盡管交通事故的原因很復雜，但主要原因是攻擊性駕駛行為。而其中，駕駛員的情緒狀態與駕駛行為密切相關。
司機在不同駕駛行為下的情緒是如何變化的？
能否通過情緒波動提前識別危險的駕駛行為？
來自東南大學的研究團隊就探討了網約車司機在攻擊性駕駛和正常駕駛時的情緒變化模式（Ma et al.,2024），為研究情緒與駕駛行為之間的關系提供了一種新的途徑，為高級輔助駕駛系統提高駕駛安全性提供了駕駛員情緒感知和情緒波動檢測的重要參考和指導。
情緒與駕駛行為
交通系統由道路使用者、車輛和道路組成，盡管交通事故的原因很復雜，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。
駕駛車輛是一項復雜的任務，駕駛員可能會因周圍環境的刺激而分心。駕駛員的情緒狀態可以直接或間接地決定其駕駛行為，由此產生積極或消極的影響。過往大多數研究都在探究特定負面情緒，如憤怒、焦慮、恐懼等對駕駛行為的影響。憤怒可能導致駕駛表現下降，并導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，當司機生氣時，他們傾向于更晚、更用力地踩剎車（Zhang et al., 2016）；對自然駕駛狀態下的數據分析表明，由憤怒引起的危險駕駛通常是故意的，而不是由于認知錯誤，并且隨著駕駛員憤怒強度的增加，會發生更多的駕駛違規行為（Precht et al, 2017）。
一般來說，情緒可以分為兩個維度：（1）效價（valence），表明情緒狀態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。相較于關注獨立的離散情緒，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系。Taubman-Ben-Ari（2012）研究表明，高喚醒的積極情緒會促進魯莽駕駛，而低喚醒的積極情緒則相反。這表明情緒的兩個維度對駕駛行為的影響是不同的。
如何測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，生理信號可用于情緒識別。但是采集生理數據的設備往往需要與駕駛員接觸，從而致使分心，進而影響駕駛行為。除了生理信息外，面部表情等行為數據也可用于識別駕駛員的情緒（Xiao et al ., 2022）。有研究將面部表情數據與生理信號相結合，以識別駕駛員的實際情緒狀態（Oh et al., 2021）。與獲取生理信號的復雜過程相比，面部表情數據的獲取只需要簡單的儀器。此外，非接觸式的測量方法減少了因觸碰而產生的潛在干擾。因此，通過面部表情來檢測駕駛員的情緒狀態具有顯著的優勢。
此外，大多數研究都基于特定的靜態情緒，缺乏對情緒波動的考慮。而在現實情景下，駕駛員的情緒是根據刺激而不斷變化的，因此僅僅通過自我報告和情緒誘導的方法測量情緒變化都存在過于主觀的的缺陷。
因此，本研究引入一個新的框架來分析不同駕駛行為的情緒波動差異。首先考慮情緒的不穩定性，分析了情緒波動對駕駛行為的影響；其次，對情緒的描述關注兩個維度，即效價和喚醒度。通過分析駕駛員在真實駕駛過程中的面部表情視頻，得出這兩個指標數據，構成實時、真實的數據集。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測司機的情緒變化，從而提供給司機必要和及時的警告，減輕與情緒相關風險行為。
網約車司機的真實駕駛實驗
實驗共招募16名網約車司機，平均年齡為36.38歲，駕駛經驗范圍為4 ~ 25年。
實驗選擇在駕駛員的正常工作時間進行測試，有利于駕駛員迅速進入正常的駕駛狀態。實驗設備包括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玻璃上（圖1），以測量高精度的車輛運動學數據，如位置、速度、加速度等，以及記錄司機的面部表情。使用諾達思的面部表情分析系統（FaceReader）分析司機的面部表情以獲得情緒數據（Iridiastadi, 2019）。
圖1 數據采集設置
FaceReader在檢測到面部后，會基于面部動作編碼系統（Facial Action Coding System，FACS）和活動外觀模型（Active Appearance Model，AAM），描述面部500多個關鍵點來生成準確的面部三維模型。最終使用訓練好的人工神經網絡對面部表情進行分類。
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。平均準確率為99%。此外，FaceReader可以測量20個最常見的面部動作單位（Action Unit, AU），以0 ~ 1的取值表示其強度，以此獲得實時效價和喚醒度數據。效價的計算為快樂情緒強度減去強度最高的負面情緒強度，喚醒度的計算基于表1所示的20個動作單元的激活值。
表1
