao-zhong^1,², LIN Ying-zi³, MA Xiao-feng^1,²

1.Intelligent Transport Systems Research Center, Wuhan University of Technology, Wuhan 430063, China

2.Engineering Research Center for Transportation Safety, Ministry of Education, Wuhan 430063, China

3.Intelligent Human-Machine Systems Laboratory, Northeastern University, Boston 02115, USA

Abstract

To explore effective approaches of intervention on road rage, a driving anger detection model based on driving behavior is proposed. The driving behavior data in angry and neutral states were acquired by conducting timed experiments for driving anger induction in busy traffic sections. Piecewise Linear Representation (PLR) method was used to fit multivariate time series, which consists of steering wheel angle and vehicle lateral position, and a bottom-up algorithm was implemented to separate the multivariate time series. The slope and time interval of each segment were extracted as the input features of a Support Vector Machine (SVM) model, which was used to recognize the driving anger. The validation results show that the accuracy of the proposed model with ten segments is 78.69%, which is 8.57% and 4.85% higher than that with five segments and twenty segments, respectively. This study may provide reference for the design of real driving anger detection devices based on driving behavior.

Key words: engineering of communication and transportation system; driving anger detection; multivariate time series; driving behaviors; piecewise linear representation

Show Figures

0 引言

驾驶愤怒, 又称“ 路怒症” , 是指在周边车辆不良驾驶行为、行人占道与交通阻塞等情况下的开车压力与挫折导致的愤怒情绪^[1]。美国国家公路交通安全管理局的统计显示, 5%~7%的美国驾驶人患有“ 路怒症” ^[2]。在我国, 调查显示60.72%的车主患有“ 路怒症” , 82.45%的车主遇到他人违章时会产生愤怒情绪^[3]。“ 路怒症” 会显著降低驾驶人的感知、判断、决策能力, 从而使驾驶人产生各种不良或危险驾驶行为, 导致交通违规、交通事故的频频发生^[4]。因此, 为了降低“ 路怒症” 对道路交通安全的影响, 有必要对驾驶愤怒情绪进行识别、干预。

目前有关情绪识别的研究主要基于面部表情、语音、姿态以及生理特征^[5]。林启万^[6]采用视频图像处理的手段, 提取了驾驶人眼睛与脸部面积比、嘴角连线中点与嘴唇最高点之间的高度差等几何特征, 运用阈值判别法对驾驶人的紧张与平和情绪进行了识别。Jones等^[7]通过驾驶人与车内信息系统的语音交互, 提取驾驶人声音信号的频率、幅度、功率谱系数等特征来识别驾驶人的高兴、愤怒与悲伤等情绪。Kessous等^[8]采用身体躯干的移动与收缩次数、手部重心的移动速度与加速度等姿态特征对被试的基本情绪进行识别。Wang等^[9]提取血流量脉冲、皮肤电导率、呼吸率与皮温等生理特征, 采用因子分解模型识别驾驶人多种情绪。Katsis等^[10]提取驾驶人在模拟比赛环境下的脸部肌电、心电与皮肤电活动等生理特征, 采用支持向量机(SVM)对驾驶情绪进行区分。Liu等^[11]通过视频刺激被试产生积极与消极情绪, 提取相应情绪下的脑电功率谱特征, 运用SVM对这两类情绪进行识别。

综上所述, 目前的驾驶情绪都是通过室内语音、视频与模拟场景刺激产生, 与实际交通环境中产生的情绪在唤醒度和持续时间上存在偏差。其次, 目前情绪识别研究所选取的上述指标特征存在如下不足:基于视频图像处理的面部表情特征提取效果受光照、天气等环境因素影响较大; 基于声音的特征提取效果受实际交通环境中的车内外噪音影响较大; 而采集生理信号的绝大多数传感器须在人体表面贴入电极, 侵入性较强, 可能引起驾驶人不适并干扰其自然驾驶过程。再次, 目前的时域或频域特征提取方法仅孤立地提取单个变量特征而不能提取不同变量间的交互、协同特征。因此, 本文通过实车实验提取驾驶人在愤怒情绪下的驾驶行为(操作行为与车辆运动)多元时间序列特征, 建立基于SVM的愤怒情绪识别模型。

1 实验设计

1.1 场景设计

为了使被试产生更多真实的愤怒情绪, 从而有效获得愤怒情绪下的驾驶行为特征, 本课题在实际交通环境中开展实车实验。实验路线经过湖北武汉市汉口区和武昌区较为繁忙的路段, 全程53 km, 途径45个信号交叉口、59道行人斑马线以及3个大型商业区等, 见图1。在该路线上被试会经常遇到非机动车(行人)横穿马路、周边车辆加塞抢道、长时间等红灯和交通堵塞等刺激事件(见图2), 尤其在早晚高峰时间段, 这些事件的频繁出现会诱导被试产生愤怒情绪。为了提高诱导效果, 要求被试110 min内完成实验, 并根据实际完成时间进行报酬结算。

	Figure Option View Download New Window
	图1 实车实验路线Fig.1 On-road experiment route

	Figure Option View Download New Window
	图2 实验中的道路事件Fig.2 Road events during experiments

1.2 被试

研究表明^[12], 男性驾驶人遇到刺激事件时更易产生愤怒情绪, 进而引发不良或危险驾驶行为。为了增强实验效果, 本文仅选择男性驾驶人作为被试。招募了15名持有C1驾驶执照的被试, 平均年龄为43.4岁, 标准差为6.4岁; 平均驾龄为8.4年, 标准差为4.6年。每名被试除了基本实验报酬外, 按照5元/min的额度进行实验任务提前或延迟完成的奖惩结算。同时, 招募一名驾驶经验丰富的观察者, 该观察者坐在副驾驶位置上按时询问并记录被试的愤怒等级。

