elib
DLR-Header
DLR-Logo -> http://www.dlr.de
DLR Portal Home | Imprint | Privacy Policy | Contact | Deutsch
Fontsize: [-] Text [+]

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

Zhang, Meng (2016) Die Nutzung von Maschinellem Lernen zur Erkennung von Frustration bei Autofahrern anhand von Videoaufnahmen des Gesichts. Master's, Technische Universität Berlin.

Full text not available from this repository.

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.

Item URL in elib:https://elib.dlr.de/104499/
Document Type:Thesis (Master's)
Title:Die Nutzung von Maschinellem Lernen zur Erkennung von Frustration bei Autofahrern anhand von Videoaufnahmen des Gesichts
Authors:
AuthorsInstitution or Email of AuthorsAuthors ORCID iD
Zhang, MengDLRUNSPECIFIED
Date:April 2016
Refereed publication:Yes
Open Access:No
Gold Open Access:No
In SCOPUS:No
In ISI Web of Science:No
Status:Published
Keywords:Frustration, Facial Action Coding System, Adaptive Automatisierung, Maschinelles Lernen
Institution:Technische Universität Berlin
Department:Institut für Psychologie und Arbeitswissenschaft
HGF - Research field:Aeronautics, Space and Transport
HGF - Program:Transport
HGF - Program Themes:Terrestrial Vehicles (old)
DLR - Research area:Transport
DLR - Program:V BF - Bodengebundene Fahrzeuge
DLR - Research theme (Project):V - Fahrzeugintelligenz (old)
Location: Braunschweig
Institutes and Institutions:Institute of Transportation Systems > Human Factors
Institute of Transportation Systems > Automotive
Deposited By: Ihme, Klas
Deposited On:04 Jul 2016 12:41
Last Modified:04 Jul 2016 12:41

Repository Staff Only: item control page

Browse
Search
Help & Contact
Information
electronic library is running on EPrints 3.3.12
Copyright © 2008-2017 German Aerospace Center (DLR). All rights reserved.