周程寧，王青山，王 琦，沈德偉

(合肥工業(yè)大學(xué) 數(shù)學(xué)學(xué)院，合肥 230031)

E-mail：qswang@hfut.edu.cn

1 引 言

當(dāng)今社會，因劇烈的情緒波動(dòng)造成的不良駕駛現(xiàn)象，已經(jīng)成為嚴(yán)重危害交通安全的重要因素[1]，駕駛?cè)嗽谶^于激動(dòng)的情況下，思考、判斷、決策、執(zhí)行都會受到不可控的影響，極易產(chǎn)生操作失誤導(dǎo)致交通事故.及時(shí)檢測、預(yù)警路怒情緒成為預(yù)防人為失誤、降低事故率的有效方法.由于情緒能影響到駕駛?cè)说母兄⑴袛?、決策與執(zhí)行等過程[2，3]，因此駕駛行為與情緒緊密相關(guān).心理學(xué)家Novaco 指出，當(dāng)人們遭遇煩惱、挫折、不公平、侮辱或心理創(chuàng)傷等負(fù)性事件時(shí)容易產(chǎn)生憤怒情緒[4]，而駕駛環(huán)境的特殊性使得其極易成為引起憤怒情緒的溫床.

隨著交通的發(fā)展、私家車數(shù)量的增多，近年來，情緒波動(dòng)引發(fā)的駕駛狀態(tài)失常現(xiàn)象，如路怒癥等，逐漸成為引起交通事故的重要因素之一.調(diào)查顯示危險(xiǎn)駕駛行為或交通事故發(fā)生次數(shù)與路怒次數(shù)顯著正相關(guān)[5]，如何有效識別、警示駕駛員的情緒波動(dòng)也成為研究的熱點(diǎn).目前關(guān)于情緒檢測、識別的研究成果基本以人臉識別、收集生物信號、文本情感分析[6，7]等方法為主，沒有發(fā)現(xiàn)針對駕駛動(dòng)作的方法研究.本文在使用WiFi動(dòng)作識別方法的基礎(chǔ)下，針對駕駛動(dòng)作進(jìn)行情緒波動(dòng)的識別研究工作.

現(xiàn)有的研究中，對于駕駛情緒的捕捉識別主要有兩類方法：基于交通場景的視覺感知[8，9]和基于傳感器的生物信號檢測[10].在基于視覺方面，主要側(cè)重于捕捉情緒外部特征，如駕駛員人臉檢測，其一直是交通行業(yè)的熱門話題，在此方面有許多積極有效的研究成果.Oh 和Kwak[11]提出一種基于線性判別分析的方法來識別駕駛員人臉.Matsuo等[12]開發(fā)了一種可以在各種光照環(huán)境下快速檢測駕駛員人臉的方法.Tsuyoshi和Khiat[13]提出基于攻擊情緒的面部分析方法.基于傳感器方面，側(cè)重于情緒引起的生物信號的變化，因?yàn)樯硇盘柺亲园l(fā)的，不受人工干預(yù)，能夠客觀地反映人的情緒狀態(tài)[14].Wan等[15]提出一種通過真實(shí)交通環(huán)境中車輛穿插、插隊(duì)、亂穿馬路、交通擁堵、等待紅燈等事件來誘導(dǎo)志愿者產(chǎn)生憤怒的方法，以提取包括腦電圖在內(nèi)生物信號進(jìn)行憤怒識別.Wang等[16]在側(cè)波中選取腦電圖的香農(nóng)熵，利用脈沖神經(jīng)網(wǎng)絡(luò)實(shí)時(shí)檢測駕駛疲勞危險(xiǎn).

基于視覺的檢測主要基于駕駛員的臉部特征，涉及到眼球和眼瞼的運(yùn)動(dòng)[17]與分辨率處理[18]，一旦司機(jī)佩戴眼鏡或頭部變化幅度過大，則系統(tǒng)可能無法檢測到眼睛，造成識別率的下降.同時(shí)，視覺檢測對于隱私侵犯方面也可能造成人們的擔(dān)憂.在基于腦電圖的檢測中，用戶需要佩戴專用設(shè)備[19]監(jiān)測腦電圖，成本較大且裝置具有侵入性，本身就會給人帶來駕駛不舒服的感覺，可能對駕駛員的情緒感受產(chǎn)生負(fù)面影響.