1.3 设备

实验设备的主体是武汉理工大学智能交通系统研究中心的自动挡试验车(见图3)。该车具备车辆控制器局域网络(CAN), 融合了多种操作行为传感器如方向盘转动传感器、加速踏板与制动踏板传感器等。使用车道偏离预警装置MobileyeC2-270系统采集车辆在道路中的位置, 见图4。采用惯性导航系统RT2500采集车辆的速度、加速度等运动特征, 见图5。另有3台高清摄像机(见图6)分别记录前方道路环境(刺激事件)、被试的面部表情(语音)和驾驶操作行为。该记录可辅助判断被试的愤怒驾驶状态。

	Figure Option View Download New Window
	图3 实车实验用车Fig.3 Testing car for on-road experiments

	Figure Option View Download New Window
	图4 MobileyeC2-270系统Fig.4 MobileyeC2-270 system

	Figure Option View Download New Window
	图5 惯性导航系统RT2500Fig.5 Inertial navigation RT2500 system

	Figure Option View Download New Window
	图6 视频摄像机Fig.6 Video cameras

1.4 实验过程

(1)实验前准备。登记被试的年龄、驾龄等信息并与其签订协议, 协议内容明确实验要求与报酬结算方式。例如, 被试必须在早高峰(7:00~8:00)或晚高峰(17:00~18:00)时间段内出车实验; 实验过程中不得违反任何交通规则(限速70 km/h); 所得报酬按实际任务完成时间进行奖惩结算。

(2)适应性驾驶。当调节好所有的数据采集设备并进行数据同步后, 被试须进行10 min的驾驶练习, 以适应试验车辆的操作性能与运动性能, 从而消除紧张感或不适感。

(3)正式实验。每隔2 min, 观察者向被试询问目前的情绪状态, 该状态通过5级Likert量表(1-平静, 5-暴怒)记录^[13]; 而当被试遇到刺激事件时, 则立即询问其愤怒状态。同时, 被试的各种驾驶行为信号被相关传感器记录。

2 特征提取

2.1 驾驶情绪状态定义

根据被试对其情绪的自我报告, 当其愤怒等级与前一次报告的差值小于2时, 该愤怒等级将被直接采用; 否则, 邀请驾驶经验更丰富的观察者结合被试的面部表情(语音)视频、前方道路环境视频以及被试方向盘、档位等操作视频记录对被试报告的愤怒等级进行重新评估。由于受到了报酬奖惩的刺激, 被试在实验过程中即使没遇到愤怒刺激事件, 仍可能维持较低等级(即愤怒等级2)的愤怒水平, 而当被试处于平静状态时, 根据5级Likert量表的定义, 其愤怒等级为1。因此, 当被试愤怒等级小于3时, 可认为被试处于中性驾驶状态; 当被试愤怒等级大于或等于3时, 可认为被试处于愤怒驾驶状态。

2.2 指标选择

通过与被试访谈和视频统计, 发现在事件刺激后被试的愤怒状态一般持续15~60 s, 此后若无新的刺激, 愤怒情绪将会消退, 因此本文将选取上述区间的中间值, 即自事件刺激开始后的37.5 s的时间跨度内的驾驶行为数据作为分析对象。对愤怒与中性驾驶状态下的3种操作行为(制动踏板、加速踏板深度和方向盘转角)以及3种车辆运动行为(速度、加速度与车辆横向位置)进行配对样本t检验。检验结果(见表1)表明, 仅方向盘转角和车辆横向位置在愤怒与中性情绪下存在显著性差异(Sig< 0.05), 因此这两个驾驶行为指标可用来区分这两类驾驶状态。

表1 愤怒和中性情绪下的驾驶行为指标配对样本t检验 Table 1 Paired t-tests of driving behavior indictors between driving anger and neutral state

2.3 多元时间序列特征提取

2.3.1 多元时间序列定义

通过对方向盘操作信号进行分析后发现, 被试在中性情绪下会频繁且小幅度地修正方向盘, 而一旦产生愤怒情绪, 会由于认知失误(注意力分散)导致修正操作频度减少或猛烈地、大幅度地修正方向盘。此外, 被试愤怒状态一般持续15~60 s, 在这期间, 方向盘仅出现2~3次上述操作特征, 每次持续时间较短(5~10 s)。对车辆横向位置信号的分析也得到了相似的结果。因此, 若在整个愤怒时间段求取方向盘转角或车道位置标准差, 其与中性情绪下的差异性会因统计的平均作用而显著降低, 不适合愤怒驾驶状态的实时检测。

时间序列是观测变量在某时间段内连续的记录集, 具有较强的连贯性与规律性, 可快速反映变量的变化趋势与特征, 因此, 驾驶行为时间序列特征可用来实时检测驾驶人情绪变化。而多元时间序列分析可提取不同变量间的交互与协同特征, 它能克服一般时域或频域特征提取方法只能孤立地提取单个变量特征的缺陷。假设x_m(t), (m=1, 2, …, n; t=1, 2, …, i)表示在t时刻第m个观测变量的值, 则由n个观测变量全时刻组成的多元时间序列为:

