摘 要：驾驶操作疲劳是引起交通事故、造成驾驶员职业病的主要原因之一。由于疲劳本身的不确定性，导致驾驶操作疲劳评价测试工作一直存在较大的困难。基于现有驾驶操作疲劳评价测试方法的研究现状对未来趋势进行分析和展望。通过检索关键词，阅读整理相关文献，了解目前交通运输工具和工程车辆所使用的驾驶操作疲劳评价测试方法，分为主观判断疲劳评价测试(如问卷调查、自评量表等)和客观判断疲劳评价测试(如脑电图(EEG)、面部识别等)。研究表明，了解受试者真实的生理和精神状态，是有效避免交通事故发生和预防驾驶员职业病的重要途径。最后，得出未来的研究趋势将是努力提高生理特征测量的稳定性、面部识别的准确率、数据获取的真实性以及构建统一的驾驶操作疲劳评估模型。
关键词：驾驶疲劳;疲劳测试;生理特征测量;面部识别
随着科技的进步与发展，用于评价测试驾驶操作疲劳风险的研究方法也取得了较大的进步，这意味着研究人员对驾驶员的心理和生理状态有了更深刻的认识，从而能够通过制定相应的对策以减少或避免交通事故的发生，同时也能有效地管理和预防驾驶员患上职业病。检测疲劳比治愈疲劳更重要，因为检测后治疗更容易[1]。因此，开展驾驶操作疲劳评价测试相关的研究与探讨非常必要。
1 驾驶操作疲劳的表现
疲劳驾驶在交通事故中扮演着重要的角色，甚至在一定程度上影响着交通事故的严重程度，同时常见的职业病，如颈椎病、肩周炎、骨质增生等也与疲劳驾驶有关。只有基于对驾驶员疲劳症状的主观体验的充分了解，保护驾驶员不受疲劳影响的对策才会成功[2]。焦虑和消极情绪状态等心理特征会影响驾驶员疲劳，有研究表明性格和性情可能会对疲劳状态产生不同程度的影响[3]。
在长时间驾驶过程中，根据车辆类型的不同，驾驶操作行为的难度及操作频率也不尽相同，如机车驾驶员在加速到规定速度后可能存在较长时间的等待期，才会有下一步的动作，而驾驶汽车则需要驾驶员保持高度的警惕，对道路环境及车流量的变化进行判断，及时调整车速或行驶方向，操作频率明显较高。通 过 脑 电 图 (electroencephalogram，EEG)、眼电图(electro-oculogram，EOG)和心率(heartrate，HR)变量可了解驾驶操作疲劳是从正常驾驶、高精神负荷到最终精神疲劳和嗜睡的过渡过程，其中存在一个连贯的变化序列。特别是在高精神负荷时，脑电图的θ波段功率增加，α 波段功率降低[4]。此外，卡内基梅隆研究所经过反复实验和论证，提出了度量疲劳的物理量———眼睑闭合比(percentageofeyelid closure over the pupil over time，PER-CLOS).它是根据眼睑遮住瞳孔面积的比例来判断眼睛是否闭合。
因此，生理特征和心理特征能够反映驾驶员真实的心理状态，一般可以分为主观和客观两种判断疲劳的主要测试方法，为评测驾驶操作疲劳风险提供可靠的依据。虽然有了这些评测方法，但是如何根据这些方法获取并处理这些特征变量显得更为重要，这将直接决定评估驾驶操作疲劳风险的准确程度。
2 驾驶操作疲劳的研究现状
近年来，国内外学者对该领域的研究有不少，涉及到汽车、机车、卡车、公共汽车、飞机等多种交通运输工具及工程车辆，但大部分研究都只侧重于从单一的角度出发，进行驾驶操作疲劳评价测试。本文将测试方法按主客观角度分为主观判断疲劳评价测试和客观判断疲劳评价测试。文献来源于文献数据库(WebofScience，SicenceDirect，中国知网)中收录的文献，共有3种检索方式，分别为[标题：(driv-er)AND 标 题：(fatigue)];[标 题：(pilot)AND 标题：(fatigue)];[标题：(fatigue)AND 标题：(detec-tion)]，年份不限。对检索结果进行分类并做统计学分析，如图1所示。
