超越单纯的时间投入：一种基于脑电图（EEG）的方法，用于有效评估模拟和实际驾驶中的精神疲劳状态

《Frontiers in Bioengineering and Biotechnology》：Beyond the time-on-task: an EEG-driven approach for effective physiological assessment of mental fatigue in simulated and real driving

本研究比较了驾驶模拟和真实环境中基于时间（ToT）和EEG参数（MDrow指数）的疲劳评估方法。通过28名专业驾驶员的实验发现，EEG驱动的疲劳划分能更敏感地捕捉个体差异，而ToT方法在模拟环境中效果不显著。生理指标（HR、EBD、EBA）在EEG方法下显示与疲劳相关的变化，但ToT方法未发现显著差异。主观评估显示KSS评分在任务结束后显著上升，但CFS未达显著水平。研究证实EEG驱动的疲劳评估在早期识别和跨环境一致性上更具优势，为智能驾驶中的实时监测提供了新思路。

　　### 驾驶疲劳对道路安全的影响

驾驶疲劳是导致道路交通事故的一个关键因素，其影响不仅限于道路环境，还广泛存在于航海和航空领域。研究表明，约三分之一的道路事故可能与驾驶疲劳有关，这一数据凸显了其对公众安全的严重威胁。然而，尽管在某些特定领域（如航海和航空）中，驾驶疲劳的影响相对有限，因为这些领域中操作人员的数量较少，但在道路环境中，由于每天驾驶的人员数量庞大，其影响被显著放大。例如，欧洲有大约3亿名驾驶员，其中约20%的驾驶员报告称曾在驾驶时感到过于疲惫，无法保持眼睛睁开的状态。这表明，驾驶疲劳对全球道路安全的影响极为深远。

### 驾驶疲劳的分类与表现

驾驶疲劳通常分为肌肉疲劳和心理疲劳。肌肉疲劳主要表现为自愿力量输出的减少，其在驾驶任务中对整体表现的影响较为有限。相比之下，心理疲劳是指认知能力的下降，例如反应时间和准确性降低。这种下降可能在任务执行过程中显现，也可能在任务完成后才被察觉，具体取决于个体的内部和外部条件。已有研究指出，长时间任务中，所需的精力超过了感知到的奖励，导致动机下降，进而影响表现。Hopstaken及其同事的研究表明，当任务奖励增加时，这种因时间累积导致的认知能力下降可以被逆转。在实际驾驶中，长时间驾驶也可能导致心理疲劳的出现，从而影响驾驶者的判断和反应能力，增加事故发生的风险。

### 驾驶疲劳的检测方法

在研究驾驶疲劳时，传统的方法通常依赖于时间-任务（Time-on-Task, ToT）来定义疲劳阶段。然而，这种方法可能无法准确反映个体之间的疲劳起始差异。为了克服这一局限，研究采用了一种基于脑电图（EEG）参数的新型生理驱动方法。通过分析EEG数据，研究能够更精确地识别个体的疲劳状态，并根据疲劳程度对任务的不同阶段进行划分。这种基于EEG的疲劳检测方法不仅考虑了个体间的差异，还避免了对疲劳的先验假设，从而提高了检测的准确性。

### 实验设计与实施

本研究选取了28名专业男性驾驶员参与实验，其中14名最终纳入分析。参与者被分为两组，分别在意大利的罗马和西班牙的莱昂进行实验，以确保实验条件的多样性。实验地点的选择基于不同的驾驶环境：罗马的“Fiera di Roma”是一个禁止公众通行的私人区域，而莱昂的废弃城市化区域则提供了相对安全的测试环境。通过虚拟环境的重建，确保了实验在模拟和真实环境中的相似性，同时减少了因环境差异带来的干扰。

实验流程分为两个阶段：模拟驾驶和真实驾驶。模拟驾驶阶段使用了一款配备真实座椅、方向盘、手动变速器和踏板的模拟器，并通过三个监控屏幕提供160度的视野。参与者在实验开始前进行了5分钟的训练，以熟悉模拟环境。真实驾驶阶段则使用了Renault Trafic厢式货车，参与者在相同的低负荷任务中进行了5分钟的熟悉驾驶。实验的总时长约为90分钟，包括数据采集、问卷调查和任务执行等环节。

