Die Nutzung von Maschinellem Lernen zur Erkennung von Frustration bei Autofahrern anhand von Videoaufnahmen des Gesichts

Abstract

Frustration ist ein potentieller Gefährdungsfaktor im Verkehr. Um Frustration von Autofahrern zu reduzieren, ist es notwendig Fahrerassistenzsysteme zu entwickeln, die die Frustration der Autofahrer erkennen können. Deshalb setzt sich diese Arbeit zum Ziel frustrierte von nicht-frustrierten Autofahrern anhand des Gesichtsausdrucks über Methoden des maschinellen Lernens zu unterscheinde. Dazu wurden zunächst in einem Fahrsimulatorexperiment 30 Versuchspersonen aufgefordert, unter Zeitdruck auszuliefern, wobei Frustration durch Hindernissen induziert wurde. Die unabhängige Variable, affektiver Zustand, hatte dabei die Ausprägungen „Frustration“ (Frust) und „keine Frustration“ (noFrust). Die abhängigen Variablen, Action Units, die nach Facial Action Coding System die Muskelbewegung des Gesichts beschreiben können, wurden mittels einer kommerziellen Software (iMotions) kodiert. (Mit der kodierten Aktivierung des Action Units wurden einerseits die Gesichtsausdrücke zwischen noFrust- und Frust-Bedingungen klassifiziert, vorher wurden die relevanten Action Units als Merkmale der Klassifikation ausgewählt. Andererseits wurde eine unsupervised-Klassifikationsmethode in dieser Studie eingeführt und versucht, die frustrierten Gesichtsausdrücke zu unterteilen. ) Wilcoxon-Tests zeigten, dass die Actions Units Heben der äußeren Augenbraue, Heben der Oberlider, Heben der Wangen, Nase rümpfen, Heben der Oberlippen, Heben der Mundwinkel, Grübchen, Mundwinkel senken, Kinn anheben, Lippen spitzen, Lippen spannen und Lippen einsaugen (AU2, 5, 6, 9, 10, 12, 14, 15, 17, 18, 23 und 28) signifikant häufiger in der Frust-Bedingung als in der noFrust-Bedingung auftraten. Damit waren die Klassifikationsgüte mit Random Forest qualifiziert (Cohens Kappas = ,75 (Gesamtheit) und ,89 (Individuum)). Außerdem zeigten die durch Clustern herausgefundenen neuen Labels eine hohe Übereinstimmung mit den experimentellen Bedingungen. Die Ergebnisse stellen einen Schritt hin zu einem tieferen Verständnis des frustrierten Zustandes, der die Grundlage für automatische Erkennung der Frustration von Autofahrern bildet, dar.