基于自然眼动特征的面向隧道安全的不同照度区域驾驶风格识别

《Building and Environment》：Luminance zone-specific driving style identification using naturalistic eye movement features for tunnel safety

　　

亮度分区框架通过眼动识别驾驶风格

瞳孔动态主导变化区的特征；扫视速度在稳定区领先。分区专用FCNN在不同亮度区分别达到92.3%和97.3%的准确率。EMI可实时检测激进驾驶（阈值为0.6），无需车辆数据。

引言

道路隧道是现代交通基础设施的关键组成部分，但其面临的系统性安全挑战与开放道路环境有着显著区别。封闭的空间几何结构、受限的能见度以及出入口处急剧的亮度变化，使得操作失误的后果在此类环境中被不成比例地放大[1,2]。尽管道路隧道仅占中国总里程的0.03%，却贡献了全国交通事故的0.36%和交通事故死亡人数的0.5%[3,4]。从安全科学的角度来看，隧道驾驶环境构成了一个复杂的社会技术系统，其安全性产生于多个要素之间的交互：基础设施设计（照明、线形、标志）、车辆动力学、驾驶员行为和运营管理[5,6]。在该系统中，驾驶员既是适应性最强、也是最具变数性的要素，这使得人因工程成为隧道安全管理的核心关注点[7,8]。

在人因要素中，驾驶风格对隧道内事故参与度的预测能力尤为突出。激进驾驶表现为突然加速和猛烈制动、近距离跟车和频繁变道，侵蚀了在受限隧道空间内维持车辆安全间距的安全余量[9,10]。能见度降低和避让空间有限使得一旦安全余量丧失，便难以恢复，从而将开放道路上可能仅造成轻微损害的冲突升级为追尾或侧面刮擦碰撞，其伤害严重程度更高[11]。激进驾驶、安全余量下降与事故风险升高之间的联系，指出了一种现实需求：需要实时识别驾驶员状态，以此作为隧道安全管理主动干预的基础。然而，当前隧道安全系统主要依赖固定照明、限速和静态标志——这些措施虽有必要，但其本质上属于静态手段，无法逐时刻响应驾驶员行为的变化[12,13]。当前所缺乏的，恰恰是形势所要求的：一种能够动态监测并响应驾驶员状态变化的能力，使其在变化发生的过程中即被检测到。

事故记录支持了这一关切，并进一步揭示了风险集中的位置。尽管隧道事故率可能低于相邻的开放路段，但事故后果的严重程度明显更高：在中国高速公路隧道中，事故伤亡人员中有12.1%在事故中死亡，而挪威隧道中仅3.6%，且近半数的隧道内事故发生在进口洞门后300米范围内[14]。一项对新加坡高速公路隧道的研究报告了类似的空间模式，事故率在过渡区升高，且进入隧道时发生碰撞的可能性大于驶出隧道时[15]。近期来自中国贵州某山区高速公路36座隧道（2020—2021年）的事故数据进一步证实了这一空间模式的持续性：从入口区到中段区的碰撞频率高于其他路段，且较长隧道中的碰撞发生概率更高；作者将山区高速公路隧道内碰撞风险升高部分归因于亮度急剧变化，同时也指出线形复杂、交通流量大和不良天气等因素的影响[16]。追尾碰撞占隧道事故类型的70%—80%，且常归因于激进变道和高速驾驶[17]。这些统计数据表明，亮度过渡区是驾驶风格与视觉环境交互最为激烈的位置。在这些区域中，潜在的行为风险必须在其演变为交通冲突之前即被识别。

有人可能会认为，隧道内更为严格的交通法规减少了激进驾驶的发生，从而削弱了对驾驶风格识别的需求。然而，法规主要压缩了驾驶风格的动力学表现，而非消除潜在的行为倾向。最新一项全国调查显示，这种态度—行为脱节仍然持续存在：89%的驾驶员将快速变道和近距离跟车评为非常或极其危险，但22%承认在过去30天内曾有快速变道或非常近距离跟车的行为，49%承认在高速公路上超速超过15英里/小时[18]。这些驾驶倾向会持续延续通过隧道洞口。本研究并非认为隧道环境诱发了激进驾驶行为。相反，在开放路段形成的危险驾驶倾向在隧道空间内保持一致。受限的隧道断面仅仅是放大了此类行为模式的不良后果。常见的危险驾驶行为包括持续短跟车距离、频繁变道和高接近速度。这些行为超越了单纯的驾驶风格偏好范畴[17]。尽管在多车道城市隧道中变道通常被允许，但高接近速度则受到交通法规的明确规定。在中国，在隧道等危险路段超速行驶构成法定违规。交通监控记录可作为执法处罚的有效证据，并依据道路交通安全法实施[19]。法规遵从性监管与驾驶风格评估为隧道交通安全提供了互补性保障。基于合规性的监管属于反应式手段，仅在违规发生后才能识别。相比之下，对固有驾驶风格的持续评估能够在危险行为显现之前探测潜在的有害倾向。这种主动探测能力无法通过包括固定隧道照明和限速设置在内的传统静态安全措施来实现。此外，长隧道单调的视觉环境会引发被动性疲劳和注意力涣散，这构成了一条即使对于本身非激进驾驶的驾驶员同样起作用的额外风险路径[17,20]。由于视觉注意力是隧道驾驶表现的最关键决定因素[20]，对驾驶员视觉—认知状态的持续监测——而非仅监测动力学行为——对于弥补隧道安全管理中的检测缺口至关重要。