$\begin{matrix} [\begin{matrix} X_{1} \\ X_{2} \\ ⋮ \\ X_{m} \end{matrix}] = [\begin{matrix} x_{1} (1), & x_{1} (2), & \dots, & x_{1} (i) \\ x_{2} (1), & x_{2} (2), & \dots, & x_{2} (i) \\ ⋮ & ⋮ & \dots, & ⋮ \\ x_{m} (1), & x_{m} (2) & \dots, & x_{m} (i) \end{matrix}] \end{matrix}$ (1)

式中:等式左边表示m个观测变量; 右边的每行表示某个观测变量的一元时间序列, 每列表示某时刻所有变量的观测值。

由方向盘转角和车辆横向位置组成的多元时间序列为:

$\begin{matrix} [\begin{matrix} D \\ φ \end{matrix}] = [\begin{matrix} d (1), & d (2), & \dots, & d (i) \\ φ (1), & φ (2), & \dots, & φ (i) \end{matrix}] \end{matrix}$ (2)

式中:d(j)(j=1, 2, …, i)为车辆在j时刻的横向位置; φ (j)(j=1, 2, …, i)为j时刻的方向盘转角。

2.3.2 多元时间序列的分段线性表示与分割

实际应用中传感器记录的多元时间序列都是高维与海量的, 为了快速提取时间序列的有效特征, 本文采用分段线性表示法(Piecewise linear representation, PLR)。PLR具有数据压缩度高、形式直观、噪声过滤效果好和较快的数据相似性搜索等特点^[14]。PLR将时间序列沿时间轴分成m个子段, 将每个子段的2个端点采用直线段连接。设时间序列X(t)={x₁, x₂, …, x_n}, 则其PLR模式为:

$\begin{matrix} X (t) = \{\begin{matrix} f_{1} (t, w_{1}) + e_{1} (t), & t \in (1, t_{1}] \\ f_{2} (t, w_{2}) + e_{2} (t), & t \in (t_{1}, t_{2}] \\ ⋮ & ⋮ \\ f_{K} (t, w_{m}) + e_{m} (t), & t \in (t_{m - 1}, t_{m}] \end{matrix} \end{matrix}$ (3)

式中:w_j为原时间序列经过分段线性表示后的第j个子段, 对应的时间区间为[w_j-₁, w_j]; f_j(t, w_j)为连接w_j两个端点的线性函数; e_j(t)为该子段的原时间序列与其线性表示之间的拟合误差。

假设第j个子段为T_j={x(w_j-₁), x(w_j-₁+1), …, x(w_j)}, 相应地, 该段经过线性插值后的时间序列为:

$\begin{matrix} T_{j}^{C} = \{x (w_{j - 1})^{c}, x (w_{j - 1} {+ 1)}^{c}, \dots, x (w_{j})^{c}\} (4) \end{matrix}$

则第j个子段的线性表示序列和原序列之间的拟合误差e_j与全部子段的拟合误差E计算如下:

$e_{j} = \sqrt[]{\overset{w_{j}}{\sum_{i = w_{j - 1}}} {(x_{i} - {x_{i}}^{c})}^{2}}$ (5)

$\begin{matrix} E = \overset{m}{\sum_{j = 1}} e_{j} \end{matrix}$ （6）

为了使原时间序列和其线性表示之间的误差尽可能小, 关键在于每个子段两个端点, 即分割位置的确定。在实际应用中, 可运用“ bottom-up” 算法对多元时间序列进行分割。该算法首先让时间序列上任意相邻两点组成最小分段, 接着计算两个相邻分段合并后产生的拟合误差, 再将误差最小的两相邻段合并, 直至该误差大于指定阈值^[15]。例如, 方向盘转角与车辆横向位置组成的多元时间序列的长度为20 s(采样频率为20 Hz), 依据“ bottom-up” 算法将其划分为10段, 即多元时间时间序列

$\begin{matrix} \begin{matrix} [\begin{matrix} D \\ φ \end{matrix}] = [\begin{matrix} d (1), & d (2), & \dots, & d (400) \\ φ (1), & φ (2), & \dots, & φ (400) \end{matrix}] \end{matrix} \end{matrix}$ （7）

被划分为10段, 如图7和图8所示。从图7可以看出, 车辆横向位置时间序列的10个互不重复的子段分别为S₁(1, 16), S₂(17, 80), S₃(81, 102), S₄(103, 132), S₅(133, 191), S₆(192, 241), S₇(242, 292), S₈(293, 324), S₉(325, 353)和S₁₀(354, 400)。从图8可以看出, 方向盘转角时间序列的10个互不重复的子段分别为S₁(1, 33), S₂(34, 65), S₃(66, 116), S₄(117, 169), S₅(170, 215), S₆(216, 246), S₇(247, 282), S₈(283, 326), S₉(327, 356)和S₁₀(357, 400)。

	Figure Option View Download New Window
	图7 车辆横向位置时间序列分段线性表示结果Fig.7 PLR results of time series of vehicle lateral position

	Figure Option View Download New Window
	图8 方向盘转角时间序列分段线性表示结果Fig.8 PLR results of time series of steering wheel angle

2.3.3 多元时间序列的特征提取

采用PLR方法将车辆横向位置和方向盘转角组成的多元时间序列分为m段, 即:

