使用神经网络检测情绪兴奋和攻击性驾驶:一项试点研究涉及杜鲁斯的年轻司机

科学领域:

• 在运输安全方面的生理监测.
• 机器学习在驾驶行为分析中的应用.
• 年轻驾驶员风险评估 年轻驾驶员风险评估

背景情况:

• 积极驾驶显著增加了道路交通碰撞的风险,特别是在经验较少的年轻驾驶员中.
• 司机的生理状态,如压力和愤怒会影响驾驶性能,增加事故的可能性.
• 了解情绪兴奋和危险驾驶之间的联系对于制定安全干预措施至关重要.

研究的目的:

• 调查年轻司机的情绪激发和侵略性驾驶行为之间的关系.
• 利用皮电活动 (EDA) 数据和神经网络进行驾驶行为的预测分析.
• 确定EDA的关键特征,可以预测情绪状态和侵略性驾驶.

主要方法:

• 20名参与者 (18-30岁) 完成了84次驾驶课程,通过EMPATICA E4腕带和远程数据收集了皮电活动 (EDA) 和驾驶数据 (加速,制动).
• 进行了两个神经网络分析:从全面的EDA特征预测情绪兴奋,并使用顶级EDA特征预测侵略性驾驶.
• 功能重要性分析确定了重要的EDA特征,包括差异特征 (与基线的变化),以更好地预测攻击性驾驶事件.

主要成果:

• 预测EDA特征引起情绪兴奋的模型达到65%的准确性.
• 使用前10个EDA特征预测攻击性驾驶行为显示中等准确度.
• 结合EDA差异特征的精细预测模型显示,有可能更好地识别攻击性驾驶事件.

结论:

• 电皮活动 (EDA) 数据有望预测年轻司机的情绪状态和侵略性驾驶行为.
• EDA的差异特征似乎特别有价值,可以提高对攻击性驾驶事件的预测.
• 建议进行进一步的研究,包括额外的生理措施,以提高预测性能和告知驾驶员安全系统.