从图1 中 可 知，目 前 文 献 数 量 最 多 的 一 类 是EEG.客观上由于 EEG 具有非侵入性，由它得到的数据受驾驶员主观因素的影响较小，技术比较成熟，主观上与科研院校的设备投入有关，大部分实验中所使用的脑电设备为60导联脑电图机、64导 Ag/AgCl电极帽、32位导联电极帽等，美国 Neuroscan公司生产，采样频率为1000Hz，测试性能较好，因而EEG 得到了较高的关注。其次，关注度较高的是面部识别及特征提取。随着5G 时代的到来，机器学习技术得到了较大的发展，研究人员可以通过计算机视觉技术获取驾驶员的图像，并能够根据算法来实时分析驾驶员的面部特征，进而判断驾驶员的精神状态，有较高的准确率。
主观判断疲劳评价测试的方法，如问卷调查、自评量表等，由于受到被试能力的影响，存在一定的局限性，但 在 主 观 评 价 方 面 使 用 较 为 广 泛。PER-CLOS测试方法通常也很少被单独用来研究驾驶操作疲劳，一般是结合人脸检测，识别眼部位置，进而判断疲劳程度。心电图(electrocardiogram，ECG)、眼电图、肌电图(electromyogram，EMG)信号测量易受干扰，不稳定且实验设备成本较高，因此相较于EEG，研究较少。基于车辆的方法根据驾驶员的操作行为来评测疲劳风险，易受实验者个体差异的影响，有一定的局限性，研究也较少。
3 主观判断疲劳评价测试
3.1 问卷调查与自评量表
问卷调查与自评量表是与受试者直接进行信息获取的媒介，在主观评价方面运用较为广泛。通过实时观察、问卷调查、随机抽查司机的方法，JIANGetal[5]发现主观规范、感知行为控制和意图对疲劳驾驶的自我报告有显著影响。KWONetal[6]得到驾驶风险与职业司机的高疲劳感、每日工作时长等因素有关。此外，BENERetal[7]通过曼彻斯特驾驶行为 问 卷 (drivingbehaviourquestionnaire，DBQ)调查证实，慢性疲劳、急性嗜睡和粗心驾驶行为可能会显著增加道路碰撞的风险，从而导致严重的伤害。NOUGHABIetal[8]通过问卷讨论确定了影响重型车辆驾驶员疲劳和嗜睡程度的因素，并对其影响程度进行了评价，最终采用统计分析和相似度排序技术对其影响程度进行排序。
PHATRABUDDHAetal[9]通过斯坦福睡眠量表和格罗宁根睡眠质量量表收集睡眠剥夺的数据，调查了化学品运输司机的睡眠不足和疲劳状况，得出睡眠质量和睡眠时间会影响驾驶员的疲劳程度。USECHEetal[10]让受试者参与了一个综合调查，其中包括 BRT 驾驶员驾驶行为问卷(DBQ)的改编版，以及努力-奖励不平衡和工作内容问卷，个人强度目录(CIS)的主观疲劳子量表和工作恢复需求量表(needforrecoveryafterworkscale，NFR)，得到BRT 驾驶员的危险驾驶行为可以通过工作压力、努力-回报不平衡和工作中的社会支持来预测。沈阳工业大学的杜振君[11]根据日本能率学会的《疲劳症状自评量表》设计了叉车司机疲劳主观感受调查问卷，对叉车司机作业疲劳程度进行主观调查，实现了叉车司机作业疲劳状态的主观测定。
3.2 观察、报告及讨论
观察、报告及讨论等测试方法受被试主观判断能力的影响，因此在进行疲劳测试研究时有一定的局限性，关注度较低。其中的代表性研究有：LEEetal[12]通过对飞行员进行访谈了解到飞行方向、机组调度、伙伴关系、飞机环境、工作分配、种族差异和酒店环境等因素会影响身体疲劳。FILTNESSetal[13]从澳大利亚和新西兰的8个旅客铁路客运组织中挑选了28名司机，形成各自的焦点小组进行讨论，然后将对话进行整理，分析比较，最后得出结论，但是由于被试在讨论过程中的对话不完整，不全面，甚至有所保留，导致结论的真实性有待考量。
