萬平，吳超仲，林英姿，馬曉鳳，黃珍

（1.武漢理工大學(xué)智能交通系統(tǒng)研究中心，武漢430063；2.水路公路交通安全控制與裝備教育部工程技術(shù)研究中心，武漢430063；3.東北大學(xué)智能人機系統(tǒng)實驗室，波士頓02115，美國；4.武漢理工大學(xué)自動化學(xué)院，武漢430070）

基于置信規(guī)則庫的駕駛?cè)藨嵟榫w識別模型

萬平1,2，吳超仲1,2，林英姿3，馬曉鳳1,2，黃珍*4

（1.武漢理工大學(xué)智能交通系統(tǒng)研究中心，武漢430063；2.水路公路交通安全控制與裝備教育部工程技術(shù)研究中心，武漢430063；3.東北大學(xué)智能人機系統(tǒng)實驗室，波士頓02115，美國；4.武漢理工大學(xué)自動化學(xué)院，武漢430070）

針對“路怒癥”誘發(fā)的攻擊性駕駛行為影響交通安全問題，提出一種基于生理與腦電特征的駕駛?cè)藨嵟榫w識別模型.招募15名被試在武漢市區(qū)開展限時實車試驗.由于所選實驗線路為交通繁忙路段，被試易被行人橫穿馬路、車輛加塞等道路事件誘發(fā)憤怒情緒.實驗中采用憤怒量表記錄被試的憤怒等級，以及采用生物反饋儀與腦電記錄儀記錄被試的生理和腦電信號.將血容量脈沖、皮膚電導(dǎo)、δ波百分比與β波百分比這四項生理與腦電指標(biāo)作為模型輸入，建立基于置信規(guī)則庫的憤怒情緒識別模型.驗證結(jié)果表明，該模型的識別精度(82.24%)較BP神經(jīng)網(wǎng)絡(luò)、SVM分別提高7.15%、5.02%.研究結(jié)果可為開發(fā)基于生理和腦電信號的駕駛情緒識別設(shè)備提供理論支持.

智能交通；情緒識別；置信規(guī)則庫；憤怒駕駛；實車試驗

1 引言

調(diào)查顯示我國有60.72%的車主曾有過“路怒”[1]，“路怒癥”已成為我國道路交通的一種普遍現(xiàn)象，它會顯著降低駕駛?cè)说母兄?、判斷、決策能力，并產(chǎn)生攻擊性駕駛行為，危害道路交通安全[2].美國高速公路交通安全管理局的統(tǒng)計證實與情緒化駕駛(憤怒、悲傷)有關(guān)的交通事故約占總數(shù)的9.2%～14.8%[3].因此，有必要對這些負(fù)面情緒進行識別、干預(yù).

目前有關(guān)情緒識別的研究主要集中在表情、語音、行為及生理信號等方面，而生理信號不受人為因素控制，更能真實反映人的情緒[4].Kessous在語音交互試驗中，提取面部表情、身體姿勢與聲學(xué)特征對被試的高興、恐懼、驚訝、悲傷等八種情緒進行識別[5].Schaaff采用EEG特征對高興、悲傷等情緒進行區(qū)分，識別率達66.7%[6].牛曉偉[7]提取皮電、心率、呼吸與EEG等生理信號特征，運用小波、神經(jīng)網(wǎng)絡(luò)算法識別出高興、驚奇、厭惡、悲傷、憤怒和恐懼六種情緒，平均識別率達60%.Katsis提取肌電、心電、呼吸、皮電等生理特征，采用支持向量機(SVM)和自適應(yīng)神經(jīng)模糊推理對模擬比賽環(huán)境下的駕駛?cè)饲榫w進行識別，識別率分別達到79.3%、76.7%[8].

綜上所述，目前的研究集中在一般的情緒識別上，較少涉及駕駛情緒，且大部分情緒通過室內(nèi)語音、視頻刺激產(chǎn)生，與實際交通環(huán)境中產(chǎn)生的情緒在喚醒度與持續(xù)時間上存在偏差.其次，情緒識別采用的方法大多基于神經(jīng)網(wǎng)絡(luò)、SVM等方法，這些方法在輸入指標(biāo)、訓(xùn)練規(guī)則上缺乏有效的權(quán)重分配，導(dǎo)致數(shù)據(jù)使用效率不高，且其精度取決于樣本的完備度[9].為了提高駕駛情緒的識別準(zhǔn)確率與效率，本文通過實車實驗提取駕駛?cè)嗽趹嵟榫w下的生理與腦電特征，建立基于置信規(guī)則庫(BRB)的憤怒情緒識別模型，并將模型的識別結(jié)果與BP神經(jīng)網(wǎng)絡(luò)(BPNN)、SVM模型進行對比.