對于攻擊性駕駛行為的識別，參考過往研究使用VBOX采集的車輛運動學數據中的速度、縱向加速度（急加速或急制動）和橫向加速度（急變車道和急轉彎）的閾值來檢測。
由于車輛運動學數據和情緒數據采用相同的采樣頻率，因此可以基于時間戳對兩類數據進行匹配。
整個研究以圖2所示分析框架進行，用于分析攻擊性駕駛和正常駕駛下情緒波動的差異。首先，該框架使用動態加速（橫向和縱向）閾值來識別攻擊性駕駛行為；然后，通過分析攻擊性駕駛行為的情緒數據特征來確定時間窗口；最后，通過聚類分析不同駕駛行為的情緒效價和喚醒波動。
圖2 用于分析情緒波動的框架
消極效價與高喚醒度增加攻擊性駕駛行為
（一）攻擊性駕駛行為識別結果
研究在16名司機中發現了303種攻擊性駕駛行為。提取其發生前后15s的數據，為了避免數據重復，兩個提取的攻擊性駕駛樣本至少間隔一分鐘。結果如圖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別結果。
圖3 駕駛員在一個工作日的攻擊性和正常駕駛行為識別
（二）攻擊駕駛行為的情緒波動時間窗
以攻擊性駕駛前后15 s為情緒波動序列長度進行分析，可得以下結果（圖4）：從攻擊性駕駛行為發生前的第6秒開始，平均喚醒度持續上升，直到攻擊性駕駛行為發生時達到最高值；攻擊性駕駛行為發生后，平均喚醒度呈下降趨勢。這表明，情緒喚醒的持續增加是一種心理變化，往往會促進攻擊性駕駛。攻擊性駕駛發生后，心理狀態逐漸平靜下來。此外，司機的情緒效價在攻擊性駕駛前后的6秒內波動劇烈。因此，本研究結果提示攻擊性駕駛發生前6秒的情緒波動與攻擊性駕駛的發生有著本質的關系。
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的情緒差異
對效價和喚醒度進行聚類分析，將效價波動分為積極、平靜和消極，喚醒波動分為高度和低度。結果表明，在正常駕駛和攻擊性駕駛中，駕駛員的情緒變化存在差異。當駕駛員處于消極情緒效價時，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，且當處于積極情緒效價時，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。
這表明情緒效價對駕駛行為有影響。較低的消極效價增加了攻擊性駕駛行為的可能性，即負面情緒會促進攻擊性駕駛；較高的積極效價降低了駕駛員攻擊性駕駛意圖的可能性。這與過往研究結果一致。然而，在積極情緒對駕駛行為的影響方面，過往研究存在不一致的觀點。本研究結果表明，積極效價的強度對駕駛行為產生不同的影響。在較高的積極效價強度下，駕駛員可能表現出更高的內在動機和更高的安全意識。然而，積極情緒對駕駛行為影響的內在機制有待進一步探索。
圖5 不同駕駛行為的效價和喚醒度聚類結果
(a/b)效價（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秒情緒波動時間窗內的效價與喚醒度變化。結果顯示，駕駛員在積極、消極和平靜狀態下都可能表現出攻擊性駕駛行為。與正常駕駛相比，攻擊性駕駛行為發生前6秒內駕駛員情緒效價波動更大，尤其是處于積極情緒狀態時（圖5a，圖5b），即情緒不穩定會增加司機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的喚醒度（圖5c，圖5d），即高喚醒度會增加攻擊性駕駛的可能性。結果均表明，即使是相同的效價值和喚醒度也會對駕駛員的駕駛行為產生不同的影響，因此只關注靜態情緒的研究是不合理的，必須考慮動態情緒對駕駛的影響。
關注動態情緒波動以準確識別駕駛行為意圖
本研究從微觀角度分析了駕駛員情緒波動與駕駛行為之間的關系，獲得了攻擊性駕駛和正常駕駛的情緒變化模式。通過獲取真實駕駛情景下的駕駛數據和面部表情數據，獲得了更真實可靠的情緒數據。通過分析攻擊性駕駛行為發生前、中、后的情緒數據，發現攻擊性駕駛行為發生前6秒駕駛員情緒變化與攻擊性駕駛行為發生的相關性更高。此外，與正常駕駛相比，攻擊性駕駛時駕駛員情緒效價波動更大，處于更負性的情緒狀態，且情緒喚醒度更高。
未來研究應考慮更多的測試場景以及更多的被試，提供更大的樣本，從具體駕駛事件、駕駛員性別和個體差異的角度研究情緒波動與攻擊性駕駛之間的關系，以及設計更精準的實驗來探究環境、情緒與駕駛行為之間的因果關系。
本研究結果對駕駛員行為監測和駕駛輔助預警系統的改進具有重要的理論價值和現實意義。這為駕駛員情緒狀態檢測提供了一種新的方法。考慮駕駛員情緒的動態波動，可以更準確地識別駕駛員的駕駛行為意圖。通過動態時間窗實時檢測駕駛員的情緒波動并提前警告駕駛員，可以減輕潛在的危險駕駛，從而提高道路安全。此外，駕駛員的情緒波動水平可以作為指標納入JZ考試，對容易出現不良情緒波動的駕駛員進行培訓和指導。
參考文獻
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.