傳統(tǒng)的解決方案依賴于視覺和可穿戴傳感器，存在侵入性、可靠性、隱私問題等不足.為此，本文從WiFi識別角度出發(fā)，提出WiDriver無線識別框架，它利用WiFi動(dòng)作識別，引入駕駛員情緒識別系數(shù)，通過駕駛動(dòng)作對駕駛情緒進(jìn)行識別，相對于傳統(tǒng)方法，WiDriver具有安裝便利、低成本、有效保護(hù)隱私等優(yōu)勢.實(shí)驗(yàn)結(jié)果表明，基于WiFi的情緒波動(dòng)識別框架取得了較好的性能.據(jù)我們所知，本文是第一個(gè)使用WiFi信號來對駕駛員情緒波動(dòng)進(jìn)行檢測的研究.

在本文中，我們的貢獻(xiàn)如下：

·提出一種基于菲涅耳區(qū)模型設(shè)計(jì)天線布局的方法，增強(qiáng)無線信號中情感數(shù)據(jù)的物理表達(dá).

·以剎車與油門信號特征作為車輛行駛數(shù)據(jù)設(shè)計(jì)駕駛員情緒識別系數(shù)公式，提升了情緒波動(dòng)識別率.

·構(gòu)建基于LSTM(Long Short-Termmemory Networks)的情緒判別器，將WiDriver應(yīng)用到真實(shí)駕駛環(huán)境中進(jìn)行性能評估.實(shí)驗(yàn)結(jié)果表明，WiDriver檢測駕駛員情緒波動(dòng)程度的平均識別率達(dá)到83.9%.

2 相關(guān)工作

由于多徑和衰落效應(yīng)，人們的動(dòng)作會對無線信號產(chǎn)生干擾.隨著WiFi技術(shù)得到廣泛應(yīng)用，這種基于無線信號的干擾已被大量用于識別人類活動(dòng).常用的指標(biāo)是基于粗粒度的接收信號強(qiáng)度RSS(Received Signal Strength)與基于細(xì)粒度的通道狀態(tài)信息CSI(Channel State Information).RSS是接收信號的強(qiáng)度指示，用于判定鏈接質(zhì)量，以及是否增大廣播發(fā)送強(qiáng)度，是對所有傳播路徑進(jìn)行求和的功率特征.RSS方法側(cè)重于識別宏觀動(dòng)作，如動(dòng)作(爬行、站立和行走)[19]，以及手勢[20，21].CSI為信號子載波上詳細(xì)的幅度和相位信息.CSI方法側(cè)重與精細(xì)動(dòng)作，具體來說，用戶不同程度的活動(dòng)都會對無線信號的頻率、振幅(能量特征)和相位信息產(chǎn)生不同的影響，從而導(dǎo)致CSI值的不同，因此其更適合微動(dòng)作的研究，如WiKey[21]利用CSI值的時(shí)間序列模式識別筆記本電腦擊鍵.WiHear[22]通過嘴部運(yùn)動(dòng)產(chǎn)生的細(xì)粒度信號反射檢測和分析說話內(nèi)容.NiFi[23]分析并利用移動(dòng)設(shè)備產(chǎn)生的信號序列的特征自動(dòng)識別合法用戶.

CSI同樣被用于情緒識別，如Gu等人[24]提出了EmoSense，一種通過數(shù)據(jù)挖掘從無線信道響應(yīng)中探索情感物理表達(dá)的無線情感響應(yīng)系統(tǒng).Zhao等人[25]提出了一種從人體反射的無線信號中提取個(gè)體心跳的情感識別方法，用于估計(jì)情感相關(guān)的特征.現(xiàn)有的基于WiFi的識別系統(tǒng)大多集中在相對穩(wěn)定的室內(nèi)空間，只能在有限的情況下產(chǎn)生較好的識別效果，因此無線識別十分適合應(yīng)用于車輛空間，如WiFi正在取代藍(lán)牙用于車載娛樂[26].如Wang[27]等提出了WiCAR，一種基于WiFi的車內(nèi)活動(dòng)識別框架.

相對的，現(xiàn)在并沒有基于無線信號的駕駛員情緒識別方法，且現(xiàn)有的無線情緒識別方法存在著部分難點(diǎn)，如利用心跳識別情感的方法過于細(xì)粒度，微小的額外動(dòng)作都會對結(jié)果造成較大影響，EmoSense依賴于為不同情緒設(shè)計(jì)特定動(dòng)作，存在一定的環(huán)境限制等.本文提出的基于WiFi的駕駛員情緒波動(dòng)識別方法，不依賴于特定動(dòng)作，在駕駛環(huán)境下判斷司機(jī)情緒波動(dòng)程度，具有較強(qiáng)的實(shí)用性.

