盡管交通事故的原因很復(fù)雜，但主要原因是攻擊性駕駛行為。而其中，駕駛員的情緒狀態(tài)與駕駛行為密切相關(guān)。
司機(jī)在不同駕駛行為下的情緒是如何變化的？
能否通過(guò)情緒波動(dòng)提前識(shí)別危險(xiǎn)的駕駛行為？
來(lái)自東南大學(xué)的研究團(tuán)隊(duì)就探討了網(wǎng)約車司機(jī)在攻擊性駕駛和正常駕駛時(shí)的情緒變化模式（Ma et al.,2024），為研究情緒與駕駛行為之間的關(guān)系提供了一種新的途徑，為高級(jí)輔助駕駛系統(tǒng)提高駕駛安全性提供了駕駛員情緒感知和情緒波動(dòng)檢測(cè)的重要參考和指導(dǎo)。
情緒與駕駛行為
交通系統(tǒng)由道路使用者、車輛和道路組成，盡管交通事故的原因很復(fù)雜，但主要原因之一是攻擊性駕駛行為。影響駕駛行為的最重要因素之一是駕駛員的情緒狀態(tài)。
駕駛車輛是一項(xiàng)復(fù)雜的任務(wù)，駕駛員可能會(huì)因周圍環(huán)境的刺激而分心。駕駛員的情緒狀態(tài)可以直接或間接地決定其駕駛行為，由此產(chǎn)生積極或消極的影響。過(guò)往大多數(shù)研究都在探究特定負(fù)面情緒，如憤怒、焦慮、恐懼等對(duì)駕駛行為的影響。憤怒可能導(dǎo)致駕駛表現(xiàn)下降，并導(dǎo)致駕駛員超速行駛或其他不安全駕駛行為。例如有研究表明，當(dāng)司機(jī)生氣時(shí)，他們傾向于更晚、更用力地踩剎車（Zhang et al., 2016）；對(duì)自然駕駛狀態(tài)下的數(shù)據(jù)分析表明，由憤怒引起的危險(xiǎn)駕駛通常是故意的，而不是由于認(rèn)知錯(cuò)誤，并且隨著駕駛員憤怒強(qiáng)度的增加，會(huì)發(fā)生更多的駕駛違規(guī)行為（Precht et al, 2017）。
一般來(lái)說(shuō)，情緒可以分為兩個(gè)維度：（1）效價(jià)（valence），表明情緒狀態(tài)是積極的還是消極的；（2）喚醒（arousal），表明主體是活躍的還是不活躍的。相較于關(guān)注獨(dú)立的離散情緒，從情緒的維度角度更能從根本上解釋情緒和行為之間的關(guān)系。Taubman-Ben-Ari（2012）研究表明，高喚醒的積極情緒會(huì)促進(jìn)魯莽駕駛，而低喚醒的積極情緒則相反。這表明情緒的兩個(gè)維度對(duì)駕駛行為的影響是不同的。
如何測(cè)量駕駛行為中的情緒變化？
基于不同情緒可引起不同生理變化的理論，生理信號(hào)可用于情緒識(shí)別。但是采集生理數(shù)據(jù)的設(shè)備往往需要與駕駛員接觸，從而致使分心，進(jìn)而影響駕駛行為。除了生理信息外，面部表情等行為數(shù)據(jù)也可用于識(shí)別駕駛員的情緒（Xiao et al ., 2022）。有研究將面部表情數(shù)據(jù)與生理信號(hào)相結(jié)合，以識(shí)別駕駛員的實(shí)際情緒狀態(tài)（Oh et al., 2021）。與獲取生理信號(hào)的復(fù)雜過(guò)程相比，面部表情數(shù)據(jù)的獲取只需要簡(jiǎn)單的儀器。此外，非接觸式的測(cè)量方法減少了因觸碰而產(chǎn)生的潛在干擾。因此，通過(guò)面部表情來(lái)檢測(cè)駕駛員的情緒狀態(tài)具有顯著的優(yōu)勢(shì)。
此外，大多數(shù)研究都基于特定的靜態(tài)情緒，缺乏對(duì)情緒波動(dòng)的考慮。而在現(xiàn)實(shí)情景下，駕駛員的情緒是根據(jù)刺激而不斷變化的，因此僅僅通過(guò)自我報(bào)告和情緒誘導(dǎo)的方法測(cè)量情緒變化都存在過(guò)于主觀的的缺陷。