$\begin{matrix} [\begin{matrix} D \\ φ \end{matrix}] = [\begin{matrix} S_{1}^{d} (p_{1}^{d}, q_{1}^{d}), & S_{2}^{d} (p_{2}^{d}, q_{2}^{d}), & \dots, & S_{m}^{d} (p_{m}^{d}, q_{m}^{d}) \\ S_{1}^{φ} (p_{1}^{φ}, q_{1}^{φ}), & S_{2}^{φ} (p_{2}^{φ}, q_{2}^{φ}), & \dots, & S_{m}^{φ} (p_{m}^{φ}, q_{m}^{φ}) \end{matrix}] \end{matrix}$ （8）

式中:[ $\begin{matrix} ρ_{j}^{d} \end{matrix}$ , $\begin{matrix} q_{j}^{d} \end{matrix}$ ]、[ $\begin{matrix} ρ_{j}^{φ} \end{matrix}$ , $\begin{matrix} q_{j}^{φ} \end{matrix}$ ]分别为车辆横向位置与方向盘转角时间序列的第j个子段的两个端点。

对于每个被线性拟合的子段, 可提取其斜率与时间间隔为驾驶情绪识别的特征, 则所有子段组成的特征序列为:

$\begin{matrix} [\begin{matrix} D^{F} \\ φ^{F} \end{matrix}] = [\begin{matrix} (ρ_{1}^{d}, w_{1}^{d}), & (ρ_{2}^{d}, w_{2}^{d}), & \dots, & (ρ_{m}^{d}, w_{m}^{d}) \\ (ρ_{1}^{φ}, w_{1}^{φ}), & (ρ_{2}^{φ}, w_{2}^{φ}), & \dots, & (ρ_{m}^{φ}, w_{m}^{φ}) \end{matrix}] \end{matrix}$ （9）

式中: $\begin{matrix} ρ_{j}^{d} \end{matrix}$ (j=1, 2, …, m)、 $\begin{matrix} ρ_{j}^{φ} \end{matrix}$ (j=1, 2, …, m)分别为车辆横向位置和方向盘转角时间序列第j个子段的斜率; $\begin{matrix} w_{j}^{d} \end{matrix}$ (j=1, 2, …, m)、 $\begin{matrix} w_{j}^{φ} \end{matrix}$ (j=1, 2, …, m)分别为车辆横向位置和方向盘转角时间序列第j个子段的时间长度, 即:

$ρ_{j}^{d} = \frac{Δ d_{j}}{Δ w_{j}} = \frac{d_{j} - d_{j - 1}}{w_{j} - w_{j - 1}}$ （10）

$\begin{matrix} ρ_{j}^{φ} = \frac{Δ φ_{j}}{Δ w_{j}} = \frac{φ_{j} - φ_{j - 1}}{w_{j} - w_{j - 1}} \end{matrix}$ （11）

依据公式(9)(10)(11), 图7和图8显示的多元时间序列的特征矩阵为:

$[\begin{matrix} D^{F} \\ φ^{F} \end{matrix}] = [\begin{matrix} A_{1} & A_{2} & A_{3} & A_{4} & A_{5} \end{matrix}]$ （12）

式中：

$\begin{matrix} \begin{matrix} A_{1} = [\begin{matrix} (- 0.0248, 15), & (- 0.0009, 63) \\ (0.0656, 32), & (0.0000, 31) \end{matrix}]; \\ A_{2} = [\begin{matrix} (- 0.0181, 21), & (0.0023, 29) \\ (0.0772, 50), & (0.0015, 52) \end{matrix}]; \\ A_{3} = [\begin{matrix} (0.0125, 58), & (- 0.0006, 49) \\ (0.0933, 45), & (0.0317, 30) \end{matrix}]; \\ A_{4} = [\begin{matrix} (- 0.0057, 50), & (0.0083, 31) \\ (- 0.0883, 35), & (0.0758, 43) \end{matrix}]; \\ A_{5} = [\begin{matrix} (- 0.0102, 28), & (0.0089, 45) \\ (- 0.0007, 29), & (- 0.0627, 43) \end{matrix}] 。 \end{matrix} \end{matrix}$

2.3.4 多元时间序列特征统计分析

考虑到时间序列的不同子段数目的分段线性表示, 可能会影响驾驶行为特征的提取效果, 本文分析了愤怒和中性情绪下的驾驶行为(方向盘转角和车辆横向位置)时间序列在5、10和20个子段划分下的线性拟合斜率的统计特征, 见表2、表3。

从表2和表3可以看出, 愤怒情绪下车辆横向位置和方向盘转角时间序列的分段线性表示的斜率均值、标准差、极差(最大值-最小值)均比中性情绪下的大, 表明愤怒情绪会使驾驶人方向盘操作不均匀, 波动较大, 导致车辆的运动状态不稳定, 增加了驾驶风险。方差分析结果进一步表明, 对于3种分段方法, 愤怒情绪下的驾驶行为时间序列的线性表示的斜率的标准差均明显比中性情绪下的大(P< 0.05), 且在子段数为10下的差异最为显著(P> 0.03); 而两种情绪下的驾驶行为时间序列的分段线性表示的斜率的均值没有显著性差异(P> 0.05), 如表4所示。对于同种驾驶情绪, 分段数对线性表示的斜率有一定影响, 但影响并不显著。

表2 车辆横向位置时间序列分段表示斜率的描述统计 Table 2 Descriptive statistics of slopes of vehicle lateral position

表3 方向盘转角时间序列分段表示斜率的描述统计 Table 3 Descriptive statistics of slopes of steering wheel angle

表4 愤怒和中性情绪下的驾驶行为时间序列分段表示斜率差异的显著性分析结果 Table 4 Significant difference analysis results of slopes for driving behaviors between anger and neutral state