3 系統(tǒng)綜述

在本節(jié)，我們提出一個(gè)基于菲涅耳區(qū)的駕駛員情緒識別框架WiDriver，如圖1所示.框架主要包括：基于菲涅耳區(qū)的天線位置設(shè)計(jì)，數(shù)據(jù)預(yù)處理，情緒系數(shù)計(jì)算，情緒波動(dòng)程度識別.首先基于菲涅耳區(qū)域的特性，根據(jù)實(shí)驗(yàn)場景位置調(diào)整天線布局，以捕獲信道響應(yīng)上的駕駛動(dòng)作并達(dá)到最佳效果.在此基礎(chǔ)上，于相同的時(shí)間間隔內(nèi)采樣CSI數(shù)據(jù).之后進(jìn)行數(shù)據(jù)預(yù)處理，分割提取油門、剎車動(dòng)作信號進(jìn)行駕駛員情緒識別系數(shù)的計(jì)算，并使用系數(shù)對動(dòng)作數(shù)據(jù)進(jìn)行處理.最后將結(jié)果輸入基于LSTM的情緒判別器，進(jìn)行駕駛員情緒波動(dòng)的識別判斷.根據(jù)多維駕駛風(fēng)格量表[28]，本文將駕駛員的情緒狀態(tài)分為3種類型：謹(jǐn)慎的(Cautious)、正常的(Normal)和激動(dòng)的(Aggressive).

圖1 WiDriver系統(tǒng)架構(gòu)Fig.1 WiDriver system architecture

3.1 數(shù)據(jù)采集準(zhǔn)備

首先，我們進(jìn)行數(shù)據(jù)采集準(zhǔn)備.在典型的駕駛場景中，司機(jī)的情緒波動(dòng)會顯示在其駕駛動(dòng)作上，過于激動(dòng)的情緒可能會導(dǎo)致危險(xiǎn)的駕駛行為.由于情緒的主觀性，本文沒有給出情緒波動(dòng)的定義，而是使用動(dòng)作來表示.剎車作為駕駛的基本動(dòng)作之一，能有效反映行駛狀態(tài)，而危險(xiǎn)的駕駛行為通常由于油門失控造成，因此剎車與油門也被用于駕駛評估[29]，清晰的剎車與油門信號能提取力度、頻率、動(dòng)作時(shí)長等特征.

駕駛中的異常油門剎車動(dòng)作的出現(xiàn)有偶然性，為了增強(qiáng)判斷的準(zhǔn)確性，本文給出一個(gè)非系數(shù)動(dòng)作的定義，考慮到司機(jī)在情緒波動(dòng)時(shí)常伴隨一系列的相關(guān)動(dòng)作并傳遞至駕駛行為中，且剎車油門信號用于計(jì)算情緒識別系數(shù)，本文將除剎車油門外的信號統(tǒng)一歸類為非系數(shù)動(dòng)作.考慮到個(gè)人情緒波動(dòng)發(fā)生一般較為突然，且持續(xù)時(shí)長較短，只有情緒出現(xiàn)前后短時(shí)間內(nèi)的動(dòng)作有參考價(jià)值，因此經(jīng)過實(shí)驗(yàn)比較，本文在數(shù)據(jù)采集過程中以5分鐘為采集時(shí)長.

3.2 基于菲涅耳區(qū)的天線位置設(shè)置

本文采用基于菲涅耳區(qū)的理論分析方法來設(shè)計(jì)實(shí)驗(yàn)天線擺放位置，以達(dá)到增強(qiáng)CSI信號中情緒物理表達(dá)的目的.菲涅耳區(qū)是在收發(fā)天線之間，由電波的直線路徑與折線路徑的行程差為nλ/2的折點(diǎn)(反射點(diǎn))形成的，以收發(fā)天線位置為焦點(diǎn)，以直線路徑為軸的橢球面.其中n表示由內(nèi)而外第n個(gè)橢圓面，λ為信號波長.n=1的區(qū)域是對信號作主要貢獻(xiàn)的區(qū)域，稱為第1菲涅耳區(qū)，亦稱有效區(qū).菲涅耳區(qū)在進(jìn)行無線網(wǎng)絡(luò)搭建，保證系統(tǒng)正常通信等方面有重要作用.圖2所示為菲涅耳區(qū)的例子，它由一組同心橢球體組成.

