道路交通与生活场景诱发下驾驶人情绪的脑认知响应差异

为了探究道路交通场景和生活场景下驾驶人情绪脑认知响应差异,邀请10名被试分别在2种场景下完成情绪诱导实验。从离散情绪和连续情绪2个维度分析2种场景下前额与外额含氧血红蛋白和脱氧血红蛋白浓度的差异,进而推断脑区的激活程度。结果表明,道路交通场景相较于生活场景,愤怒与惊讶情绪下前额与外额的激活程度更强,快乐情绪下前额与外额的激活程度更低,恐惧情绪下仅在前额发现了显著差异,且激活程度更低;道路交通场景相较于生活场景,愤怒、恐惧、惊讶3种情绪前额与外额的脑功能连接强度更高,快乐与悲伤2种情绪下前额与外额的脑功能连接强度更低。

表情变换时序特征下的驾驶人情绪识别研究

针对现有驾驶人情绪识别方法存在的识别实时性不足、识别精度较低等问题,提出一种表情识别及其时序情绪表达的驾驶人情绪识别方法。首先,建立VGG Lite驾驶人表情识别模型,在传统VGG Net模型结构上,通过改变卷积层堆叠结构以大幅减少模型的参数量,修改激活函数以增强模型对人脸表情中细节特征的表达能力,并在模型中增加性能优化层来提升模型的收敛性和泛化性。其次,分析表情时序变化与情绪状态之间的关系,研究时间序列演变的情绪表达方式,设计了包含表情时序转化、表情-情绪量化映射和时序情绪表达的驾驶人时序情绪识别方法。然后,采用Fer2013数据集,将所提出的VGG Lite驾驶人表情识别模型与其他模型进行比较验证,证明了该模型不仅可以保持高识别准确率,还有效降低了模型参数量,从而提高了识别速度,此外,采用自制数据集识别表情获得了98.8%的高准确率,证明了该模型能有效识别不同驾驶情境中的驾驶人表情。最后,以公交车驾驶人情绪识别为例对提出的时序情绪识别方法进行试验验证,结果表明,该方法能够准确识别驾驶人各种表情转换下的复杂情绪状态,平均识别率高于95%,比单帧情绪识别方法提升5%以上,每帧图像的情绪识别耗时平均低于0.03 s,每秒平均识别超过10帧,满足交通驾驶情绪识别的实时性要求。所提方法能够及时、准确地评估驾驶人的情绪状态,为提高交通系统整体安全性和效率提供了更有效的手段。

考虑初始情绪的个性化驾驶负荷状态评价

利用驾驶人生理数据对驾驶人的负荷状态进行评价已成为交通心理学的研究热点,该方法通常需要采集驾驶人在静息状态的生理信号特征作为其负荷基准,因此负荷基准的提取将影响驾驶人状态评价结果的准确性。基于此,研究搭建驾驶模拟试验平台,招募15名志愿者开展驾驶模拟试验,设计不同任务诱导其产生3种程度的精神负荷,采集志愿者在不同负荷状态下的生理信号。基于试验数据研究驾驶人初始情绪对心电信号负荷基准值的影响,设计初始情绪提取处理方案,并提出基于个性化敏感生理特征的驾驶负荷评价方法。首先对原始心电信号进行滤波,修订心跳间隔异常值;其次计算心率变异性序列(HRV)时频域特征,利用线性回归对静息状态驾驶人情绪特征进行提取,并利用归一化处理消除初始情绪对驾驶人静息状态负荷的影响,完成驾驶人心电信号时域和频域特征的计算提取;最后采用Fisher-score特征选择算法完成不同驾驶人个体敏感特征的选取,并对个性化特征提取前后的驾驶人负荷评价结果进行对比分析。研究结果表明:研究设计的考虑初始情绪的个性化特征分类器可有效消除初始情绪对驾驶人静息状态负荷的影响,且提高了驾驶人负荷状态识别的准确率,可为进一步研究驾驶任务对驾驶人负荷状态的影响并改进车内外分心源的设计提供依据。