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

摘 要：为预防和降低由于驾驶员不良情绪而引起的交通事故，开展情绪对驾驶员注意力的研究。首先诱发驾驶员产生良好情绪和不良情绪，基于眼动实验分析驾驶员在良好和不良情绪下的注意力状况，得到驾驶员不同情绪下的眼动指标、注视轨迹图和热图分析情绪对注意力的影响关系，最后将实验数据导入SVM进行机器学习。结果表明：良好情绪下驾驶员注视到AOI的人数更多且注视到的AOI区域数更多，在AOI注视的时间更長，注视点个数更多;同时良好情绪下驾驶员首次注视到AOI的时间更短，体现出驾驶员良好情绪下注意力水平优于不良情绪;利用SVM预测驾驶员情绪与注意力状况，测试正确率达到83.34%。本研究对驾驶员不安全驾驶行为的预测和预防具有一定指导作用，有助于减少驾驶员驾驶过程的不安全驾驶行为。

关键词：驾驶员;情绪;注意力;眼动实验;支持向量机中图分类号：X 936

文献标志码：A

文章编号：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緒。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。

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。

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。

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。

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。

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。

参考文献（References）：

[1]

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

[2]张丽霞，刘涛，潘福全，等.驾驶员因素对道路交通事故指标的影响分析[J].中国安全科学学报，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，FORONI F.Do emotions or gender drive our actions？ A study of motor distractibility[J].Cognitive neuroscience，2016，7（1-4）：160-169.

[5]張殿业，程静，张艺.情绪对驾驶行为影响研究[J].中国安全科学学报，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]张萌，娄胜利，丁亮.基于反向传播神经网络的驾驶人人际与情绪危险性模型[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]贾云帆，张李斌，段亚妮，等.驾驶人员路怒情绪与驾驶风格及攻击行为相关分析[J].中国公共卫生，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]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 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]程静，张艺.不同情绪作用下的汽车驾驶行为预测[J].交通运输工程与信息学报，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]钟铭恩，洪汉池，袁志群.愤怒情绪对驾驶行为影响的实验[J].重庆理工大学学报（自然科学），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，乌力吉，寇猛，等.基于生理实验的矿工不安全行为与疲劳关系研究[J].西安科技大学学报，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，王涛，等.基于TPB的疲劳对汽车驾驶员不安全驾驶行为的影响[J].西安科技大学学报，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]刘梦佳，赵建国.基于SVM的疲劳驾驶人脸图像特征检测算法[J].半导体光电，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]李红霞，薛建文，杨妍.疲劳对矿工不安全行为影响的ERP实验研究[J].西安科技大学学报，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   责任编辑：刘 洁

基金项目：

国家自然科学基金项目（52074214）;陕西省社会科学基金项目（2020M010）

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