騎行過程中智能手機分心行為檢測模型研究

羅少鵬 王 濤 雷胡晟

（桂林電子科技大學，廣西 桂林 541004）

電動自行車騎行過程中智能手機使用行為，已成為非機動車事故的主要原因之一。據統計，有將近30%的用戶有騎電動自行車時使用手機的習慣。研究騎行過程中手機分心行為對騎行安全的影響，構建騎行過程中手機分心檢測模型，有助于豐富當前電動自行車騎行安全的研究，可為分心預警系統提供依據。學者對手機使用行為對駕駛表現的影響及分心判別表現開展了研究[1-3]。Patten等[4]通過設計實車試驗探究不同難易程度對話內容在手持免提通話條件下駕駛員反應時間的差異，結果表明通話模式并無明顯差異，但隨著通話內容的復雜度增加，駕駛員的反應時間越長。高巖等[5]分析了在不同手機操作任務下車輛運行特性和視覺特性，結果表明發送文字信息對駕駛人跟車的影響最大，閱讀文字信息次之。廖源[6]通過設計試驗采集駕駛人視覺特征和車輛運行特征數據并選取最優特征子集，構建高速公路和城市道路場景下的SVM判別模型，判別準確率為93%和98.5%。Liu等[7]基于駕駛人頭部運動數據和眼動數據，采用半監督學習構建分心識別模型，研究發現該模型識別精度高達97.2%。周揚等[8]基于視覺特征構建隨機森林模型對駕駛人認知分心狀態進行識別，結果表明模型識別準確率為83.69%。機動車分心行為的相關研究較為完善，但電動自行車分心行為研究仍然較為缺乏，較少有學者通過實車試驗的方法對電動自行車不安全騎行行為進行研究。本文借鑒國內外機動車駕駛員使用手機行為的研究經驗，將設計實車試驗的方法，探究智能手機使用行為對電動自行車騎行安全的影響并構建騎行分心檢測模型。

1 實車試驗方法

1.1 試驗設計

試驗任務：在騎行過程中，使用手機的行為非常普遍，且操作的功能類型各不相同。針對典型的手機操作功能進行研究，本文共設計了兩種手機操作方式，分別是手持通話和發送微信，正常騎行作為對照組。

被試人員：本試驗招募若干名有騎行過程中使用手機經驗的騎行者。共招募32名被試人員參與試驗，其中男性24人，女性8人。被招募的騎行者身體狀態良好，無視覺和聽覺障礙。

試驗設備：電動自行車數據采集系統由九軸姿態傳感器、GPS定位系統、攝像機組成。攝像機安裝在電動車車頭，鏡頭對準被試者，用來記錄被試者騎行過程中的行為動作，后期用于截取被試者手機測試任務開始和結束時間點。GPS定位系統采樣頻率為10 Hz，能夠測量騎行過程中電動自行車的實時速度、經緯度以及騎行軌跡。九軸姿態傳感器傳輸頻率為10 Hz，集成了高精度陀螺儀、加速度計和地磁場傳感器，能夠實時記錄電動自行車的加速度、角速度、航向角。

試驗車輛：本試驗采用普及率較高的電動自行車，電動自行車加速及剎車性能正常，行駛性能良好且電量充足，電動自行車貼有“試驗車輛測試，請勿靠前”字樣，并為受試者提供頭盔和反光背心，保障騎行者騎行安全。所有被試人員騎同一輛車，消除不同車況引起的車輛運行數據差異。

試驗地點：本試驗探究騎行過程中手機使用行為，具有一定危險性，試驗路段選取需要排除車輛及環境差異等干擾因素且交通流量較少、道路平坦直順的路段。考慮以上因素，本試驗選取桂林電子科技大學校園，全長2 km的雙向道路，該路段路面狀況良好，無小半徑曲線。

1.2 試驗過程

步驟一：被試人員閱讀試驗說明及注意事項，了解試驗任務。

步驟二：試驗人員向被試人員發放個人基本信息調查表，要求如實填寫。

步驟三：試驗人員將GPS定位系統和九軸姿態傳感器等設備安裝在電動自行車上并進行設備校準和測試；被試人員佩戴安全頭盔和反光背心。

步驟四：被試人員先進行預試驗，試驗人員帶領被試人員熟悉試驗路線，強調在騎行過程中按照被試人員日常的習慣騎行。

步驟五：被試人員在無手機操作狀態下騎行第一圈，無任務騎行完畢后進行任務騎行試驗，被試人員騎行至手機任務發起點時，根據試驗人員發起的手機任務提醒完成相應任務。每兩個操作任務之間會設置一個大約1 min的間隔，防止相鄰操作任務產生干擾。