### 数据采集与分析

在数据采集过程中，使用了多种生理信号来评估驾驶疲劳。其中，EEG信号用于评估脑电活动，EOG信号用于分析眼动，PPG信号则用于评估心率和心率变异性（HRV）。此外，还考虑了皮肤电活动（EDA）信号，但由于其在运动中受到较大干扰，最终被排除。在数据处理过程中，应用了多种算法来减少信号中的伪影，例如使用o-CLEAN算法检测EEG信号中的眼blink伪影，并采用EEGLAB工具箱进行进一步的伪影识别和去除。

### 主观评估与结果

主观评估主要通过Karolinska Sleepiness Scale（KSS）和Chalder Fatigue Scale（CFS）进行。KSS要求参与者在1到9的范围内评估自己的嗜睡程度，而CFS则关注疲劳的两个维度：身体和心理。研究发现，KSS在任务前后存在显著差异，表明实验成功诱导了疲劳。然而，CFS在任务前后未表现出显著变化，这可能与任务的持续时间较短有关，因为CFS更适合用于评估慢性或长时间的疲劳状态。此外，研究还发现，实验地点（意大利和西班牙）对CFS得分产生了显著影响，这可能与实验环境、车辆类型和任务特性有关。

### EEG驱动的疲劳评估

在EEG驱动的疲劳评估中，研究发现，疲劳程度在任务的不同阶段存在显著差异。通过计算Global Field Power（GFP）和使用MDrow指数（基于EEG的疲劳评估工具），研究能够更准确地识别个体的疲劳状态。与ToT驱动的方法相比，EEG驱动的疲劳评估在统计显著性上表现出更高的敏感度，尤其是在模拟和真实驾驶环境中均能检测到疲劳的生理变化。

### 模拟与真实驾驶环境的比较

研究还比较了模拟和真实驾驶环境中的疲劳表现。结果显示，虽然两种环境中的疲劳程度均有所增加，但其生理表现存在差异。例如，在模拟驾驶中，眼blink的持续时间和幅度均有所增加，而在真实驾驶中，这些指标则呈现下降趋势。这可能与模拟环境中视觉任务的特性有关，例如屏幕的使用可能导致眼睛湿度的变化，进而影响眼blink行为。此外，模拟驾驶可能引发不同的认知和生理反应，这使得疲劳的生理表现在两种环境中有所不同。

### 心率与心率变异性

在心率（HR）和心率变异性（HRV）方面，研究发现，无论是在模拟还是真实驾驶环境中，疲劳程度均未对HRV指标产生显著影响。然而，在EEG驱动的疲劳评估中，HR在高疲劳阶段显著增加，这可能反映了个体在面对疲劳时的补偿性生理反应。HRV通常被用来评估自主神经系统的活动，其变化可以反映个体的放松程度和应激水平。然而，由于本实验的任务时长较短，可能未能充分诱导出深度疲劳状态，因此HRV指标未表现出明显变化。

### 讨论与结论

本研究的结果表明，使用EEG驱动的疲劳评估方法能够更准确地检测疲劳的生理变化，尤其是在模拟和真实驾驶环境中。相比之下，传统的ToT驱动方法在识别个体间的疲劳差异方面存在局限。这为未来开发更精确的疲劳检测系统提供了新的思路，尤其是在自动驾驶和高度自动化车辆中，驾驶员需要保持警觉并随时准备介入。因此，基于EEG的疲劳评估方法不仅能够提供连续和客观的疲劳检测，还能为AI模型的训练提供更可靠的参考。

此外，研究还发现，模拟和真实驾驶环境在疲劳表现上存在差异，这可能与实验环境的特性有关。例如，模拟驾驶中的视觉任务可能对眼睛的生理状态产生影响，而真实驾驶中的环境因素则可能引发不同的认知和生理反应。这些发现为未来的驾驶疲劳研究提供了重要的参考，特别是在设计实验条件和评估疲劳检测方法时。

### 局限性与未来研究方向

尽管本研究取得了重要的成果，但仍存在一些局限性。首先，样本主要由男性驾驶员组成，未来研究应增加女性驾驶员的比例，以提高结果的普适性。其次，实验中采用了固定的任务顺序（先模拟驾驶后真实驾驶），这可能引入顺序效应，影响结果的解释。此外，实验地点的差异（如车辆类型、驾驶路线和实验人员）可能对疲劳的生理表现产生影响，未来研究应考虑这些因素对结果的潜在影响。

总的来说，本研究通过比较EEG驱动和ToT驱动的疲劳评估方法，揭示了个体差异在疲劳检测中的重要性。这些发现不仅为驾驶疲劳的研究提供了新的视角，也为未来开发更有效的疲劳监测系统奠定了基础。