WILLIAMSONetal[14]随 机 招 募 了 90 名 司机，进入到驾驶模拟器中进行2h的模拟驾驶，并给每位司机佩戴活动记录仪，记录下用于统计学分析的数据，用于调查司机在多大程度上可以获得关于他们当前困倦状态的认知信息：入睡的可能性，对驾驶表现的影响及撞车的可能性。调查结果表明，司机可以充分察觉到他们困倦程度的变化，从而做出因困倦而停止驾驶的安全决定。
3.3 主观评估模型
问卷调查和自评量表以及观察、报告、讨论是针对一个问题进行研究和分析的过程，而建立评价模型可以解决一类问题，相对来说，可用性较强，评价效果的有效性与真实性也较好。因此，也有部分学者通过建立驾驶疲劳评估模型来评估驾驶疲劳的程度。
针对驾 驶 疲 劳 致 因 的 多 元 性 和 动 态 性，李 响等[15]提出了一种铁路机车司机疲劳风险多指标动态评价方法，借助改进层次分析法(IAHP)建立综合评价模型，进而实现机车司机在不同作业时段下疲劳风险的动态量化评价。CHENGetal[16]应用Rasch模型测量感知能力，并设计问卷来了解司机的主观感受。MOLLICONEetal[17]使用生物数学模型评估司机疲劳程度，根据驾驶操作的相关措施来量化司机疲劳与安全之间的关系。LIetal[18]采用建模的方法对北京出租车司机的问卷数据进行分析，找出与出租车司机疲劳驾驶相关的最重要因素，并探讨这些因素与出租车司机疲劳驾驶风险之间的关系。
4 客观判断疲劳评价测试
客观判断疲劳检测技术的比较，如表 1 所示。其按行为类别可以分为驾驶行为和驾驶员行为。驾驶行为一般包括加速、减速、刹车、转向以及车道保持等，通过采集并分析驾驶员在驾驶过程中与驾驶操作相关的一系列指标建立评价模型，从而对驾驶员是否疲劳做出客观评价。
驾驶员行为又分为基于生理特征的方法和基于视觉特征的方法。基于生理特征的方法是通过实验设备检测驾驶员的生理信号，如脑电、肌电、眼电、心电等，来判断驾驶员是否疲劳。此外打哈欠、点头、眼球运动等驾驶员行为作为视觉特征提取的数据源，也能用来评价驾驶员的疲劳水平。
4.1 基于车辆的驾驶操作疲劳研究
研究人员通过驾驶行为，结合传感器实时获取车辆的一些基本信息，比如转向盘转动角度，油门踏板位置等信号，来检测驾驶员疲劳状态。黄皓[20]通过驾驶员正常状态和疲劳驾驶时的操作特征以及车辆状态，开展了疲劳驾驶状态识别的算法研究。
蒋鹏民等[21]提出一种基于转向盘图像的驾驶员疲劳检测方法，利用摄像头实时采集转向盘图像，经过处理得到转向盘转角。刘军等[22]提出了基于转向盘转角的疲劳驾驶检测方法，利用角度传感器MLX90316采集转向盘转角数据，并提取出了能描述驾驶员疲劳状态的角度标准差和静止百分比，根据角度标准差和静止百分比建立疲劳状态判别模型，对驾驶员疲劳状态进行检测。
4.2 基于 EEG 的研究
EEG 是目前关于驾驶操作疲劳研究的热点，多数研究是围绕获取受试者脑电图的信号来展开的。罗旭等[23]提出一种基于小波变换与 BP人工神经网络的自发脑电信号分类方法。刘天娇等[24]基于脑电(EEG)数据功率谱开发了高速公路驾驶疲劳预警系统，探索驾驶员主动疲劳与脑电指标之间的关系。CHAIetal[25]提 出 了 一 种 基 于 两 级 脑 电 图(EEG)的分类方法，用于对驾驶疲劳(疲劳状态与警戒状态)进行分类。基于多通道脑电图信号的时空结构，GAOetal[26]提出了一种基于脑电图时空卷积神经网络(EEG-basedspatial-temporalconvo-lutionalneuralnetwork，ESTCNN)的驾驶员疲 劳检测方法，主试视角下的实验场景如图2所示。结果表明 ESTCNN 的分类准确率达到了97.37%.