步驟六：各項騎行任務完成后，試驗人員檢查數據是否有缺失，如果數據不完整或不符合試驗要求，被試人員應重新進行試驗。

1.3 特征參數提取

根據國內外相關研究并結合現有試驗設備，本研究選擇的特征參數有平均速度、速度標準差、縱向加速度標準差、平均角速度、角速度標準差、橫向加速度標準差。九軸姿態傳感器、GPS定位系統分屬不同設備且未集成同步功能，但各數據采集系統采用計算機系統時間，故可將各設備間的系統時間同步。在試驗開始時記錄各試驗設備的開始時間，數據處理階段結合攝像機記錄視頻的時間軸，截取相應手機測試任務時間段各設備的數據。對本實驗數據進行假設性檢驗時，發現一些樣本無法較好地滿足正態性檢驗，選用Friedman檢驗和Nemenyi事后多重比較檢驗哪兩組之間存在顯著性差異。由檢驗結果可知，除橫向加速度標準差在不同騎行任務下不存在顯著性影響外（P＞0.05），其他5項指標均存在顯著性影響（P＜0.05）。最終選定平均速度、速度標準差、縱向加速度標準差、平均角速度、角速度標準差構建騎行分心檢測模型特征參數集。

2 騎行分心檢測模型

隨機森林模型是典型的Bagging模型，該模型是使用多棵樹的分類器，樣本由決策樹訓練和預測，對異常值和噪聲具有較強的容忍性，可用于數據分析，同時對每個變量的重要性給予評分。

遺傳算法是一種進化計算技術，其靈感來自生物學中的自然選擇和遺傳進化。遺傳算法模擬了生物進化的過程，通過模擬基因的交叉、變異和選擇優化問題的解。遺傳算法通常用于優化問題，包括函數最優化、組合優化、機器學習等領域。在使用遺傳算法求解問題時，首先需要將問題轉換為一個適應度函數，函數能夠描述個體的適應程度或優劣程度。遺傳算法將適應度函數最大化或最小化，從而找到最優解。

本研究共選取5項特征參數，騎行者的騎行狀態（正常騎行、手持通話、發送微信）標記為0、1、2。采用遺傳算法優化的隨機森林模型參數，利用最優模型對騎行分心狀態進行檢測。通過Python中的Scikit-Learn構建騎行分心檢測模型。

隨機森林模型構建流程如圖2所示。

圖2 隨機森林模型構建流程

2.1 模型訓練

將數據集拆分為兩個部分，分別是70%數據量的訓練集、30%數據量的測試集，利用訓練集數據構建模型，并確定模型參數的最優參數。

步驟一：從原始數據中隨機有放回地抽取樣本，生成一個有n個樣本的隨機抽樣訓練集。這個過程稱為Bootstrap過程。

步驟二：從訓練集中隨機選取k個特征，建立決策樹。其中，k一般是小于特征總數的一個常數。

步驟三：重復步驟一、二，建立N棵決策樹。

步驟四：對于每個測試樣本，讓N棵決策樹分別進行預測，并統計預測結果中票數最多的類別作為最終的預測結果。

隨機森林算法參數眾多，超參數的設置會影響模型的辨別效果，隨機森林主要調整參數為：內部節點分裂最小樣本數、樹的最大深度、葉子節點的最大數量、決策樹數量。采用遺傳算法對模型參數進行尋優，以達到更好的分類精度。遺傳算法參數設置為：初始種群個數50、最大迭代次數150、變異概率0.1。經多次迭代后，模型的最優參數為：內部節點分裂最小樣本數為2、樹的最大深度為17、葉子節點的最大數量為150、決策樹數量為199。

2.2 模型評價

使用測試集數據對訓練集所訓練的模型進行評估，評價指標為準確率、召回率、精確率和F1值，對模型性能進行評估，并將其與傳統分類模型支持向量機（SVM）算法進行比較。

模型檢測性能結果如表1所示。

表1 模型檢測性能結果 單位：%

GA-RF指標結果均高于SVM的表現，說明在進行騎行者騎行狀態檢測時，GA-RF的效果更佳。

3 結語

本文建立基于GA-RF構建了電動自行車騎行過程中手機使用行為檢測模型，通過配備的設備采集系統采集了各項數據對模型進行訓練驗證。結果表明GA-RF的精確率為92.8%，F1值為89.8%，GARF可以對騎行者騎行狀態進行檢測。與SVM結果相比，GA-RF指標結果均高于SVM，GA-RF模型檢測效果更佳。本試驗僅選用了32位騎行者參與試驗，樣本量較少，且僅選擇騎行時通話和發送微信作為手機行為，但實際上騎行者騎行過程中使用手機的行為有很多，為擴大檢測模型的適用范圍，未來應該豐富對騎行過程中手機行為的研究。