因此，本研究引入一個(gè)新的框架來(lái)分析不同駕駛行為的情緒波動(dòng)差異。首先考慮情緒的不穩(wěn)定性，分析了情緒波動(dòng)對(duì)駕駛行為的影響；其次，對(duì)情緒的描述關(guān)注兩個(gè)維度，即效價(jià)和喚醒度。通過(guò)分析駕駛員在真實(shí)駕駛過(guò)程中的面部表情視頻，得出這兩個(gè)指標(biāo)數(shù)據(jù)，構(gòu)成實(shí)時(shí)、真實(shí)的數(shù)據(jù)集。最后，基于聚類方法得到的不同駕駛行為的情緒變化模式。這些模式可以用于在線監(jiān)測(cè)司機(jī)的情緒變化，從而提供給司機(jī)必要和及時(shí)的警告，減輕與情緒相關(guān)風(fēng)險(xiǎn)行為。
網(wǎng)約車司機(jī)的真實(shí)駕駛實(shí)驗(yàn)
實(shí)驗(yàn)共招募16名網(wǎng)約車司機(jī)，平均年齡為36.38歲，駕駛經(jīng)驗(yàn)范圍為4 ~ 25年。
實(shí)驗(yàn)選擇在駕駛員的正常工作時(shí)間進(jìn)行測(cè)試，有利于駕駛員迅速進(jìn)入正常的駕駛狀態(tài)。實(shí)驗(yàn)設(shè)備包括VBOX- IISX10 GPS和雙攝像頭（前置和后置），分別安裝在車輛前儀表盤和擋風(fēng)玻璃上（圖1），以測(cè)量高精度的車輛運(yùn)動(dòng)學(xué)數(shù)據(jù)，如位置、速度、加速度等，以及記錄司機(jī)的面部表情。使用諾達(dá)思的面部表情分析系統(tǒng)（FaceReader）分析司機(jī)的面部表情以獲得情緒數(shù)據(jù)（Iridiastadi, 2019）。
圖1 數(shù)據(jù)采集設(shè)置
FaceReader在檢測(cè)到面部后，會(huì)基于面部動(dòng)作編碼系統(tǒng)（Facial Action Coding System，FACS）和活動(dòng)外觀模型（Active Appearance Model，AAM），描述面部500多個(gè)關(guān)鍵點(diǎn)來(lái)生成準(zhǔn)確的面部三維模型。最終使用訓(xùn)練好的人工神經(jīng)網(wǎng)絡(luò)對(duì)面部表情進(jìn)行分類。
使用FaceReader分析面部表情，可以獲得六種基本情緒：快樂、悲傷、生氣、驚訝、害怕和厭惡，以及中性情緒。平均準(zhǔn)確率為99%。此外，FaceReader可以測(cè)量20個(gè)最常見的面部動(dòng)作單位（Action Unit, AU），以0 ~ 1的取值表示其強(qiáng)度，以此獲得實(shí)時(shí)效價(jià)和喚醒度數(shù)據(jù)。效價(jià)的計(jì)算為快樂情緒強(qiáng)度減去強(qiáng)度最高的負(fù)面情緒強(qiáng)度，喚醒度的計(jì)算基于表1所示的20個(gè)動(dòng)作單元的激活值。
表1
對(duì)于攻擊性駕駛行為的識(shí)別，參考過(guò)往研究使用VBOX采集的車輛運(yùn)動(dòng)學(xué)數(shù)據(jù)中的速度、縱向加速度（急加速或急制動(dòng)）和橫向加速度（急變車道和急轉(zhuǎn)彎）的閾值來(lái)檢測(cè)。
由于車輛運(yùn)動(dòng)學(xué)數(shù)據(jù)和情緒數(shù)據(jù)采用相同的采樣頻率，因此可以基于時(shí)間戳對(duì)兩類數(shù)據(jù)進(jìn)行匹配。
整個(gè)研究以圖2所示分析框架進(jìn)行，用于分析攻擊性駕駛和正常駕駛下情緒波動(dòng)的差異。首先，該框架使用動(dòng)態(tài)加速（橫向和縱向）閾值來(lái)識(shí)別攻擊性駕駛行為；然后，通過(guò)分析攻擊性駕駛行為的情緒數(shù)據(jù)特征來(lái)確定時(shí)間窗口；最后，通過(guò)聚類分析不同駕駛行為的情緒效價(jià)和喚醒波動(dòng)。
圖2 用于分析情緒波動(dòng)的框架
消極效價(jià)與高喚醒度增加攻擊性駕駛行為
（一）攻擊性駕駛行為識(shí)別結(jié)果
研究在16名司機(jī)中發(fā)現(xiàn)了303種攻擊性駕駛行為。提取其發(fā)生前后15s的數(shù)據(jù)，為了避免數(shù)據(jù)重復(fù)，兩個(gè)提取的攻擊性駕駛樣本至少間隔一分鐘。結(jié)果如圖3，可以看到基于橫向和縱向加速度閾值的攻擊性駕駛和正常駕駛的識(shí)別結(jié)果。
圖3 駕駛員在一個(gè)工作日的攻擊性和正常駕駛行為識(shí)別