CHAUDHURIetal[27]利用混沌熵研究了脑电信号的不稳定性，从头皮脑电图信号中提取皮层源，进行驾驶员疲劳检测，并对混沌熵变化的性质进行了多次观测，获得了高达86%的分类精度。HU[28]采用 模 糊 熵 (fuzzyentropy，FE)、样 本 熵 (sampleentropy，SE)、近似 熵 (approximateentropy，AE)、谱熵(spectralentropy，PE)特征与 AdaBoost分类器相结合的方法研究基于脑电图的驾驶员疲劳。该方法对驾驶员疲劳事件具有很高的分类精度。闵建亮等[29]提出基于前额脑电(EEG)信号多尺度小波对数能量熵的驾驶疲劳检测方法，结果表明，前额EEG 的小波对数能量熵可以作为衡量驾驶疲劳的有效生理指标。HUetal[30]基于单通道的脑电信号将4种类型的熵(包括样本熵、模糊熵、近似熵和谱熵)作为梯度增强决策树(gradientboostingdeci-siontree，GBDT)的输入，根据 GBDT 的输出来判断驾驶员是否处于疲劳状态。
CAIetal[31]开发了一种新的多路有限穿透水平可 视 图 (multiplexlimitedpenetrablehorizontalvisibilitygraph，MultiplexLPHVG)方 法，不 仅 可以检测疲劳驾驶，还可以探测大脑疲劳行为。此外，还能利用不同受试者在警戒和疲劳驾驶状态下执行模拟驾驶任务时所记录的脑电图信号来构建大脑网络，最后高精度的分类结果证明了多路 LPHVG 法对脑电信号疲劳检测的有效性。韩霜[32]通过对飞行员在 CRJ-200模拟驾驶舱内进行的模拟实验所得的脑电波信号以及飞行员飞行过程中的生理状况进行分析，提出了基于飞行员脑电波信号来分析与监测飞行员疲劳状况的深度学习网络模型。
4.3 基于 EMG、ECG 和 EOG 的研究
肌电、心电及眼电信号也可以用来研究驾驶员的驾驶操作疲劳，但在测量时往往容易相互干扰，如果不能过滤掉其他信号，将会对实验结果产生一定的影响。MURUGANetal[33]通过监测驾驶员的生理(ECG)信息来检测和分析驾驶员的状态。ECG是一种非侵入性信号，可以读取心率和心率变异性(HRV).PARKetal[34]通过测量振动前后受试者的肌电图(EMG)信号来分析肌肉疲劳。叶成文[35]提出了一种利用心电、肌电信号检测汽车驾驶疲劳的方法，运用学习向量量化神经网络建立心电、肌电生理信号特征参数与驾驶疲劳程度的映射模型，并进行实例验证模型的有效性，还使用了 K-fold方法对系统进行优化。
相关论文推荐：驾驶员疲劳驾驶危害分析及预防探讨
HUANGetal[36]利用生理学方法测量驾驶员的工作负荷和疲劳，首先选取经验丰富的健康地铁司机为研究对象，让司机执行正常的工作计划，同时用心电图记录来评估他们的疲劳程度。最后心电频谱分析结果显示，驾驶员夜间疲劳出现的时间要早于白班。为 了 有 效 判 别 驾 驶 员 的 疲 劳 状 态，王 琳等[37]结合生物力学分析提取了驾驶过程中的颈腰部肌电信号 EMG 和头部脑电信号 EEG，并分析其特征参数在驾驶过程中的变化规律。
