41、基于Wi-Fi信号优化的驾驶员情绪波动机器学习识别机制

基于Wi-Fi信号优化的驾驶员情绪波动机器学习识别机制

1. 引言

在当今社会，车辆已成为人们最常用的交通工具。随着车辆数量的不断增加，因驾驶员在驾驶过程中情绪波动过大而导致的交通事故数量也在上升。当人们情绪过度波动时，思维、判断和操作会受到很大影响，容易因失误引发交通事故。因此，提前预测驾驶员的危险情绪，并通过有效检测方法减少交通事故的发生尤为重要。

为减少这种现象的发生，关键在于抑制驾驶员的路怒和急躁情绪。有心理学家指出，当人们遇到麻烦、失败和心理创伤等负面情况时，最容易发怒，只有改善驾驶环境，才能有效控制易怒情绪和危险行为。驾驶员驾驶过程中的整体情绪识别需要借助设备进行检测，通过对CNN和LSTM等有效识别算法在驾驶员面部的研究，驾驶员可以通过设备干预及时了解驾驶过程中路怒和急躁情绪的出现。

本文的研究重点是利用工业4.0下的机器学习算法。机器学习是当前人机交互的理想状态，当人类将算法植入机制中，该机制可以根据人类意识提供智能服务，准确且快速。本文的核心工作是建立有效的Wi-Fi无线网络环境，通过Wi-Fi网络传输有效测试数据，使机器学习在有效算法下识别驾驶员驾驶时的生物信号，并反馈是否存在路怒的危险行为，最终实现驾驶员与检测设备的人机交互。

2. 背景

2.1 研究现状分析

通过对现阶段驾驶事故的数据统计分析，危险驾驶过程或交通事故的发生频率与驾驶员驾驶中的路怒次数成正比。目前，在驾驶员情绪检测领域，尚无针对驾驶员驾驶中危险情绪的具体检测和研究工作。从文献收集可知，现有算法下驾驶过程中检测情绪通常有两种常见方式：
- 视觉感知 ：通过交通场景进行视觉检测，依