具体操作步骤如下：
1）对分心量化进行全盘思考
针对从车内采集的语句内容序列进行分析，得到该序列作为对话所对应的对话等级较高时，表征对话人在对话过程中倾注的注意力强度较大。
而通常在车内发生的语音对话中，驾驶员都会作为对话人参与到对话过程当中，而一个人的注意力是有限的，当驾驶员将过多的注意力倾注在与他人的对话中时，就会削弱在驾驶操作上的注意力，使驾驶员在驾驶车辆过程中处于分心状态，从而导致车辆驾驶过程中存在安全隐患。
分析语句内容序列所得到的对话等级较高，表明驾驶员在驾驶车辆过程中处于分心状态的等级越高，潜在的安全隐患越大。
退一步讲，即使驾驶员没有参与到对话过程中，只是作为聆听者，但由于车内环境较为封闭，驾驶员极易受对话人语音对话的影响而分心，特别是当对话人倾注在对话过程中的注意力强度较大时，很容易对驾驶员产生较强的代入感，使驾驶员受对话人注意力的同化影响，而倾注与对话人相似强度的注意力到对话中，从而使驾驶员在驾驶车辆过程中处于分心状态。
进一步地，在实际检测驾驶员分析状态时，还可以根据确定的对话等级的大小，设置相应的分心状态等级，以对驾驶员处于分心状态的程度进行量化。
2）构建量化指标，建立量化公式
工程师给出了自己的算法构思。
获取语句内容序列中相邻语句之间的间隔时长，并计算间隔时长对应的时间特征指数。
具体地，在获取到语句内容序列后，对语句内容序列中相邻语句之间的间隔时长进行统计，并采用预置算法计算间隔时长对应的时间特征指数。该时间特征指数用于整体表征语句内容序列中的语句间隔时长的特征。
本实施例对计算时间特征指数所采用的预置算法不做限定，例如对语句内容序列中相邻语句之间的所有间隔时长计算平均值作为时间特征指数，间隔时长的平均值越小，对应对话人在该对话中倾注的注意力强度越大。
或者进一步地为了方便与其他确定对话等级的因素之间进行归一化，可以在统计所述间隔时长的平均值后，将该平均值采用预设函数映射到0到1之间，并将映射结果作为时间特征指数。
例如，在统计得到语句内容序列中相邻语句间的间隔时长平均值t之后，通过预设函数将t映射为0－1之间取值的时间特征指数i＿t，如i＿t＝1／（1＋t）。例如，当间隔时长平均值t为0．5秒，对应的时间特征指数i＿t＝1／（1＋0．5）＝2／3。
在实际应用中，该时间特征指数越小，对应对话人在该对话中倾注的注意力强度越大。
将时间特征指数与预设的不同对话等级对应的时间特征指数区间进行比对，确定对话的对话等级。
具体地，可以预先设置多个对话等级，每个对话等级对应不同的时间特征指数区间，且各区间值随着对话等级的增大而连续增大。
将对语句内容序列分析得到的时间特征指数与上述多个时间特征指数区间进行比对，并将其所属的时间特征指数区间所对应的对话等级确定为以该语句内容序列作为对话所对应的对话等级。
本实施例，通过分析语句内容序列中所包含的各语句之间间隔时间的特征，间接分析对话人是否专注、连贯地进行对话交流的情况，从而确定对话人倾注于该对话过程的注意力强度，准确确定以语句内容序列作为对话所对应的对话等级。
3）设计情感指数！这是该专利核心价值算法，对驾驶员的情感进行量化
对语句内容序列中各语句的情感分类进行评估，得到各语句对应不同预置情感分类的分类概率值。
其中，所述情感分类可包括但不局限于：高兴、愤怒、伤心、平静中的至少一种。
具体地，通过预先训练得到的自然语言理解模型分析语句内容序列中各语句的情感分类概率值，也可以直接结合声学模型和语言模型从语句对应的原始语音信号中分析得到各语句的情感分类，并生成相应的分类概率值。
如（p1，p2，p3，p4，．．．）可作为一条语句对应的情感分类向量，其中：p1是情感分类为高兴的分类概率值，p2是情感分类为愤怒的分类概率值，p3是情感分类为沮丧的分类概率值，p4是情感分类为平静的分类概率值，．．．．。各分类概率值的和值为1。
根据语句内容序列中各语句对应不同预置情感分类的分类概率值，对语句内容序列所体现的语义情感进行综合分析，得到语句内容序列对应的综合情感指数。
具体地，通过对语句内容序列中各语句所表达的情感分类，可以综合判断语句内容序列整体表达的情感分类。而所属不同情感分类的对话需要对话人所倾注的注意力强度也不同。本实施例，通过对语句内容序列中各语句对应不同预置情感分类的分类概率值采用预置算法进行综合计算，以得到能够体现语句内容序列整体所表达的情感分类情况的综合情感指数。该综合情感指数的值越大，对应的所表征的对话人在对该对话中所倾注的注意力强度也越大。本实施例对于计算综合情感指数的预置算法不做限定。
在一具体实施例中，可通过如下步骤计算综合情感指数：
步骤1，根据语句内容序列中各语句对应不同预置情感分类的分类概率值，以及预设的各情感分类对应的权重，计算各语句的情感指数。
其中，各情感分类对应的权重可依据对话人处于该情感分类的状态进行对话时，对对话过程所倾注的注意力强度大小来确定。例如，对应于高兴、平静的情感分类其对应的权重可相对设置较小；而对应于愤怒、伤心的情感分类其对应的权重可相对设置较大。
例如，计算S104－10中引用的语句的情感指数e＝p1＊we1＋p2＊we2＋p3＊we3＋p4＊we4＋．．．，其中：we1，we2，we3，we4，．．．为相应情感分类对应的权重。
步骤2，对各语句的情感指数进行平均值计算得到平均情感指数，并将平均情感指数确定为语句内容序列对应的综合情感指数。
将步骤1中得到的各语句的情感指数e进行平均值计算，得到平均情感指数i＿e，并将该平均情感指数i＿e作为语句内容序列对应的综合情感指数。
将综合情感指数与预设的不同对话等级对应的综合情感指数区间进行比对，确定对话的对话等级。
具体地，可以预先设置多个对话等级，每个对话等级对应不同的综合情感指数区间，且各区间值随着对话等级的增大而连续增大。将对语句内容序列分析得到的综合情感指数与上述多个综合情感指数区间进行比对，并将其所属的综合情感指数区间所对应的对话等级确定为以该语句内容序列作为对话所对应的对话等级。
本实施例，通过分析语句内容序列中各语句内容所表达的对话人的情感，间接分析相应对话人在说出该语句时所倾注的注意力强弱；
通过各语句内容所表达的对话人的情感进而分析所用对话人在整个对话过程中的情感分布，是处于高兴、平静的状态，还是处于愤怒、伤心的状态；
最后通过分析语句内容序列整体所体现的情感分类情况，即通过综合情感指数来间接分析对话人倾注于该对话过程的注意力强度，准确确定以语句内容序列作为对话所对应的对话等级。