2 實驗設(shè)計

2.1 場景設(shè)計

本實驗?zāi)康氖鞘柜{駛?cè)吮M可能多地產(chǎn)生真實的憤怒情緒，從而獲得憤怒情緒下的腦電與生理指標(biāo)，因此，本文在實際交通環(huán)境中開展實車實驗.為了誘發(fā)被試的憤怒情緒，實驗路線沿途經(jīng)過武昌區(qū)和漢口區(qū)較為繁忙的路段，全程53 km，如圖1所示.當(dāng)被試在這條路線上駕駛時，會頻繁遇到行人橫穿馬路、周邊車輛加塞與長時間等待紅燈等道路事件，如圖2所示，這些道路事件會刺激被試產(chǎn)生憤怒情緒.為了提高刺激效果，限定1.8 h內(nèi)完成實驗.

圖1 實車實驗路線Fig.1 On-road experiment route

圖2 實驗行車環(huán)境Fig.2 Traffic environment of experiments

2.2 被試

研究表明男性駕駛?cè)嗽隈{駛過程中更易產(chǎn)生憤怒情緒及攻擊性駕駛行為[10]，為了提高實驗效果，本文被試均為男性駕駛?cè)?招募了15名持有駕駛執(zhí)照C1照的男性駕駛?cè)?，平均年齡43歲.此外，為了確保實驗數(shù)據(jù)的準(zhǔn)確性，被試的精神和身體狀況須保證良好.

2.3 儀器

實驗車是武漢理工大學(xué)智能交通系統(tǒng)研究中心改裝的悅翔牌小轎車，車上安裝了相關(guān)車輛運動傳感器，如圖3所示.使用生理反饋儀(圖4)，采集被試生理信號如血流量脈沖(BVP)、皮膚電導(dǎo)(SC)、呼吸率(RR)與體溫（Temp）.另使用Scan4.5腦電記錄儀采集被試的腦電信號，如圖5所示.其次，有3臺高清攝像機(圖6)分別記錄被試的面部表情及語音、操作行為與前方道路環(huán)境（包括憤怒刺激事件），該記錄可結(jié)合被試的主觀報告作為憤怒駕駛的判別依據(jù).

圖3 實車實驗用車Fig.3 The testing car for on-road experiments

圖4 生理反饋儀Fig.4 Biograph Infiniti system

圖5 腦電記錄儀Fig.5 EEG recording equipment

圖6 視頻攝像機Fig.6 Video cameras

2.4 實驗過程

(1)登記被試駕照信息，向其介紹實驗要求，如被試須在早高峰(7:00–8:00)與晚高峰(17:00–18:00)出車實驗，盡可能遇到更多憤怒刺激事件.此外實驗須按時完成，否則扣除相應(yīng)報酬.

(2)在被試的頭部、手指與腹部按規(guī)范分別佩戴腦電帽與生物反饋儀傳感器.佩戴采集設(shè)備后被試可能有不適感，因此被試須做駕駛練習(xí)以消除不適感.

(3)在預(yù)定路線上正式實驗，每隔2 min，由副駕駛位置上的駕駛經(jīng)驗豐富的觀察者向被試詢問目前的憤怒狀態(tài)，該狀態(tài)通過5級Likert量表記錄[11]（1—平靜，5—暴怒）記錄，而當(dāng)被試遇到憤怒刺激事件時，立即詢問其憤怒狀態(tài).同時，被試的腦電與生理信號通過腦電儀與生物反饋儀記錄.

3 模型建立

3.1 指標(biāo)選取

生理信號(BVP、SC、RR、Temp)可直接進行時域分析，而腦電信號儀進行頻域分析，在對其去噪后（夾雜的眼電、肌電等）進行快速傅里葉變換可得到其頻域特征，而腦電波依其頻率范圍可分為δ波（0.5,4）hz、θ波[4,8）hz、α波[8,14）hz與β波[14,35）hz，因此快速傅里葉變換后可得各種腦電波的功率百分比(δ%,θ%,α%,β%).通過對15名被試中性與憤怒情緒下的四種生理指標(biāo)與四種腦電指標(biāo)進行配對樣本t檢驗，發(fā)現(xiàn)僅BVP、SC、δ%與β%這四個指標(biāo)在兩種情緒下存在顯著差異(sig＜0.05)，如表1所示，因此可用這四個指標(biāo)來區(qū)分這兩種情緒.