圖2 菲涅耳區(qū)Fig.2 Fresnel zone

其中Qn(n=1,2,3…)是第n個(gè)菲涅耳區(qū)的邊界點(diǎn).Tx和Rx分別代表發(fā)送方和接收方，s為人體Per與發(fā)射方的距離.對于波長為λ的無線信號，其對應(yīng)的菲涅耳區(qū)可以構(gòu)建如下：

(1)

在移相過程中，組合信號的幅值在偶數(shù)區(qū)域下降，在奇數(shù)區(qū)域增強(qiáng)[24]，且在第1菲涅區(qū)內(nèi)增幅最大.由于菲涅耳區(qū)以橢圓體包裹視距路徑(Line-of-Sight Path)的形式存在，且駕駛動(dòng)作主要集中于手部與腳部，因此核心思想是調(diào)整天線的位置，確保駕駛員動(dòng)作最大范圍身處第1菲涅耳區(qū)內(nèi)，且手部、腳部初始位置盡量位處在奇數(shù)菲涅耳區(qū)域，從而最大增強(qiáng)相應(yīng)的信號振幅.為此，本文設(shè)計(jì)了一種基于菲涅耳區(qū)查找的方法來指導(dǎo)天線的布置，以獲得更好的性能.

在駕駛環(huán)境中，使Rx固定于左側(cè)車門，定義s為Rx距司機(jī)身體中軸距離，約30cm，Tx位于副駕駛位置，視距路徑穿過手、腳部連線中心位置，距離手部、腳部初始位置約46cm，因此系統(tǒng)設(shè)置以調(diào)整發(fā)射方Tx的位置為主，通過改變Tx、Rx距離TxRx調(diào)整菲涅耳區(qū)的分布，使得駕駛動(dòng)作在通道響應(yīng)上可以增強(qiáng).由公式(1)可以推出：

(2)

又由橢圓公式：

(3)

(4)

表1 不同天線距離對應(yīng)的部分菲涅耳區(qū)半徑分布表Table 1 Partial fresnel area radii corresponding to different antenna distances

對于各菲涅耳區(qū)半徑，考慮到需要滿足第1菲涅耳區(qū)盡量大的要求，且手、腳部中心位置應(yīng)位于奇數(shù)菲涅耳區(qū)內(nèi)，通過理論計(jì)算，我們最終設(shè)定TxRx距離為1.1m，從而在第13菲涅耳區(qū)上增強(qiáng)了駕駛員動(dòng)作信號.

3.3 數(shù)據(jù)預(yù)處理

數(shù)據(jù)預(yù)處理部分主要包括去噪分割與降低多路徑效應(yīng)影響.由于硬件本身的缺陷，采樣的CSI數(shù)據(jù)有相當(dāng)大的噪聲，因此在訓(xùn)練之前，需要將收集到的原始CSI度量作為特征表示進(jìn)行處理.我們使用低通巴特沃斯濾波器去除高頻信號噪聲.然后設(shè)計(jì)基于方差的檢測方法來自動(dòng)分割屬于某個(gè)活動(dòng)的數(shù)據(jù).

此外，CSI是多個(gè)傳播路徑的信號的混合體，包括視線路徑、人體反射路徑和其他反射路徑.這個(gè)現(xiàn)象稱為多徑效應(yīng)，當(dāng)一個(gè)人在車內(nèi)進(jìn)行活動(dòng)時(shí)，接收到的信號實(shí)際上是通過多條路徑來的，包括靜態(tài)路徑和動(dòng)態(tài)路徑[27].靜態(tài)路徑包括視線路徑和汽車座椅、鏡子等反射路徑，這些路徑在活動(dòng)過程中保持靜態(tài).由于車輛在行駛過程中存在相對運(yùn)動(dòng)，因此動(dòng)態(tài)路徑包括運(yùn)動(dòng)物體和車外物體反射的路徑.我們通過實(shí)驗(yàn)，檢測過路汽車、行人等車外物體對于車內(nèi)活動(dòng)的影響，如圖3所示，相對于車內(nèi)人體活動(dòng)引起的反射，車外物體的反射大小可以忽略不記，因此車內(nèi)多路徑效應(yīng)可以表示為：

圖3 車內(nèi)外活動(dòng)信號對比Fig.3 Comparison of internal and external vehicle activity signals

(5)

其中k指第k條路徑，n為路徑總數(shù)，j為虛數(shù)單位，f為信號頻率，ak和τk分別為第k條路徑的冪次衰減和時(shí)延.