为此，已发展出两种主要的驾驶风格识别方法。一种依赖于车辆动力学参数，如速度和加速度，通常通过车载诊断（OBD）或控制器区域网络（CAN）总线接口采集，并应用机器学习进行分类[[21], [22], [23]]。另一种则纳入生理信号，包括眼动、心电图（ECG）和脑电图（EEG），以推断驾驶员的内部状态[[24], [25], [26]]。

Lyu等人[27]使用时间间距和速度等纵向参数，通过多种分类器将驾驶风格分类为保守型、适中型和激进型。Guo等人[28]利用变道轨迹参数和改进的模糊c均值聚类，基于能耗模式区分激进与保守的变道行为。Cui等人[29]利用包括坐标、速度和车辆尺寸的车辆轨迹时间序列数据，构建时空交通图，将驾驶风格分为激进与保守两类。这些研究表明，在开放道路上，车辆动力学参数提供了足够的区分力。

对于隧道安全监测，车辆参数方法存在一定的局限性。在开放道路上，即使仅使用车辆加速度的均方根（RMS）就能实现准确的驾驶风格分类[30]。然而，隧道具有严格限速、窄车道和受限几何特征，压缩了分类算法所依赖的行为方差[31]。在开放道路上能够区分激进与保守驾驶员的特征，在隧道中可能丧失区分力，因为环境因素的影响权重要大得多。隧道照明、长度和分区对跟车行为均有显著影响[32,33]。

生理信号已成为一种重要补充手段，因为它们能在行为表现为可观测行为之前即反映驾驶意图。Liu等人[34]使用眼动和心率信号量化驾驶负荷，并在超车场景中识别熟练与非熟练的驾驶风格。Liu等人[35]在黎曼几何框架下结合脑电图（EEG）和眼动信号，以91%的准确率识别转向意图。Lai[36]将注视、扫视、瞳孔和眨眼等眼动特征与情境意识相关联，以推断驾驶意图并区分主动、被动、熟练和非熟练的风格。这些研究表明，生理信号能够捕捉车辆参数无法获取的认知状态，但尚无研究将基于生理学的方法应用于存在亮度过渡的隧道场景中，不同分区间的认知需求差异较大。

特别是，眼动反映了内在的认知和注意状态，而这些状态不会受到同样的约束[37]。即使驾驶员的外部行为被隧道环境所压缩，潜在的视觉注意和瞳孔反应模式仍然可以有效区分不同的驾驶行为[38,4,39]。近期研究进一步证实，瞳孔动态和眨眼行为对隧道亮度条件具有高度敏感性[40]，且注视和瞳孔信号与其他行为及生理指标结合，已成功用于识别驾驶风格偏好[41]。这使得眼动成为隧道驾驶风格识别更为合适的信号来源。

由于非侵入式采集以及与视觉认知的直接关联性，眼动信号在隧道驾驶研究中引起了最多关注。瞳孔动态反映视觉负荷和注意力分配，注视表明对关键信息的聚焦程度，扫视与注意力转移的效率相关，而眨眼则反映视觉疲劳[36]。

Shao等人[42]发现，在水下隧道中，暗环境与陡坡条件下瞳孔面积最大，表明追尾碰撞风险升高。Han等人[38]报道，在弯道隧道中，小半径区段和隧道入口处的注视持续时间更长且扫视幅度更大，为线形半径和照明设计提供了参考。Zheng等人[43]发现，在隧道群连接区中短隧道的瞳孔平均瞬时视觉变量（MTVV）最高，并计算了支持设计的安值阈值。Niu等人[44]利用瞳孔面积变化率和平均扫视速度优化隧道照明，视觉舒适度提高了48%，能耗降低了12%。尽管取得了上述进展，现有隧道眼动研究主要集中在面向基础设施的应用，如照明优化和安全阈值确定。眼动特征能否以及如何用于隧道中的驾驶风格识别，目前受到的关注仍然有限。

无论信号来源如何，驾驶风格识别模型的性能在很大程度上取决于特征子集的质量[45]。冗余特征增加了计算成本并导致过拟合，而无关特征则降低了区分力。在特征选择技术中，基于遗传算法（GA）的方法因其全局搜索能力可避免陷入局部最优解，并且能够与任何分类器作为评估函数配合优化特征子集，而得到广泛应用[46]。

Liang等人[47]将遗传算法与粒子群优化（PSO）结合，开发了一种两阶段GA-PSO-K均值聚类算法，其中GA引入变异操作以防止PSO收敛到局部最优，并增强驾驶风格标注的聚类稳定性。Cui等人[48]采用模拟退火—遗传算法（SA-GA）优化模糊c均值聚类，利用GA和SA的互补性来解决局部优化和过早收敛问题。Li等人[49]提出了基于遗传算法的特征选择（GA-FS）包装方法，通过种群迭代为不同驾驶行为（例如跟车、加速/减速）筛选最优特征子集，显著提高了驾驶风格表征的准确率。这些研究表明，基于GA的方法可以有效选择特定驾驶行为的判别性特征，但尚无研究开发根据隧道各路段亮度特征进行调整的分区专用特征选择策略。

