VEmotion: 利用驾驶上下文进行实时间接情绪预测

文献标题

VEmotion: Using Driving Context for Indirect Emotion Prediction in Real-Time

文献信息

• 主题领域: 人机交互，情感计算，驾驶者情感识别
• 关键词: 驾驶情感检测, 移动传感系统, 上下文情感状态预测, 机器学习, 情感计算, 驾驶行为分析

研究背景与问题

• 发现问题: 在驾驶过程中识别驾驶者的情感是一项挑战。现有方法通常依赖于生理传感（如皮电活动、脑电图）、语音或面部表情，这对用户来说较为侵入性，需要穿戴设备或面对摄像头。这种方式可能会影响驾驶体验。
• 问题重要性: 准确识别驾驶者情感可以提高车载界面的敏感性，例如通过调整音乐减轻驾驶者的负面情绪，优化驾驶体验，同时提升道路安全。
• 研究动机: 作者提出一个新方法，通过分析车辆动态、道路和环境因素，以及驾驶者的上下文信息，预测驾驶者的情感，而无需使用侵入式传感器或记录驾驶者面部表情。这种方式更隐私友好，注重非侵入性设计。

解决方案

• 提出方法: VEmotion系统是一款智能手机应用，仅利用手机传感器数据来预测驾驶者情感（例如速度、天气、交通流量、道路类型等）。
• 创新之处:
  • 不需要额外的硬件设备，无需修改车辆；
  • 整合上下文信息，提供实时情感预测；
  • 利用了机器学习算法（如随机森林分类器）来优化情感识别性能。
• 实施步骤:
  1. 从智能手机上的GPS传感器获得车辆动态数据、天气信息、交通流数据和道路类型；
  2. 通过前置摄像头提取面部表情数据（可选）；
  3. 将所有上下文数据融合并输入到机器学习预测模型；
  4. 实现对驾驶者情感的实时预测与分类；
  5. 进行模型评估，包括依赖个人数据的分类和不依赖个人数据的分类。

研究成果

• 具体成果:
  • VEmotion能有效预测驾驶者的情感，在驾驶过程中达到72.4%的整体预测准确率；
  • 相较于仅依赖面部表情的情感识别，基于上下文信息的VEmotion分类模型提高了人依赖型精度29%，人独立型精度8.5%。
• 与现有解决方案的优势:
  • 与面部表情分析相比，VEmotion对于驾驶者情感分类的准确率显著提高；
  • VEmotion通过上下文数据进行预测可在多个驾驶场景中适用，且考虑到了用户隐私需求。
• 实验或评估结果:
  • 通过多种交叉验证（如“逐驾驶段排除交叉验证”、“逐人物排除交叉验证”）证明系统的鲁棒性；
  • 驾驶动态，如车速、加速度，与情感预测相关性最高；环境变量，如云量、天气术语，重要性居中。
• 局限性与未来方向:
  • 上下文传感器依赖性较高，如GPS信号中断时预测可能受影响；
  • 数据样本中的情感类别存在不平衡问题，“愤怒”、“惊讶”等情感类别数据较少；
  • 建议未来扩展到更多驾驶环境数据，如外部摄像头记录其他车辆行为，以提高预测模型的广泛性。

附加讨论

• 伦理考量:
  • 强调透明和负责任的数据使用，避免可能的情绪数据滥用；
  • 提出环境数据（非面部数据）可能更符合隐私保护。
• 应用前景:
  • 支持开发情感意识车辆界面和导航系统；
  • 提供道路基础设施优化的潜在依据，通过分析驾驶者“幸福”情感相关道路。
• 未来工作:
  • 扩充数据样本类型与数量以提高模型性能，尤其针对情感类别的不平衡问题；
  • 探索基于事件或特殊场景的方法收集情感标签，减少日常标注负担。

注意事项: 作者在文章中还公开了VEmotion的源代码与数据集，以支持更多研究人员探索其他应用或优化模型性能。