驾驶行为与交通安全

本研究提出了一种在真实驾驶过程中对驾驶员心理压力进行分类识别的算法模型。

本研究采用了 MIT-BIH 数据集，该数据集通过可穿戴设备收集了 17 名驾驶员在实际驾驶过程中的心电、皮肤电阻、心率、肌电等多种生理数据。

研究人员对这些生理数据进行了预处理、特征提取等一系列规范化处理后，对结果进行了统计检验。结果表明，驾驶员在驾驶过程中的压力水平分成三个等级时，各个压力等级之间存在显著差异；众多生理特征中，从驾驶员脚部采集的皮肤电阻特征区分驾驶员压力的准确率最高。

本研究设计了一种融合行为与生理特征的监督学习模型，并验证了该模型对车辆碰撞事件的预测效果。

受试者穿戴生理传感器、眼动仪，使用驾驶模拟器完成一系列驾驶任务。研究者同步记录车辆动态、距离、驾驶行为、注视点和生理数据，并计算提取多种生理和行为特征，创建车辆碰撞预测模型。

结果表明，添加生理和行为特征后，车辆碰撞预测模型的准确性和特异性显着提高。

本研究验证了使用生理参数评估飞行员在处理直升机单发失效事件前后工作负荷的可行性。

使用可穿戴生理传感器，实时记录了11名飞行员在单发失效事件后，重新获得飞机控制权和安全着陆的机动期间（即自转期间）的呼吸、心率、皮肤电导反应、眼动、面部表情等特征。采用直升机着陆的垂直速度作为安全绩效，飞行员对工作负荷的主观评估作为依据，验证生理特征的准确性。

结果表明，融合多种生理和行为参数的同步、连续记录可以有效反应飞行员在险情处理任务中的工作负荷。

本研究采用多种生理和行为参数预测驾驶员的困倦程度，以及何时达到预定的困倦程度。

邀请 21 名驾驶员在模拟器上完成指定的驾驶任务，时长为100-110 分钟。期间，实时记录驾驶员的心率、心率变异性、呼吸率、头部和眼睑运动等多种生理和行为指标，以及穿越车道时间、速度、方向盘角度、位置等多种驾驶行为。使用这些特征组合分别创建用于识别和预测疲劳驾驶状态的人工神经网络模型。

该模型可以检测驾驶员的困倦程度，均方误差为 0.22，并可以预测何时达到预定的困倦水平，均方误差为 4.18 分钟。