表1 憤怒與中性情緒8指標(biāo)配對樣本t檢驗Table 1The paired t-tests of 8 indictors between angry and normal driving

3.2 置信規(guī)則庫推理模型

置信規(guī)則庫推理方法[12]可有效利用帶有不確定性的定量信息和定性知識，實現(xiàn)復(fù)雜決策問題建模，該方法在傳統(tǒng)規(guī)則表示的基礎(chǔ)上加入規(guī)則、指標(biāo)權(quán)重以及輸出置信度，并用證據(jù)推理的方式實現(xiàn)規(guī)則庫知識的推理，可有效提高數(shù)據(jù)的訓(xùn)練效率.置信規(guī)則庫(BRB)的第k條規(guī)則形式如下：witha rule weigh θkand attribute weight δik.

如果第k(k=1,2,3,…,L)條規(guī)則是完整的，那么輸出結(jié)果的置信度和為1，否則小于1，即

式中xi(i=1,2,…,Tk)表示第k條規(guī)則Rk中的第i個輸入變量（前提屬性）；Tk為前提屬性的個數(shù)；為第k條規(guī)則中的第i個前提屬性的參考值；Dj為第k條規(guī)則的輸出部分的第j(j=1,2,…,N)個評價結(jié)果的參考值；βjk為Dj的置信度；N為評價結(jié)果的個數(shù)；θk為第k條規(guī)則的權(quán)重；L為規(guī)則的個數(shù)，δik表示在第k條規(guī)則中第i個前提屬性的權(quán)重.置信規(guī)則庫推理方法包括知識的表達與知識的推理，知識的表達通過置信規(guī)則庫實現(xiàn)，知識的推理通過證據(jù)推理實現(xiàn)，其結(jié)構(gòu)如圖7所示.

圖7 BRB系統(tǒng)模型結(jié)構(gòu)圖Fig.7 Structure of BRB system model

圖8 BRB系統(tǒng)的學(xué)習(xí)模型Fig.8 Learning model of belief rule base system

式中p=p(βjk,θk,δik)是訓(xùn)練參數(shù)向量；m=1,2,…,M是訓(xùn)練樣本的輸入輸出組數(shù).BRB的優(yōu)化學(xué)習(xí)就是通過調(diào)整參數(shù)集p，使目標(biāo)函數(shù)值最小.綜上，該學(xué)習(xí)問題可歸結(jié)為線性約束的多目標(biāo)優(yōu)化問題.

3.3 基于BRB的憤怒情緒識別模型

將生理與腦電指標(biāo)中的BVP、SC、δ%與β%作為模型的輸入，分別記為x1、x2、x3與x4，將情緒狀態(tài)y作為模型的輸出，故基于BRB的憤怒情緒識別模型的前提屬性有4個，且每個前提屬性分為4個參考等級即{小，較小，正常，大}，而輸出可定義為中性(y=0)或憤怒情緒(y=1)，即對應(yīng)的評價結(jié)果分別為D1=0與D2=1.

3.3.1 模型學(xué)習(xí)

表2為來自被試的300組原始數(shù)據(jù)，由于篇幅限制僅列舉部分，依生理與腦電指標(biāo)的分布特點設(shè)置4個前提屬性參考值，如表3所示(前提屬性從低到高分為4個等級）.在訓(xùn)練過程中須將輸入值轉(zhuǎn)化為對應(yīng)前提屬性參考值的隸屬度，轉(zhuǎn)化過程如式(5)與式(6).

表2 駕駛?cè)松砼c腦電指標(biāo)及相應(yīng)情緒狀態(tài)Table 2The physiological and EEG characteristics and their relevant emotion states

式中xi為第k條規(guī)則中的第i個輸入值；,分別為xi對其兩個相鄰的前提屬性參考值的隸屬度.如以表2第1組數(shù)據(jù)為例，4個前提屬性輸入為(36.20，35.13，24.68，47.10)，則x1隸屬于(小，24.01)，(較小，28.06)，(正常，35.26)，(高，36.21)的程度分別為(0，0，0.105 3，0.894 7)，即(36.11–35.26)/(36.21–35.26)=0.894 7，其他輸入值的隸屬度同理可得.