然而，现有的基于眼动的方法尚未建立眼动特征与隧道亮度分区之间的系统关联，也未开发考虑不同隧道路段之间认知需求差异的分区专用特征选择策略。在此，"分区专用"指的是根据隧道亮度分区（变化区与稳定区）分别开发独立的特征选择和识别模型的数据划分设计，而非一种新颖的机器学习或特征工程技术。

为解决上述不足，本研究提出了一种混合框架，将多源眼动特征与分区专用特征筛选相结合，以定量识别不同隧道亮度分区中的驾驶风格，如图1所示。以上海北横通道隧道东段为实验场地，对37名驾驶员进行了自然驾驶实验，同步采集了隧道亮度、车辆运动学参数和驾驶员眼动数据。本研究进一步提出了眼动指标（EMI），一种将驾驶风格识别转化为实时安全决策可操作度量的定量指标，作为动态安全屏障的组成部分。

主要贡献有三点。(1) 基于 k 均值聚类和遗传算法（GA）的区域特异性眼动特征筛选方法，建立了眼动特征与隧道亮度分区之间的系统关联，从而实现了对激进驾驶的检测。(2) 采用支持向量机（SVM）和全连接神经网络（FCNN）模型，在区域特异性特征子集上进行基于眼动的驾驶风格表征行为（EM-DSRB）识别，使得能够对隧道不同路段的驾驶员状态进行准确且具区域针对性的评估。(3) EMI，一种连接驾驶风格分类与运营安全干预的定量安全指标，作为动态安全屏障组件，能够实现驾驶员状态的主动监测而非被动监测。本文其余部分组织如下。第 2 节描述隧道实验场景、参与者招募、数据获取和处理程序。第 3 节提出 EM-DSRB 筛选方法、基于 GA 的区域特异性特征选择以及 EM-DSRB 识别模型的构建。第 4 节报告特征选择、模型性能比较和 EMI 评估的结果。第 5 节结合现有研究讨论研究发现、其对隧道安全管理的意义以及研究局限性。第 6 节总结全文。

章节片段
参与者
本研究共招募了 37 名参与者，其基本信息如表 1 所示。其中男性 27 名，女性 10 名。驾驶员年龄范围为 23 至 60 岁，平均±标准差为 33.54±10.96 岁；驾驶经验平均±标准差为 9.3±7.47 年。驾驶年龄涵盖了从 23 岁到 60 岁的所有年龄组，驾驶经验包括新手和经验丰富的驾驶员，性别分布为
从 EMU 中筛选 EM-DSRB
在驾驶风格识别研究中，由于隧道环境照明变化迅速且空间封闭度高，导致驾驶员表现出高度特异性的眼动模式，因此带来独特挑战。因此，分析隧道中收集的眼动数据对于准确识别驾驶风格尤为有价值。然而，此类数据通常是无标签的，意味着驾驶员的风格属性（如激进或非激进行为）无法被
眼动数据预处理结果
为了直观验证归一化的有效性以及驾驶员之间眼动行为的差异，本研究以归一化后的平均瞳孔面积为分析对象，绘制了四名示意性驾驶员（涵盖激进和非激进类型）的 EMU 序列变化曲线，旨在展示隧道各区域归一化平均瞳孔面积的不同水平和波动幅度，如图 8 所示。这四名驾驶员作为
与现有研究的比较
本研究结果表明，在亮度变化区需要 8 个眼动特征来区分驾驶风格，其中动态瞳孔特征起主导作用。P1 和 P2 的相对重要性总和超过 40%。相比之下，亮度稳定区仅需 6 个特征，主要依赖于稳态扫视特征 S8 和稳态瞳孔特征 P2。这种差异可能源于驾驶员认知资源分配模式的
结论
在上海北横通道隧道东段进行了一项自然驾驶实验，共有 37 名驾驶员参与，产生了总共 15,962 个有效 EMU。本研究借助微单元对复杂隧道环境下的驾驶风格进行了定量识别，并进行了多方法验证。核心结论如下。(1) 在隧道亮度变化区的驾驶场景中，通过总共使用 8
未引用参考文献
CRediT 作者贡献声明
Yi Rui：撰写 - 原稿，方法论，资金获取，概念化。Xin Huang：撰写 - 审阅与编辑，可视化，验证，方法论，形式化分析，数据策展。Shouzhong Feng：监督，资源，项目管理，概念化。Peinan Li：资源，项目管理，方法论，概念化。Yuxin Zhang：验证，方法论，调查，概念化。Guanlin Huang：可视化，验证，软件，调查，
Yi Rui|Xin Huang|Shouzhong Feng|Peinan Li|Yuxin Zhang|Guanlin Huang|Pengcheng Liu|Xiaojun Li|Hehua Zhu