（二）攻擊駕駛行為的情緒波動(dòng)時(shí)間窗
以攻擊性駕駛前后15 s為情緒波動(dòng)序列長(zhǎng)度進(jìn)行分析，可得以下結(jié)果（圖4）：從攻擊性駕駛行為發(fā)生前的第6秒開始，平均喚醒度持續(xù)上升，直到攻擊性駕駛行為發(fā)生時(shí)達(dá)到最高值；攻擊性駕駛行為發(fā)生后，平均喚醒度呈下降趨勢(shì)。這表明，情緒喚醒的持續(xù)增加是一種心理變化，往往會(huì)促進(jìn)攻擊性駕駛。攻擊性駕駛發(fā)生后，心理狀態(tài)逐漸平靜下來(lái)。此外，司機(jī)的情緒效價(jià)在攻擊性駕駛前后的6秒內(nèi)波動(dòng)劇烈。因此，本研究結(jié)果提示攻擊性駕駛發(fā)生前6秒的情緒波動(dòng)與攻擊性駕駛的發(fā)生有著本質(zhì)的關(guān)系。
圖4 攻擊性駕駛行為中情緒平均值
（三）攻擊性和正常駕駛時(shí)的情緒差異
對(duì)效價(jià)和喚醒度進(jìn)行聚類分析，將效價(jià)波動(dòng)分為積極、平靜和消極，喚醒波動(dòng)分為高度和低度。結(jié)果表明，在正常駕駛和攻擊性駕駛中，駕駛員的情緒變化存在差異。當(dāng)駕駛員處于消極情緒效價(jià)時(shí)，其在攻擊性駕駛行為前中后期的平均消極程度高于正常駕駛的，且當(dāng)處于積極情緒效價(jià)時(shí)，駕駛員在攻擊性駕駛行為前中后期的平均積極程度低于正常駕駛的。
這表明情緒效價(jià)對(duì)駕駛行為有影響。較低的消極效價(jià)增加了攻擊性駕駛行為的可能性，即負(fù)面情緒會(huì)促進(jìn)攻擊性駕駛；較高的積極效價(jià)降低了駕駛員攻擊性駕駛意圖的可能性。這與過(guò)往研究結(jié)果一致。然而，在積極情緒對(duì)駕駛行為的影響方面，過(guò)往研究存在不一致的觀點(diǎn)。本研究結(jié)果表明，積極效價(jià)的強(qiáng)度對(duì)駕駛行為產(chǎn)生不同的影響。在較高的積極效價(jià)強(qiáng)度下，駕駛員可能表現(xiàn)出更高的內(nèi)在動(dòng)機(jī)和更高的安全意識(shí)。然而，積極情緒對(duì)駕駛行為影響的內(nèi)在機(jī)制有待進(jìn)一步探索。
圖5 不同駕駛行為的效價(jià)和喚醒度聚類結(jié)果
(a/b)效價(jià)（攻擊性駕駛/正常駕駛），(c/d)喚醒度（攻擊性駕駛/正常駕駛）
圖5顯示了駕駛員在攻擊性駕駛和正常駕駛前后6秒情緒波動(dòng)時(shí)間窗內(nèi)的效價(jià)與喚醒度變化。結(jié)果顯示，駕駛員在積極、消極和平靜狀態(tài)下都可能表現(xiàn)出攻擊性駕駛行為。與正常駕駛相比，攻擊性駕駛行為發(fā)生前6秒內(nèi)駕駛員情緒效價(jià)波動(dòng)更大，尤其是處于積極情緒狀態(tài)時(shí)（圖5a，圖5b），即情緒不穩(wěn)定會(huì)增加司機(jī)攻擊性駕駛的可能性。攻擊性駕駛行為的喚醒度均高于正常駕駛時(shí)的喚醒度（圖5c，圖5d），即高喚醒度會(huì)增加攻擊性駕駛的可能性。結(jié)果均表明，即使是相同的效價(jià)值和喚醒度也會(huì)對(duì)駕駛員的駕駛行為產(chǎn)生不同的影響，因此只關(guān)注靜態(tài)情緒的研究是不合理的，必須考慮動(dòng)態(tài)情緒對(duì)駕駛的影響。
關(guān)注動(dòng)態(tài)情緒波動(dòng)以準(zhǔn)確識(shí)別駕駛行為意圖
本研究從微觀角度分析了駕駛員情緒波動(dòng)與駕駛行為之間的關(guān)系，獲得了攻擊性駕駛和正常駕駛的情緒變化模式。通過(guò)獲取真實(shí)駕駛情景下的駕駛數(shù)據(jù)和面部表情數(shù)據(jù)，獲得了更真實(shí)可靠的情緒數(shù)據(jù)。通過(guò)分析攻擊性駕駛行為發(fā)生前、中、后的情緒數(shù)據(jù)，發(fā)現(xiàn)攻擊性駕駛行為發(fā)生前6秒駕駛員情緒變化與攻擊性駕駛行為發(fā)生的相關(guān)性更高。此外，與正常駕駛相比，攻擊性駕駛時(shí)駕駛員情緒效價(jià)波動(dòng)更大，處于更負(fù)性的情緒狀態(tài)，且情緒喚醒度更高。
