基于眼动实验的情绪对驾驶员注意力的影响

李 磊，王文涛，施云航，万钰珏，欧阳有鹏，李世银

(西安科技大学 安全科学与工程学院，陕西 西安710054)

0 引 言

情绪是影响驾驶员行为和决策的重要因素。国内外大量研究验证了情绪对人注意、判断和决策的影响[1]。驾驶员的情绪容易受到外界刺激，从而导致不安全驾驶行为[2-4]。张殿业利用3层因果分解分析驾驶员不同情绪状态的心跳间期、车辆转向角和最大车道偏离的变化值[5]。KATSIS提取了肌电、心电、皮电、呼吸等生理特征，采用支持向量机(SVM)和自适应神经模糊推理识别模拟驾驶环境下的驾驶员情绪，识别率分别达到79.3%，76.7%[6]。张萌建立人际-情绪危险性的网络拓扑模型，深入研究人际关系对驾驶情绪的影响[7]。部分学者针对“路怒”、消极情绪、侵略性驾驶行为进行研究，认为驾驶员的愤怒情绪和驾驶风格受驾龄、性别以及职业性等因素的影响[8-12]。例如万平针对“路怒症”诱发不安全驾驶行为影响交通安全的问题，提出了基于脑电特征的驾驶员愤怒情绪识别模型[13]。STEPHEN等从突发事件激发的愤怒和持续愤怒的时长2个角度出发，发现愤怒使得驾驶员做出更危险的驾驶行为[14]。ABDU等将被试者置于正常和愤怒状态，发现愤怒状态下的非理性驾驶行为及事故数量明显上升[15]。程静通过驾驶员心电信号和行车数据预测驾驶员在不同情绪状态下，平均车速相比正常状态显著增加[16]。钟铭恩认为愤怒情绪和道路条件对驾驶员超速行为均有影响[17]。国内外驾驶行为模式研究多在认知层面，主要集中于分心和疲劳驾驶，而研究情绪对驾驶行为影响的理论略显不足，且与情绪驾驶有关的研究方法有待补充[18-22]。

大部分学者在情绪对驾驶员行为安全方面开展了大量的研究，取得了丰硕的成果。本研究从驾驶员的心理情绪出发，运用实验的方法探寻驾驶员在良好和不良情绪下的注意力状况，研究不同情绪状态下驾驶员表现出的眼动指标的差异，分析情绪对驾驶员注意力的影响，为后续情绪驾驶研究提供理论参考和实证依据。

1 眼动实验设计

1.1 实验设备

通过视频和图片材料，诱发驾驶员产生良好情绪和不良情绪。在不同情绪状态下测量驾驶员的眼动指标，分析其注意力状况。

实验采用Eyeso Studio 3.0.9.20眼动追踪系统、Tobbii眼动仪、21寸液晶显示器和4台电脑，实验所用眼动仪可对屏幕内任何部位进行眼动追踪，实验设备及参数见表1。

表1 实验设备及参数

Eyeso Studio 3.0.9.20眼动追踪系统参数如下，系统分辨率1 920×1 080，延迟补偿948 ms，注视点呈现可视化比例眼动0.7，鼠标1.0，采样点中心最大距离45 cm，注视点包含最小采样数14个。

1.2 实验被试

本实验的被试者共30人，符合下列条件

1)所选实验被试均具有实际驾驶经历且取得驾驶执照；

2)实验被试者均为右利手；

3)均自愿参加实验，实验前签署实验知情书。

1.3 实验流程

1.3.1 情绪的诱发

被试人员先后分别观看30张良好和不良情绪诱导图片及5 min舒适缓慢配乐的山水视频和恐怖、血腥片段视频，以进行不同情绪诱导。通过被试者填写九点情绪量表，验证情绪诱导是否成功。

1.3.2 安全驾驶测试

采用Tobbii眼动仪和Eyeso Studio 3.0.9.20眼动追踪系统，在驾驶员观看路况图片和行车视频之际，获取眼动指标、图像热区、注视轨迹和注视时长等数据，以判断驾驶员注意力情况。

1.3.3 机器学习

建立SVM模型，将训练组人员情绪对驾驶员注意力影响试验中得到的支持向量X输入至Matlab SVM模型中，进行机器学习。

2 情绪对安全驾驶影响数据分析

驾驶员眼动指标可反映出驾驶员情绪和注意力状况。现对实验所得驾驶员眼动指标进行分析，以探寻驾驶员情绪对注意力的影响。部分眼动数据见表2。

表2 眼动数据(局部)