為了使采集的CSI數(shù)據(jù)更能反映人體真實(shí)情況，必須減輕從其他路徑接收到的信號的干擾.本文采用Wang等人在WiPIN[30]中提出的方法，從人體反射的CSI幾乎具有最小的時(shí)間延遲這一要素出發(fā)，首先對于每個(gè)樣本應(yīng)用快速傅里葉逆變換(IFFT)，將頻域轉(zhuǎn)換為時(shí)域，保留在最小時(shí)間延遲內(nèi)的數(shù)據(jù)，去除后續(xù)數(shù)據(jù)，然后使用快速傅里葉變換(FFT)將時(shí)域轉(zhuǎn)回頻域.對每個(gè)樣本進(jìn)行IFFT & FFT操作后，大大減輕了對CSI的多路徑影響，使數(shù)據(jù)更貼近人體.

一是扎實(shí)開展惠企走訪，及時(shí)輸血民營企業(yè)。受宏觀經(jīng)濟(jì)下行壓力加大等因素的影響，民營企業(yè)經(jīng)營面臨多重困難。金融機(jī)構(gòu)要扛起支持民營企業(yè)的責(zé)任與擔(dān)當(dāng)，緩解民企融資困難，積極為廣大小微企業(yè)和民營企業(yè)創(chuàng)造更大的生存空間。要積極開展對廣大民營企業(yè)和中小微企業(yè)的走訪工作，認(rèn)真梳理走訪企業(yè)的共性問題，找準(zhǔn)企業(yè)的融資痛點(diǎn)難點(diǎn)，通過推進(jìn)企業(yè)在線融資，提升小微企業(yè)授信的專業(yè)化管理水平，創(chuàng)新小微企業(yè)金融服務(wù)，幫助企業(yè)拓寬融資渠道，擴(kuò)大信貸工廠批量授信規(guī)模等方式，切實(shí)做到“對癥下藥”。

3.4 基于行駛數(shù)據(jù)的駕駛員情緒識別系數(shù)

現(xiàn)有的情緒波動(dòng)識別方法，包括視覺、傳感器、無線信號等，都是基于表情、動(dòng)作等人體本身的特征，即駕駛員數(shù)據(jù)進(jìn)行檢測，而無法利用環(huán)境特征識別效果進(jìn)行增益.在汽車駕駛這一特殊場景中，司機(jī)本身的情緒不僅反映在其駕駛動(dòng)作上，亦會體現(xiàn)于這些駕駛動(dòng)作導(dǎo)致的車輛速度等屬性，即行駛數(shù)據(jù)的變化上.

在如何通過車輛數(shù)據(jù)量化駕駛員情緒上存在兩種觀點(diǎn)[31]：1)基于車輛的速度或加速度進(jìn)行量化，如Murphey等人提出的駕駛員風(fēng)格識別系數(shù)Rdriver[32]，是非常經(jīng)典的算法；2)基于汽車之間的距離來量化，如Ding等人結(jié)合加速度與安全距離提出的駕駛員情緒識別系數(shù)Rde.因此，本文在識別司機(jī)動(dòng)作的基礎(chǔ)上，引入加速度、剎車距離等行駛數(shù)據(jù)，進(jìn)行情緒識別系數(shù)的計(jì)算.

由于車內(nèi)的WiFi設(shè)備只能對司機(jī)動(dòng)作進(jìn)行捕捉識別，因此無法直觀地獲取車輛的距離、加速度.考慮到剎車動(dòng)作對于車輛安全距離、油門動(dòng)作對于車輛加速度有較大影響，且這兩個(gè)動(dòng)作一定程度上反映了司機(jī)的駕駛環(huán)境，我們決定計(jì)算剎車信號與油門信號的數(shù)學(xué)特征來替換距離、加速度，以此進(jìn)行情緒識別系數(shù)的推導(dǎo).