未來(lái)研究應(yīng)考慮更多的測(cè)試場(chǎng)景以及更多的被試，提供更大的樣本，從具體駕駛事件、駕駛員性別和個(gè)體差異的角度研究情緒波動(dòng)與攻擊性駕駛之間的關(guān)系，以及設(shè)計(jì)更精準(zhǔn)的實(shí)驗(yàn)來(lái)探究環(huán)境、情緒與駕駛行為之間的因果關(guān)系。
本研究結(jié)果對(duì)駕駛員行為監(jiān)測(cè)和駕駛輔助預(yù)警系統(tǒng)的改進(jìn)具有重要的理論價(jià)值和現(xiàn)實(shí)意義。這為駕駛員情緒狀態(tài)檢測(cè)提供了一種新的方法?？紤]駕駛員情緒的動(dòng)態(tài)波動(dòng)，可以更準(zhǔn)確地識(shí)別駕駛員的駕駛行為意圖。通過(guò)動(dòng)態(tài)時(shí)間窗實(shí)時(shí)檢測(cè)駕駛員的情緒波動(dòng)并提前警告駕駛員，可以減輕潛在的危險(xiǎn)駕駛，從而提高道路安全。此外，駕駛員的情緒波動(dòng)水平可以作為指標(biāo)納入JZ考試，對(duì)容易出現(xiàn)不良情緒波動(dòng)的駕駛員進(jìn)行培訓(xùn)和指導(dǎo)。
參考文獻(xiàn)
Iridiastadi, H. (2019). Fatigue-related differences in human facial dimensions based on static images. IOP Conf. Series: Mater. Sci. Eng. 528.
Ma, Y., Xing, Y., Chen, S., & Wu, Y. (2024). Investigating emotion fluctuations in driving behaviors of online car-hailing drivers using naturalistic driving data. Travel Behaviour and Society, 36, 100819.
Oh, G., Ryu, J., Jeong, E., Yang, J. H., Hwang, S., Lee, S., & Lim, S. (2021). Drer: Deep learning–based driver’s real emotion recognizer. Sensors, 21(6), 2166.
Precht, L., Keinath, A., & Krems, J. F. (2017). Effects of driving anger on driver behavior–Results from naturalistic driving data. Transportation research part F: traffic psychology and behaviour, 45, 75-92.
Taubman-Ben-Ari, O. (2012). The effects of positive emotion priming on self-reported reckless driving. Accident Analysis & Prevention, 45, 718-725.
Xiao, H., Li, W., Zeng, G., Wu, Y., Xue, J., Zhang, J., ... & Guo, G. (2022). On-road driver emotion recognition using facial expression. Applied Sciences, 12(2), 807.
Zhang, T., Chan, A. H., Ba, Y., & Zhang, W. (2016). Situational driving anger, driving performance and allocation of visual attention. Transportation research part F: traffic psychology and behaviour, 42, 376-388.
