Action unit based micro-expression recognition framework for driver emotional state detection
Notice bibliographique
Résumé
Understanding a driver's emotional state is critical for ensuring road safety and public well-being. Emotions such as anger, fear, disgust, sadness, or happiness can significantly influence driving behavior and decision-making. Facial micro-expressions reveal genuine feelings that people attempt to mask or conceal, offering valuable cues for detecting these emotional states, as they tend to be universally expressed across cultures. This study presents a micro-expression recognition framework designed to identify emotional variations in drivers by analyzing facial Action Units (AUs) based on the Facial Action Coding System (FACS). FACS decomposes expressions into AU combinations, enabling more accurate and flexible interpretation of emotions. The proposed method combines a Residual Network (ResNet18) for spatial feature extraction with a Bidirectional Long Short-Term Memory (Bi-LSTM) network for temporal pattern learning. In addition, agglomerative clustering of AU combinations was applied to enhance emotion classification. The model was trained and evaluated on two benchmark datasets: SAMM and KMU-FED, achieving recognition accuracies of 96.38% and 95.96%, respectively. Furthermore, case analysis was carried out to detect driver emotional state using the proposed framework, obtaining an accuracy of 91.00%. The experiment indicated that anger, disgust, sadness, and fear are the predominant emotions expressed by drivers while driving. The goal of this study lies in harnessing action units for micro-expression recognition to enhance precision in recognizing the driver's emotional state.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».