基于剎車信號的距離系數(shù)p.不同的剎車距離一定程度上反映著駕駛員的情緒狀態(tài)，假設(shè)剎車過程中加速度不變，由勻加速直線運(yùn)動(dòng)的位移公式可得剎車位移：

(6)

其中V0為車輛初速度，a為車輛加速度，t為加速持續(xù)時(shí)間，且a，t與剎車動(dòng)作密切相關(guān)，可見初速度、剎車造成的加速度大小、剎車的時(shí)長是影響車輛剎車距離的關(guān)鍵因素.車內(nèi)WiFi無法獲取車輛初速度，但可以捕捉剎車信號，因此考慮以剎車信號的振幅替代車輛加速度、以剎車信號時(shí)長替代減速時(shí)長，結(jié)合駕駛員情緒識別系數(shù)Rde，定義距離系數(shù)p：

(7)

其中Abreak，tbreak為需進(jìn)行判斷的剎車信號的振幅與時(shí)長，AN_break，tN_break為駕駛情緒狀態(tài)為Normal時(shí)采集的剎車信號的振幅與時(shí)長.

在車輛行駛中，與加速度穩(wěn)定的情況相比，加速度頻繁變化反映出駕駛員的情緒狀態(tài)有所不同，由于油門一定程度上決定了車輛行駛時(shí)的加速度，因此我們考慮以油門信號的平均值、標(biāo)準(zhǔn)差進(jìn)行替代，受駕駛員風(fēng)格系數(shù)公式的啟發(fā)，定義加速度系數(shù)rdriver：

(8)

得到距離系數(shù)與加速度系數(shù)后，我們定義基于行駛數(shù)據(jù)的駕駛員情緒識別系數(shù)rde：

(9)

3.5 情緒波動(dòng)識別

考慮到司機(jī)在駕駛時(shí)會伴隨駕駛動(dòng)作，而在期間產(chǎn)生的情緒都會反映到駕駛動(dòng)作上，主要體現(xiàn)于幅度、頻率等特征.因此我們不對非系數(shù)動(dòng)作作具體識別，而是通過提取其數(shù)字特征進(jìn)行判斷.

如圖4所示，提取動(dòng)作中最具代表性的特征后，本文構(gòu)造了基于LSTM，以駕駛員情緒識別系數(shù)與非系數(shù)動(dòng)作作為輸入的情緒判別器.提取、計(jì)算油門、剎車信號特征得到情緒識別系數(shù)后，利用其對非系數(shù)動(dòng)作信號進(jìn)行乘法運(yùn)算.

圖4 基于LSTM的情緒判別器Fig.4 Emotion discriminator based on LSTM

本文實(shí)驗(yàn)中個(gè)人駕駛習(xí)慣的不同，且情緒的變化與時(shí)間序列高度相關(guān)，數(shù)據(jù)信息序列富含有大量內(nèi)容，信息彼此間有著復(fù)雜的時(shí)間關(guān)聯(lián)性，其長度也各不相同.基于這些特性，本文采用LSTM，其典型特征是長期保存輸入.其擁有一種稱作記憶細(xì)胞的特殊單元，類似累加器和門控神經(jīng)元.記憶細(xì)胞在下一個(gè)時(shí)間步長將擁有一個(gè)權(quán)值并聯(lián)接到自身，拷貝自身狀態(tài)的真實(shí)值和累積的外部信號，這種自聯(lián)接由能夠?qū)W習(xí)并決定何時(shí)清除記憶內(nèi)容的乘法門控制[33].因此，本文基于LSTM構(gòu)造情緒判別器.

4 實(shí)驗(yàn)驗(yàn)證

在這一節(jié)，對WiDriver進(jìn)行評估以檢驗(yàn)其準(zhǔn)確性.我們使用商業(yè)設(shè)備實(shí)現(xiàn)了一個(gè)WiDriver原型.該原型使用TD-LTE無線數(shù)據(jù)終端(E5572-855)作為發(fā)射端，使用裝有IntelWi-Fi Link5300網(wǎng)卡的筆記本電腦作為接收端，選用2.4G頻段的信道.發(fā)射端放置在車左前門，接收端放置在副駕駛座位上，兩者距離設(shè)置為1.1m.接收端每10毫秒ping一次發(fā)送端，通過Linux CSI工具獲得CSI測量值.數(shù)據(jù)處理實(shí)驗(yàn)環(huán)境為Win10(64位)，實(shí)驗(yàn)軟件為Matlab2019b.