4.4 基于 PERCLOS的研究
PERCLOS(眼睑闭合比)是一种非接触式的检测方法，能根据驾驶员在一定时间内眼睛开合的程度来预估驾驶操作疲劳的程度。ZHOUetal[38]利用了 PERCLOS作为驾驶员疲劳的依据，研究在高度自动化驾驶中疲劳过渡预测的准确性，结果表明在两种类型的模型中得到的测量值分别为97.4%和99.1%，该方法有一定的潜力。
王磊宇等[39]在原有的眨眼时间均值指标的基础上，提出瞳孔直径包络值指标，并与原有的眨眼时间均值指标进行实验验证分析，进而判断驾驶员的疲劳状况。陈翔等[40]设计了一种基于飞行员眼睛状态识别的飞行员疲劳实时监测方案。方案采用PERCLOS方法进行疲劳检测，并设计出两种不同的警告方式，以达到保证飞行安全的目的。王剑楠等[41]利用改进的平均合成滤波器算法定位人眼，根据模糊综合评价思想，判定人眼睁开闭合状态，并根据PERCLOS疲劳检测方法对飞行员进行疲劳监测。
4.5 基于面部识别技术的研究
目前已经有相当多的学者认为驾驶员疲劳的表现通常与打哈欠、眨眼等动作有关，而面部识别技术通过算法能精准定位驾驶员眼部和嘴巴的位置，这对研究驾驶员疲劳有着非常重要的意义。NAZetal[42]从安装在车内的摄像机所捕获的视频中，使用Viola-Jones算法对眼睛进行定位，眼睛的状态分为睁眼 和 闭 眼，用 3 种 不 同 分 类 方 法 (平 均 强 度，SVM，SIFT)进行分类比较，实验表明，尺度不变特征变换(scaleinvariantfeaturetransform，SIFT)优于平均强度和支持向量机(supportvectormachine，SVM).在包含5个视频(每个视频时长为2min)的数据集上，平均准确率达到97.45%.刘明周等[43]采用基于肤色检测的 Adaboost算法提取面部以及手部的感兴趣区域。试验数据表明，该方法能够克服光照、背景、角度以及个体差异的影响，且疲劳检测的正确识别率达到99.64%.FATIMAetal[19]提出了人脸和眼睛检测算法，这有助于准确地检测人脸和眼睛，首先检测驾驶员的脸部和右眼，然后进行眼状态分类，结果表明该方法对人脸和人眼的检测分别给出了99.9%和98.7%的精确结果。
LIUetal[44]提出了一种基于深度学习面部表情分析的疲劳检测算法，提高了驾驶员疲劳检测的准确性和及时性，该算法能够快速准确地检测驾驶员的 疲 劳 程 度。HEMANTKUMARetal[45]提 出了一种检测车辆驾驶员是否处于打哈欠状态的算法，该方法有助于将张嘴的图像和闭嘴的图像分离出来，结果表明开口检测的效率为98%，闭口检测的效率为94%.CYGANEKetal[46]提出了一种基于人眼识别的驾驶员疲劳、困倦和注意力不集中状态的混合视觉监控系统，该方法具有较高的识别精度和实时性。在实验室条件下对不同头部位置的识别示例，如图3所示。——论文作者：范沁红1，江星辰1，杨刚俊1，田保珍1，武学良2，聂 敏2
转载请注明来自：http://www.lunwencheng.com/lunwen/dzi/22097.html