3 基于SVM模型的愤怒驾驶识别

3.1 模型构建

支持向量机(SVM)是一种能较好地解决小样本、非线性及高维模式识别问题的分类方法。SVM可通过适当的核函数将原始空间里线性不可分的输入向量映射到高维空间, 然后在高维空间求解最优分类超平面^[16]。本文在LibSVM环境下, 建立SVM分类器, 采用的核函数为径向基函数(Radial basis function, RBF):K(x_i, x_j)=exp{-‖ x_i-x_j‖ ²/2g²}。对于决定SVM分类效果的核函数, 其功能与惩罚系数C和RBF的系数g关系密切, 本文采用5折交叉验证和网格搜索的方法来优化这两个参数。将车辆横向位置和方向盘转角时间序列的分段线性表示的斜率和相应的时间间隔共4个特征作为SVM分类器的输入, 将驾驶人的情绪状态(愤怒或中性)作为模型的输出。从所有被试里选取450个样本(愤怒与中性样本各半)作为训练集, 另选150个样本作为测试集。基于SVM的愤怒驾驶状态检测流程如图9所示。

	Figure Option View Download New Window
	图9 基于SVM的愤怒驾驶状态检测流程Fig.9 Driving anger detection process based on SVM

3.2 模型测试结果

针对驾驶行为多元时间序列不同子段数(5、10和20)的分段线性表示, 本文建立的SVM分类器的相关参数训练优化结果见表5。

表5 基于不同分段数的SVM核函数参数优化结果 Table 5 Optimal parameters of SVM for different numbers of segments

为了分析不同子段数对SVM分类器分类效果的影响, 本文引入3个评价指标, 即查全率(Recall)、查准率(Precision)和正确率(Accuracy), 定义如下:

$Recall = \frac{TP}{TP + FN}$ （13）

$Precision = \frac{TP}{TP + FP}$ （14）

$\begin{matrix} Accuracy = \frac{TP + TN}{TP + FN + TN + FP} \end{matrix}$ (15)

式中:TP为正确判别为愤怒驾驶样本的个数; FN为错误判别为中性驾驶样本的个数; FP为错误判别为愤怒驾驶样本的个数; TN为正确判别为中性驾驶样本的个数。

运用测试样本集进行测试的结果如图10所示。从图10可以看出, 多元时间序列不同分段数的线性表示对SVM分类效果有显著影响。例如, 当分段数为10时, SVM的正确率、查全率和查准率最高, 说明过大(20)或过小(5)分段数的线性表示均不能较好地提取多元时间序列特征。

	Figure Option View Download New Window
	图10 不同分段数线性表示下的SVM分类效果Fig.10 Performance of SVM classifier for different numbers of segments

表6为基于驾驶行为多元时间序列不同分段数线性表示特征的SVM对15名被试驾驶情绪的识别率。从表6可以看出, 基于10分段线性表示特征的平均识别率最高, 达78.69%, 比5分段和20分段的识别率分别高8.57%、4.85%。虽然本模型最高识别率比作者前期研究成果^[17]低3.55%, 但文献[17]采用较为昂贵的生理传感器采集被试的生理和脑电指标, 这些生理传感器不仅佩戴麻烦, 而且其较强的侵入性会引起驾驶人不适并干扰其自然驾驶行为。此外, 对于这3种分段方法, 年轻被试愤怒状态识别率较高, 可能原因是年轻驾驶人易愤怒, 且愤怒后的驾驶行为特征变化更为剧烈。

表6 基于不同分段数线性表示特征的SVM识别结果 Table 6 Comparisons of recognition rate of driving anger based on SVM for different numbers of segments

4 结束语

本文首先采用基于实际道路事件(周边车辆加塞、行人横穿马路等)刺激的愤怒情绪诱导方法, 克服了室内模拟环境下情绪诱导的唤醒度与持续度不足的缺陷。其次, 为了快速实时地检测出驾驶人情绪的变化, 本文运用分段线性表示方法(PLR)提取了方向盘转角与车辆横向位置组成的驾驶行为多元时间序列的特征(分段斜率和时间间隔), 并以此特征作为模型输入, 建立识别驾驶愤怒和中性情绪的SVM模型。测试结果显示, 该模型最高识别率达78.69%, 可为开发基于驾驶行为多元时间序列特征的愤怒驾驶状态检测及预警设备提供理论支持。此外, 本文的被试样本过少且尚未包含女性被试, 为了增强模型的可靠性与适用性, 今后可增加被试数量, 尤其女性被试的数量。同时, 本文测试结果显示, 基于10分段线性表示特征的平均识别率比较小分段数(5)和较大分段数(20)的识别率高, 表明选择合适分段数的线性表示时间序列对模型的识别效果影响较大, 今后可对确定分段数的自适应算法进行探索。其次, 本文仅对中性和愤怒情绪驾驶状态进行了识别, 未来可对不同愤怒强度的驾驶状态进行识别。

The authors have declared that no competing interests exist.