基于第3節(jié)的系統(tǒng)設(shè)計(jì)，本文將駕駛員情緒波動(dòng)程度設(shè)置為3種類型：謹(jǐn)慎、正常和激動(dòng)，并以此設(shè)計(jì)駕駛動(dòng)作.在情緒波動(dòng)程度越高的情況下，駕駛過程中非系數(shù)動(dòng)作的幅度越大，油門、剎車踩踏的力度更大、頻率更高.

我們招募10名志愿者，考慮到情緒過于激烈時(shí)駕駛的危險(xiǎn)性，選用車輛駕駛教學(xué)場所作為實(shí)驗(yàn)場地.所有志愿者都按照3類情緒程度在駕駛位置分別完成實(shí)驗(yàn)動(dòng)作，其中不同種類的動(dòng)作順序由志愿者按自己的意愿進(jìn)行，并記錄動(dòng)作發(fā)生的時(shí)間.如圖5所示，同一志愿者在Cautious，Normal與Aggressive 3種情緒波動(dòng)程度下的駕駛動(dòng)作信號，可見情緒越激動(dòng)，動(dòng)作信號越密集，頻率越高，此外在在振幅絕對值、持續(xù)時(shí)間長短等方面也有所區(qū)別.

圖5 同一志愿者不同情緒波動(dòng)程度下的駕駛動(dòng)作信號對比Fig.5 Comparison of driving action signals of the same volunteer with different degrees of emotion fluctuation

其次，我們對獲取的CSI時(shí)間序列進(jìn)行分割提取，并由WiDriver對其中的油門、剎車動(dòng)作進(jìn)行駕駛員情緒識別系數(shù)的計(jì)算，再將得到的結(jié)果對非系數(shù)動(dòng)作數(shù)據(jù)進(jìn)行乘法運(yùn)算，通過基于LSTM的情感判別器進(jìn)行分類.圖6為WiDriver在實(shí)際部署中識別率的混淆矩陣，其中對角線上數(shù)據(jù)為3種情緒程度識別成功的正確率，其余數(shù)據(jù)為一種情緒被判斷為其他情緒的識別率.通過計(jì)算對角線數(shù)據(jù)，可得平均準(zhǔn)確率為83.9%.

圖6 使用識別系數(shù)后情緒波動(dòng)程度識別情況Fig.6 Degree of emotion fluctuation after using the recognition coefficient is recognized

為了研究情緒識別系數(shù)對WiDriver性能的影響，本文比較是否使用情緒識別系數(shù)這兩種情況下系統(tǒng)的平均識別率，結(jié)果如表2所示.從表2可以看出，使用情緒識別系數(shù)的WiDriver在平均識別率上有顯著提升.

表2 是否使用情緒識別系數(shù)對WiDriver性能的影響Table 2 Influence of emotion recognition coefficient on Widriver performance

最后，將WiDriver與同類型的方法進(jìn)行比較.本文采用支持向量機(jī)(Support Vector Machine，SVM)、卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks，CNN)、循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network，RNN)進(jìn)行對比實(shí)驗(yàn)，所得結(jié)果如表3所示.

表3 對比實(shí)驗(yàn)結(jié)果Table 3 Result of contrast experiment

可見，相對于其他基線方法，WiDriver在識別率上有相當(dāng)?shù)奶嵘?

5 總 結(jié)

在本文中，我們提出了駕駛員情緒波動(dòng)程度識別系統(tǒng)WiDriver，利用WiFi信號的CSI變化信息來檢測情緒波動(dòng).首先利用菲涅耳區(qū)相關(guān)原理，設(shè)計(jì)改變天線位置增強(qiáng)無線信號中情緒物理表達(dá)的方法，其次根據(jù)油門、剎車動(dòng)作信號計(jì)算駕駛員情緒識別系數(shù)，最后使用基于識別系數(shù)與LSTM的情緒判別器進(jìn)行情緒波動(dòng)識別.我們在商業(yè)WiFi設(shè)備上構(gòu)建WiDriver的原型，并在真實(shí)環(huán)境中對其進(jìn)行評估.實(shí)驗(yàn)結(jié)果表明，WiDriver在駕駛員情緒波動(dòng)識別方面具有較好的性能.今后工作中，我們將進(jìn)一步考慮如下問題.車輛存在多人情況下的駕駛員情緒波動(dòng)識別問題，車輛內(nèi)部大量障礙物導(dǎo)致較多靜態(tài)路徑反射的優(yōu)化問題等，這些都有待于將來探索研究.