2.1 驾驶员首次AOI注视时间

首次AOI(area of interest)注视时间表示被试对兴趣区关注的时长，是反映被试在新环境下反应时间的一项指标。本实验设定5种不同路况下的交通行车实况图，并在各路况图中提前设定可能发生交通事故的隐患兴趣区，利用眼动仪采集被试首次注视到兴趣区的时间，测量出驾驶员对新环境下的反应状况，以此判断不同情绪下驾驶员的安全注意力水平。将驾驶员首次AOI眼动指标输入SPSS 21.0进行描述性统计分析，见表3。

由驾驶员眼动指标可得：①驾驶员在良好情绪下对兴趣区的注视百分比为82.60%，高于不良情绪下的兴趣区注视百分比为64.67%；②良好情绪下驾驶员的兴趣区注视点持续时间为536.56 ms，比不良情绪下兴趣区注视时间长194.22 ms；③良好情绪下驾驶员首次注视到兴趣区平均时间为0.712 s，不良情绪下的时间为0.948 s。

2.2 驾驶员AOI注视百分比分析

将被试者注视到AOI的个数进行统计对比分析，结果如图1所示。

表3 驾驶员首次AOI注视时间统计

图1 驾驶员AOI注视个数统计Fig.1 Statistics of AOI fixation numbers of drivers

驾驶员在良好情绪下AOI的注视百分比82.60%，明显高于不良情绪下的AOI注视百分比75.33%，通过显著性检验，P<0.001，表明驾驶员的情绪对安全注意力水平具有显著性影响。

2.3 被试驾驶员注视轨迹图分析

注视轨迹可得出驾驶员的注视点个数和视觉路线，现对30名被试驾驶员注视轨迹进行拟合得出平均驾驶员注视轨迹图，本实验驾驶员注视轨迹如图2所示。

图2 驾驶员注视轨迹Fig.2 Driver’s gaze tracks

该路况为双向三车道，车流量较大，存在非机动驾驶车辆，道路状况较为复杂。从图2可知，良好情绪下驾驶员平均注视点达8.5个，较不良情绪下平均注视点多3.2个；良好情绪下驾驶员的眼动视角范围更广，而不良情绪下驾驶员视角相对狭窄，道路中非机动车驾驶员并未完全在视角范围内，易酿成事故。

2.4 被试驾驶员眼动热图分析

对被试者在不同情绪下所观察的交通路况图进行眼动热图分析，并预先根据交通路况可能存在的安全隐患将交通路况图设定AOI，用红色圈出，分析不同情绪下驾驶员的注视点位置，具体结果如图3所示。

图3 驾驶员眼动热图Fig.3 Heat map of the driver’s eye movement

2种情绪下驾驶员均注视到道路两边的行人，但不良情绪下驾驶员未把注意力集中在车辆转弯时前车的位置，易造成前方车辆的追尾。

2.5 结果分析

对以上驾驶员不同情绪下的眼动指标、注视轨迹图和热图分析可知

1)分析眼动指标可得，驾驶员在良好情绪下对兴趣区的注视百分比较高；兴趣区注视点持续时间较长；首次注视到兴趣区平均时间较短。

2)分析AOI注视百分比可得，驾驶员在良好情绪下AOI的注视百分比明显较高。

3)分析注视轨迹图可得，良好情绪下驾驶员的眼动视角范围更广。

4)分析眼动热图可得，驾驶员良好情绪下发现道路交通隐患的能力较不良情绪更强。

3 情绪与注意力关系预测分析

为减少驾驶员因不良情绪引发的交通事故，基于SVM算法对存有眼动指标的数据库进行分析，预测驾驶员情绪和注意力状况。通过向SVM模型中输入支持向量X和与之匹配的情绪和注意力状况Y令计算机进行机器学习，经过学习后的计算机可自行根据输入的支持向量X来做出驾驶员情绪和注意力状况的判断。

将30名被试随机分为训练组和测试组，其中训练组25人，测试组5人。首先采用Matlab编程建立SVM模型，其次将训练组人员情绪对驾驶员注意力影响实验中得到的支持向量X输入至Matlab SVM模型中，使计算机进行机器学习。学习完毕后，将测试组人员的支持向量X输入至SVM模型中进行计算机判断，得出测试组人员注意力集中状况。对计算机自主判断的注意力状况与实际测量状况进行对照，计算出判断准确率。随机输入一组情绪良好的被试眼动指标，经计算机计算可得到输出结果，测试正确率结果达到83.34%，结果尚可，表明情绪对注意力的影响呈正相关。

4 结 论

1)驾驶员在良好情绪下注意力相较于不良情绪更集中，良好情绪下注视点个数、平均注视时长等指标均优于不良情绪。

2)注视区域方面，通过对驾驶员的注视轨迹图与热图进行分析，不良情绪下驾驶员所关注的兴趣区域相比良好情绪的兴趣区域较少，且注意力更分散。

3)基于SVM算法对存有眼动指标的数据库进行分析，预测驾驶员情绪和注意力状况，预防驾驶员在行驶中出现的不良情绪和注意力涣散情况。