Анализ корреляции между состоянием водителя и маневрами транспортного средства: трехфазный метод и экспериментальное исследование

Исследована связь между эмоциональным состоянием водителя и маневрами транспортного средства. На основе системы глобального позиционирования данных с помощью углов Эйлера–Крылова вычислены угловые скорости и динамически определены границы маневров. Эмоции водителей распознавались по видеозаписям из салона автомобиля. Анализ проведен на 42 водителях (более 300 часов вождения). Предложен метод трехфазного представления: оценка эмоций до, во время и после маневра. По результатам кластерного анализа выявлены типичные паттерны эмоциональных реакций, в том числе нарастание гнева при разворотах и снижение позитивных эмоций во время маневров.

1. Rosen H.E., Bari I., Paichadze N., Peden M., Khayesi M., Monclus J., et al. Global road safety 2010–18: an analysis of global status reports // Injury. 2025. V. 56. N 6. P. 110266. doi: 10.1016/j.injury.2022.07.030

2. Chen Y., Xie Y., Wang C., Yang L., Zheng N., Wu L. Time-dependent effect of advanced driver assistance systems on driver behavior based on connected vehicle data // Analytic Methods in Accident Research. 2025. V. 45. P. 100370. doi: 10.1016/j.amar.2025.100370

3. Halin A., Verly J.G., Van Droogenbroeck M. Survey and synthesis of state of the art in driver monitoring // Sensors. 2021. V. 21. N 16. P. 5558. doi: 10.3390/s21165558

4. Yang G., Ridgeway C., Miller A., Sarkar A. Comprehensive assessment of artificial intelligence tools for driver monitoring and analyzing safety critical events in vehicles // Sensors. 2024. V. 24. N 8. P. 2478. doi: 10.3390/s24082478

5. Othman W., Kashevnik A., Hamoud B., Shilov N. DriverSVT: Smartphone-measured vehicle telemetry data for driver state identification // Data. 2022. V. 7. N 12. P. 181. doi: 10.3390/data7120181

6. Shushkova V., Kashevnik A., Bakeeva L. Accelerometer and gyroscope synthetic data calculation based on driver smartphone GPS // Proc. of the 36th Conference of Open Innovations Association (FRUCT). 2024. P. 748–755. doi: 10.23919/fruct64283.2024.10749939

7. Truong C., Oudre L., Vayatis N. Ruptures: change point detection in Python // arXiv. 2018. arXiv:1801.00826. doi: 10.48550/arXiv.1801.00826

8. Ryumina E., Dresvyanskiy D., Karpov A. In search of a robust facial expressions recognition model: A large-scale visual cross-corpus study // Neurocomputing. 2022. V. 514. P. 435–450. doi: 10.1016/j.neucom.2022.10.013