参考文献

View Option

[1]	吴超仲, 雷虎. 汽车驾驶愤怒情绪研究现状与展望[J]. 中国安全科学学报, 2010, 20(7): 3-8. Wu Chao-zhong, Lei Hu. Review on the study of motorists' driving anger[J]. China Safety Science Journal, 2010, 20(7): 3-8. [本文引用:1]
[2]	National highway traffic safety administration (NHTSA): traffic safety facts: a compilation of motor vehicle crash data from the fatality analysis reporting system and the general estimates system. Department of Transportation[Z]. [本文引用:1]
[3]	雷虎. 愤怒情绪下的汽车驾驶行为特征及其对交通安全的影响研究[D]. 武汉: 武汉理工大学智能交通系统研究中心, 2011. Lei Hu. The characteristics of angry driving behaviors and its effects on traffic safety[D]. Wuhan: Intelligent Transport Systems Research Center, Wuhan University of Technology, 2011. [本文引用:1]
[4]	Dahlen E R, Martin R C, Ragan K, et al. Driving anger, sensation seeking, impulsiveness, and boredom proneness in the prediction of unsafe driving[J]. Accident Analysis and Prevention, 2005, 37(2): 341-348. [本文引用:1]
[5]	张迪, 万柏坤, 明东. 基于生理信号的情绪识别研究进展[J]. 生物医学工程学杂志, 2015, 32(1): 229-234. Zhang Di, Wan Bai-kun, Ming Dong. Research progress on emotion recognition based on physiologicalsignals[J]. Journal of Biomedical Engineering, 2015, 32(1): 229-234. [本文引用:1]
[6]	林启万. 基于情绪计算的驾驶行为研究[D]. 广州: 广东工业大学机电工程学院, 2014. Lin Qi-wan. Research on driving behavior based on emotional computing[D]. Guangzhou: School of Electromechanical Engineering of Guangdong University of Technology, 2014. [本文引用:1]
[7]	Jones C, Jonsson I. Detecting emotions in conversations between driver and in-car information systems[C]//Proceedings of the First International Conference on Affective Computing and Intelligent Interaction, Berlin, Germany, 2005: 780-787. [本文引用:1]
[8]	Kessous L, Castellano G, Caridakis G. Multimodal emotion recognition in speech-based interaction using facial expression, body gesture and acoustic analysis[J]. Journal on Multimodal User Interfaces, 2010, 3(1): 33-48. [本文引用:1]
[9]	Wang Jin-jun, Gong Yi-hong. Normalizing multi-subject variation for drivers' emotion recognition[C]//IEEE International Conference on Multimedia and Expo, New York, USA, 2009: 354-357. [本文引用:1]
[10]	Katsis C, Goletsis Y, Rigas G, et al. A wearable system for the affective monitoring of car racing driversduring simulated conditions[J]. Transportation Research Part C: Emerging Technologies, 2011, 19: 541-551. [本文引用:1]
[11]	Liu Yi-hung, Wu Chien-te, Cheng Wei-teng, et al. Emotion recognition from single-trial EEG based on kernel fisher's emotion pattern and imbalanced quasiconformalkernel support vector machine[J]. Sensors, 2014, 14: 13361-13388. [本文引用:1]
[12]	Herrero-Fernánde D. Psychometric adaptation of the driving anger expression inventory in a Spanish sample: differences by age and gender[J]. Transportation Research Part F: Traffic Psychology and Behavior, 2011 (14): 324-329. [本文引用:1]
[13]	严新平, 张晖, 吴超仲, 等. 道路交通驾驶行为研究进展及其展望[J]. 交通信息与安全, 2013, 31(1): 45-51. Yan Xin-ping, Zhang Hui, Wu Chao-zhong, et al. Research progress and prospect of road traffic driving behavior[J]. Journal of Transport Information and Safety, 2013, 31(1): 45-51. [本文引用:1]
[14]	廖俊, 于雷, 罗寰, 等. 基于趋势转折点的时间序列分段线性表示[J]. 计算机工程与应用, 2010, 46(30): 50-53. Liao Jun, Yu Lei, Luo Huan, et al. Time series piecewise linear representation based on trend transition point[J]. Computer Engineering and Applications, 2010, 46(30): 50-53. [本文引用:1]
[15]	Bankó Z, Abonyi J. Correlation based dynamic time warping of multivariatetime series[J]. Expert Systems with Applications, 2012, 39(17): 12814-12823. [本文引用:1]
[16]	徐淼, 赵丁选, 倪涛, 等. 基于最小二乘支持向量机的混合动力挖掘机负载功率预测[J]. 吉林大学学报: 工学版, 2015, 45(1): 133-138. Xu Miao, Zhao Ding-xuan, Ni Tao, et al. Load prediction of hybrid excavator based onleast square support vector machine[J]. Journal of Jilin University(Engineering and Technology Edition), 2015, 45(1): 133-138. [本文引用:1]
[17]	万平, 吴超仲, 林英姿, 等. 基于置信规则库的驾驶人愤怒情绪识别模型[J]. 交通运输系统工程与信息, 2015, 15(5): 96-102. Wan Ping, Wu Chao-zhong, Lin Ying-zi, et al. A recognition model of driving anger based on belief rule base[J]. Journal of Transportation Systems Engineering and Information Technology, 2015, 15(5): 96-102. [本文引用:1]

2010

0.0

. 2010, 20(7):3-8

Review on the study of motorists' driving anger

汽车驾驶愤怒情绪研究现状与展望

Wu Chao-zhong , Lei Hu.

吴超仲, 雷虎

系统分析愤怒驾驶的研究方法和研究难点,从汽车驾驶人愤怒情绪产生的情景、汽车驾驶人愤怒时的表现或行为、汽车驾驶人愤怒情绪对交通安全的影响、汽车驾驶人愤怒情绪识别4个方面介绍汽车驾驶人愤怒驾驶的研究进展,以及国外汽车驾驶人愤怒驾驶研究的方法和工具.提出研究汽车驾驶人愤怒情绪应该重点关注样本的选择和研究方法的突破,并对发展趋势进行了展望:准确识别汽车驾驶人开车中的愤怒情绪,预测愤怒下的驾驶人开车可能产生的不安全行为,如何有效地管理愤怒驾驶,消除驾驶人在行车中的愤怒情绪,避免或降低愤怒驾驶对交通安全的影响.