表3 前提屬性參考值設(shè)置Table 3The referential value setting of attributes

采用Matlab優(yōu)化工具箱中的fmincon函數(shù)對BRB學(xué)習(xí)模型(式(3)與式(4))進行求解，當(dāng)目標(biāo)函數(shù)取得極小值時可得訓(xùn)練后的置信規(guī)則庫，如表4所示.由于有4個前提屬性，每個前提屬性有4個等級，故有4×4×4×4=256條規(guī)則,從表4可知每條規(guī)則權(quán)重(僅列舉部分)，以及當(dāng)4個輸入指標(biāo)處于不同參考等級時輸出結(jié)果的置信度.

表4 訓(xùn)練后的情緒識別置信規(guī)則庫Table 4The trained BRB for emotion recognition

3.3.2 模型測試

本文BRB系統(tǒng)輸出的估計值是評價結(jié)果參考值與其置信度的加權(quán)之和，即ym=D1β1+D2β2，因此該估計值為0至1之間的連續(xù)量.為了便于比較BRB模型推理的情緒狀態(tài)與實際的情緒狀態(tài)，須將該估計值轉(zhuǎn)化為可供判別的離散量，過程如下

選取某被試的100組非訓(xùn)練數(shù)據(jù)進行測試，將訓(xùn)練后的BRB模型推理輸出的憤怒狀態(tài)與實際輸出的憤怒狀態(tài)進行對比，對比結(jié)果如圖9所示.從圖9可知，若對BRB的推理輸出進行離散化后可較好地擬合真實值，其對該被試憤怒狀態(tài)的識別率可達85.41%，因此該BRB可較好地識別駕駛?cè)说膽嵟榫w.

圖9 某測試樣本的實際輸出與BRB的推理輸出Fig.9 The real output and the inferred output based on BRB from test samples of one subject

為了進一步驗證該BRB模型的適應(yīng)性與有效性，采用此模型測試15名被試的情緒，并與BPNN、SVM的識別率進行對比，結(jié)果如表5所示.從表5可看出BRB模型的平均識別率為82.24%，比BPNN與SVM的識別率分別高7.15%、5.02%.因此，BRB模型具有更好的識別性能.從表5還可看出模型對年齡較小駕駛?cè)说膽嵟榫w識別率高，可能原因是年輕駕駛?cè)烁讘嵟?，且憤怒后的生理指?biāo)波動更大.

表5 基于BRB,BPNN與SVM的憤怒情緒識別率對比Table 5The comparisons of recognition rate of driving anger among BRB,BPNN and SVM

4 研究結(jié)論

本文針對駕駛?cè)嗽谀M環(huán)境下情緒誘導(dǎo)效果不理想的缺陷，采用基于實際道路事件刺激的憤怒情緒誘導(dǎo)方法，即在出行高峰期的繁忙路線上進行限時駕駛?cè)蝿?wù)的實驗方法可有效誘導(dǎo)多種強度憤怒情緒出現(xiàn).此外，駕駛?cè)嗽趹嵟c中性情緒下的生理與腦電指標(biāo)BVP、SC、δ%與β%存在顯著性差異，在此基礎(chǔ)上建立基于BRB的憤怒情緒識別模型，模型識別效果較BPNN與SVM好，可為開發(fā)基于生理指標(biāo)的駕駛情緒識別設(shè)備（如可穿戴設(shè)備）提供理論支持.本研究僅利用生理與腦電指標(biāo)識別憤怒情緒，具有一定的不確定性.今后還可增加駕駛行為、車輛運動等間接指標(biāo)以提高檢測精度，從而對憤怒情緒進行有效干預(yù).其次本文的被試尚未包含女性被試，為了增強模型的適用性，未來可增加女性被試的數(shù)量.

[1]雷虎.憤怒情緒下的汽車駕駛行為特征及其對交通安全的影響研究[D].武漢：武漢理工大學(xué),2011.[LEI H. The characteristics of angry driving behaviors and its effects on traffic safety[D].Wuhan:Wuhan University of Technology,2011.]

[2]Deffenbacher J L,Lynch R S,Filetti L B,et al.Anger, aggression,risky behavior,and crash-related outcomes in three groups of drivers[J].Behavior Research and Therapy,2003,41(3):333-49.

[3]Nhtsa．Traffic safety facts 2010:A compilation of motor vehicle crash data from the fatality analysis reporting systemandthegeneralestimatessystem[R]．WashingtonDC:NationalHighwayTrafficSafety Administration,2010.