... ,是指在周边车辆不良驾驶行为、行人占道与交通阻塞等情况下的开车压力与挫折导致的愤怒情绪^[1] ...

0.0

... ^[2] ...

2011

0.0

. 2011, :- DOI:doi:10.7666/d.y1880778

The characteristics of angry driving behaviors and its effects on traffic safety[D]. Wuhan: Intelligent Transport Systems Research Center,

愤怒情绪下的汽车驾驶行为特征及其对交通安全的影响研究[D]

Lei Hu.

雷虎

随着社会经济的快速发展，我国汽车保有量迅速上升，小汽车已经成为普通市民的出行工具。现代都市生活节奏加快，生活工作等方面的压力也不断增加，人们积累的压力、不良情绪需要释放，尤其是上下班高峰时间，因驾车引发的情绪冲突也越来越多，有的甚至会袭击他人和其他车辆以泄愤。据调查，中国有60％多的驾驶人有过在马路上带着愤怒情绪开车的经历。愤怒驾驶不仅会给道路交通带来一系列的安全隐患，而且还会影响正常的道路交通秩序等。因此，研究驾驶人愤怒情绪下的驾驶行为特征，识别愤怒驾驶状态，制定愤怒驾驶的干预、管理措施，对于交通系统的正常运行有着重...

... 45%的车主遇到他人违章时会产生愤怒情绪^[3] ...

2005

0.0

... 会显著降低驾驶人的感知、判断、决策能力,从而使驾驶人产生各种不良或危险驾驶行为,导致交通违规、交通事故的频频发生^[4] ...

2015

0.0

. 2015, 32(1):229-234

Research progress on emotion recognition based on physiologicalsignals

基于生理信号的情绪识别研究进展

Zhang Di , Wan Bai-kun , Ming Dong.

张迪, 万柏坤, 明东

... 目前有关情绪识别的研究主要基于面部表情、语音、姿态以及生理特征^[5] ...

2014

0.0

. 2014, :- DOI:doi:10.7666/d.Y2581691

Research on driving behavior based on emotional computing[D].

基于情绪计算的驾驶行为研究[D]

Lin Qi-wan.

林启万

人工心理和情绪计算作为新兴科技中具有代表性的一门学科,本文提出将其融进人机交互技术应用中,开展关于人工心理和情绪计算在汽车驾驶行为中的应用研究,从而预防攻击性驾驶等不良驾驶行为,将促进安全驾驶的发展。全书共分五章,第1章主要介绍了人工情绪的概念,分析了国内外对于情绪计算课题的研究现状和发展趋势,探讨了关于情绪识别的几个方法,包括从生理方面的识别、语音识别和人脸表情识别。第2章分析了驾驶行为,尤其是愤怒情绪下的攻击性驾驶行为,并分别从驾驶员的生理、心理、性格因素和社会大环境因素着手去分析攻击性驾驶行为的成因,并提出了基于车辆运行状态和基于驾驶员特征的驾驶情绪检测方法。第3章将各类驾驶因子融合起来,包括油门与制动踏板的操作、方向盘转动操作、车灯切换和鸣笛操作等多因子的指标评价,运用Matlab建立了BP神经网络模型,并设计参数对其进行训练。第4章用机器视觉技术识别驾驶员的驾驶表情,通过中值滤波、直方图均衡、图像的腐蚀与膨胀等图像算法定位跟踪人脸,用Adaboost级联分类器训练定位人眼,并大胆提出了驾驶紧张度和驾驶平和度的概念。第5章,设计了实验研究方案,对驾驶紧张度和驾驶平和度分别建模,并运用matlab得出驾驶紧张度和驾驶平和度的曲线拟合和归一化模型,并最终得到驾驶情绪的表达式。

... 林启万^[6]采用视频图像处理的手段,提取了驾驶人眼睛与脸部面积比、嘴角连线中点与嘴唇最高点之间的高度差等几何特征,运用阈值判别法对驾驶人的紧张与平和情绪进行了识别 ...

2005

0.0

... Jones等^[7]通过驾驶人与车内信息系统的语音交互,提取驾驶人声音信号的频率、幅度、功率谱系数等特征来识别驾驶人的高兴、愤怒与悲伤等情绪 ...

2010

0.0

... Kessous等^[8]采用身体躯干的移动与收缩次数、手部重心的移动速度与加速度等姿态特征对被试的基本情绪进行识别 ...

2009

0.0

... Wang等^[9]提取血流量脉冲、皮肤电导率、呼吸率与皮温等生理特征,采用因子分解模型识别驾驶人多种情绪 ...

2011

0.0

... Katsis等^[10]提取驾驶人在模拟比赛环境下的脸部肌电、心电与皮肤电活动等生理特征,采用支持向量机(SVM)对驾驶情绪进行区分 ...

2014

0.0

... Liu等^[11]通过视频刺激被试产生积极与消极情绪,提取相应情绪下的脑电功率谱特征,运用SVM对这两类情绪进行识别 ...

2011

0.0

... 2 被试研究表明^[12],男性驾驶人遇到刺激事件时更易产生愤怒情绪,进而引发不良或危险驾驶行为 ...

2013

0.0

. 2013, 31(1):45-51 DOI:doi:10.3963/j.issn1674-4861.2013.01.009

Research progress and prospect of road traffic driving behavior

道路交通驾驶行为研究进展及其展望

Yan Xin-ping , Zhang Hui , Wu Chao-zhong

严新平, 张晖, 吴超仲

汽车驾驶行为被认为是导致交通事故的重要原因之一,也一直是交通安全领域重要的研究热点。文中综述面向交通安全的驾驶行为研究进展。对驾驶行为的涵义进行了描述,并将其分成了信息感知、决策和操作、车辆状态表现3个主要阶段,提出了表征3个阶段驾驶行为风险的方法,建立了具体的表征指标。根据所建立指标体系,介绍目前面向交通安全的驾驶行为研究主要内容、所采用的主要方法和手段以及取得的研究成果。通过分析目前研究的主要进展和存在的主要问题,对面向交通安全的驾驶行为研究进行总结,并分析目前驾驶行为研究的趋势。结合目前其他技术的发展情况,提出驾驶行为研究的主要方向,阐述用于研究驾驶行为的新方法和手段,对驾驶行为的研究进行展望。

... 每隔2 min,观察者向被试询问目前的情绪状态,该状态通过5级Likert量表(1-平静,5-暴怒)记录^[13] ...

2010

0.0

. 2010, 46(30):50-53 DOI:doi:10.3778/j.issn.1002-8331.2010.30.015

Time series piecewise linear representation based on trend transition point

基于趋势转折点的时间序列分段线性表示

Liao Jun , Yu Lei , Luo Huan

廖俊, 于雷, 罗寰

分段线性表示是时间序列降维的有效方法.在总结分析序列趋势变化特点的基础上,提出了一种基于趋势转折点的时间序列分段线性表示算法.首先定义了趋势转折点作为时间序列分段点的备选集,以点到区域的距离度量趋势转折点的重要性,再根据给定的闲值选择重要趋势转折点作为分段点,对时间序列进行分段线性表示.通过与其他6种方法进行实验比较,结果表明:所提方法在具有较好的拟合质量和适应能力以及对转折点明显的序列,都表现出较强的抗噪声干扰能力.

... PLR具有数据压缩度高、形式直观、噪声过滤效果好和较快的数据相似性搜索等特点^[14] ...

2012

0.0

... 该算法首先让时间序列上任意相邻两点组成最小分段,接着计算两个相邻分段合并后产生的拟合误差,再将误差最小的两相邻段合并,直至该误差大于指定阈值^[15] ...

2015

0.0

. 2015, 45(1):133-138 DOI:doi:10.13229/j.cnki.jdxbgxb201501020

Load prediction of hybrid excavator based onleast square support vector machine

基于最小二乘支持向量机的混合动力挖掘机负载功率预测

Xu Miao , Zhao Ding-xuan , Ni Tao

徐淼, 赵丁选, 倪涛

In the search of parallel hybrid hydraulic excavator power matching, a power prediction model is proposed based on Least Square Support Vector Machine (LS-SVM) algorithm for constant power variable duplex pump. Based on the analysis of the principle of variable capacity pump, the load spectra obtained from actual excavator operations are used as training samples, the pump outlet pressure, the pilot secondary pressure and the variable displacement pressure are taken as the input, and the pump displacement is taken as the output to build the model. Such the model has better adaptability to the working environment. The LS-SVM parameters are optimized with grid-search and cross-validation methods. Experiment results show that the proposed model has good prediction accuracy and generalization capacity.

为实现液压挖掘机并联式混合动力总成与负载功率的精确匹配，在对变量泵工作原理分析的基础上，提出基于最小二乘支持向量机(LS-SVM)算法的双联式恒功率变量泵功率预测模型。以液压挖掘机实际挖掘作业时采集的载荷谱作为训练样本，以泵出口压力、负流量控制压力和极限载荷控制压力作为训练模型的输入，以泵的排量作为输出建立模型，从而使模型对于作业环境具有更好的适用性。用网格搜索和交叉验证的方法对LS-SVM的参数进行了优化，研究结果表明该模型具有良好的预测精度和泛化能力。

... SVM可通过适当的核函数将原始空间里线性不可分的输入向量映射到高维空间,然后在高维空间求解最优分类超平面^[16] ...

2015

0.0

. 2015, 15(5):96-102 DOI:doi:10.3969/j.issn.1009-6744.2015.05.014

A recognition model of driving anger based on belief rule base

基于置信规则库的驾驶人愤怒情绪识别模型

Wan Ping , Wu Chao-zhong , Lin Ying-zi

万平, 吴超仲, 林英姿

针对"路怒症"诱发的攻击性驾驶行为影响交通安全问题,提出一种基于生理与脑电特征的驾驶人愤怒情绪识别模型.招募15名被试在武汉市区开展限时实车试验.由于所选实验线路为交通繁忙路段,被试易被行人横穿马路、车辆加塞等道路事件诱发愤怒情绪.实验中采用愤怒量表记录被试的愤怒等级,以及采用生物反馈仪与脑电记录仪记录被试的生理和脑电信号.将血容量脉冲、皮肤电导、δ波百分比与 β波百分比这四项生理与脑电指标作为模型输入,建立基于置信规则库的愤怒情绪识别模型.验证结果表明,该模型的识别精度(82.24%)较BP神经网络、SVM分别提高7.15%、5.02%.研究结果可为开发基于生理和脑电信号的驾驶情绪识别设备提供理论支持.

... 虽然本模型最高识别率比作者前期研究成果^[17]低3 ...