[4]Cai H,Lin Y Z.Modeling of operators'emotion and task performanceinavirtualdrivingenvironment[J]. InternationalJournalofHuman-ComputerStudies, 2011,69(6):571-586.

[5]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.

[6]Schaaff K,Schultz T.Towards emotion recognition from electroencephalographicsignals[C]//3rdInternational Conference on Affective Computing and Intelligent Interaction and workshops,Amsterdam,2009:1-6.

[7]牛曉偉,劉光遠.基于遺傳算法的生理信號情感識別[J].西南大學(xué)學(xué)報(自然科學(xué)版)，2007,29(9):134-138.[NIU X W,LIU G Y.Emotion recognition with philologicalsignalsbasedongeneticalgorithm[J]. JournalofSouthwestUniversity(NaturalScience Edition),2007,29(9):134-138.]

[8]Katsis C D,Katertsidis N,Ganiatsas G,et al.Toward emotion recognition in car-racing drivers:A bio signal processing approach[J].IEEE Transactions on Systems, Man and Cybernetics Part A-systems and Humans, 2008,38(3):502-512.

[9]汪磊，左忠義，傅軍豪.基于SVM的出行方式特征分析和識別研究[J].交通運輸系統(tǒng)工程與信息，2014,14 (3):70-75.[WANG L,ZUO Z Y,FU J H.Travel mode character analysis and recognition based on SVM[J]. Journal of Transportation Systems Engineering and Information Technology,2014,14(3):70-75.]

[10]David Herrero-Fernández.Psychometric adaptation of the driving anger expression inventory in a Spanish sample:differences by age and gender[J].Transportation Research Part F,2011,(14):324-329.

[11]嚴(yán)新平，張暉，吳超仲，等.道路交通駕駛行為研究進展及其展望[J].交通信息與安全，2013,31(1):45-51. [YAN X P,ZHANG H,WU C Z,et al.Research progress and prospect of road traffic driving behavior[J]. Journal of Transport Information and Safety,2013,31(1): 45-51.]

[12]Yang J B,Liu J,Wang J,et al.Belief-rule-base inference methodology using the evidential reasoning approach-RIMER[J].IEEETransactiononSystem, Man,and Cybernetics-Part A:Systems and Humans, 2006,36(2):266-285.

[13]張偉，石菖蒲，等.基于置信規(guī)則庫專家系統(tǒng)的發(fā)動機故障診斷[J].系統(tǒng)仿真技術(shù)，2011,7(1):11-15. [ZHANG W,SHI C P,et al.Fault diagnosis of engine based on RIMER expert system[J].System Simulation Technology,2011,7(1):11-15.]

A Recognition Model of Driving Anger Based on Belief Rule Base

WAN Ping1,2,WU Chao-zhong1,2,LIN Ying-zi3,MAXiao-feng1,2,HUANG Zhen4
（1.Intelligent Transportation System 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; 4.School ofAutomation,Wuhan University of Technology,Wuhan 430070,China）

As“road rage”easily induces aggressive driving behavior that has negative impact on traffic safety,a recognition model of anger emotion based on driver’s physiological and electroencephalogram (EEG)characteristics is proposed in this paper.Fifteen participants were recruited to take part in on-road and timed experiments in Wuhan.Driving anger could be easily induced by specific road events such as jaywalking and weaving vehicles in busy traffic section,which was selected as experiment route.During experiments driver’s anger level was recorded by driving anger scale while physiological and EEG signals were recorded by Biography Infiniti System and Neural Scan System respectively.Then a recognition model of driving anger based on belief rule base(BRB)is proposed with four input variables,which included blood volume purse(BVP),skin conductance(SC),percentages ofδwave(δ%)andβwave(β%)in frequency domain.The model’s validation results show that its accuracy is 82.24%,increasing 7.15%and 5.02%when compared with BPNN and SVM respectively.The results can provide theoretical support for designing driving emotion recognition equipment based on physiology and EEG.

intelligent transportation;emotion recognition;belief rule base;driving anger;on-road experiment

1009-6744（2015）05-0096-07

U491

A

2015-05-21

2015-06-25錄用日期：2015-07-06

國家自然科學(xué)基金(51178364)；國家科技支撐計劃課題(2014BAG01B03)；美國國家科學(xué)基金（1333524）；國家留學(xué)基金管理委員會(201406950045).

萬平(1984-)，男，湖北黃岡人，博士生. ＊

h-zhen@whut.edu.cn