《PLOS Computational Biology》：Visuomotor coordination on the road: Low-dimensional representations reveal adaptive, context-dependent reductions in the dimensionality of natural driving behavior
编辑推荐：
大脑将复杂高维的感觉和运动输入转化为协调的、目标导向行为的能力，仍是神经科学研究的核心挑战。当前研究认为，行为是通过低维结构（low-dimensional structure）内的模式产生的。在复杂、无约束行为（如驾驶）中，视运动模式（visuomotor
大脑将复杂高维的感觉和运动输入转化为协调的、目标导向行为的能力，仍是神经科学研究的核心挑战。当前研究认为，行为是通过低维结构（low-dimensional structure）内的模式产生的。在复杂、无约束行为（如驾驶）中，视运动模式（visuomotor patterns）究竟如何产生、其刻板程度如何，仍知之甚少。驾驶涉及复杂的感知-行动交互，研究人员假设这种交互取决于驾驶员角色并适应任务需求。本研究利用沉浸式虚拟驾驶（immersive virtual drive）重现了十个危险道路事件，收集了手动驾驶（manual driving）和自动驾驶（automated driving）条件下参与者的眼动、头部运动和车辆运动数据。基于284名驾驶员的行为运动数据，研究人员通过跨被试的主成分分析（principal component analysis, PCA）构建了一个基于集体方差的公共时间分辨行为状态空间（time-resolved behavioral state space）。由此获得的低维表征概括了泛化的视运动协调策略。随后，研究人员利用余弦相似度（cosine similarity）和多种有效维度（effective dimensionality, ED）度量刻画了低维结构的动态演化，并通过判别分析（discriminant analysis）检验了主导成分是否包含条件特异信息。在整个驾驶过程中，少数成分解释了行为方差的大部分，且有效维度在关键事件附近可靠地下降，表明感知与运动变量之间协调更紧密。在低有效维度期间，眼动、头部运动、转向和车辆航向的贡献以任务依赖的方式向主导维度重组。跨事件来看，被试间相似性部分稳定，且在手动驾驶者中更强。这种重组也使不同驾驶条件下的行为差异更明显，仅利用前两个成分即可更好地区分驾驶模式。这些结果表明，自然驾驶由共享的低维视运动协调策略支持，这些策略受情境需求灵活重塑，并为连接神经流形（neural manifolds）、人类驾驶员模型以及自适应自动驾驶车辆设计提供了原则性的行为框架。
论文解读：自然驾驶行为的低维视运动协调结构及其情境依赖动态
一、研究背景与问题
人类行为具有高度复杂性，尤其体现在驾驶这类自然任务中：驾驶员需协调眼、头、手、脚等多个效应器，在感知与行动之间形成连续闭环。神经科学长期关注大脑如何在高维感觉-运动输入中实现协调的目标导向行为。自由度问题（degrees-of-freedom problem）指出，人体运动系统包含大量可独立变化的变量，中枢神经系统需在冗余中实现有效控制。传统研究多集中于受约束的重复性动作（如抓取、行走），发现行为可被低维结构描述。然而，自然、无约束任务中的行为是否同样低维、其维度是否随情境变化、低维空间是否保留功能信息，仍是未解问题。驾驶作为一项成年后系统习得的技能，提供了理想范式：不同个体在相似条件下学习解决同一视运动问题，便于跨个体比较协调策略。本研究提出三个核心问题：自然驾驶行为是否可由少数协调维度描述；该维度是固定属性还是受情境需求调节；低维描述是否保留关于驾驶员角色的功能信息并在事件间保持稳定。
二、研究设计与核心方法
研究人员利用虚拟现实（VR）驾驶模拟器，设计了包含十个突发危险事件（如动物、行人、车辆突然出现）的真实道路场景。284名被试随机分配至手动驾驶或自动驾驶（SAE 4级）条件，全程记录眼动、头部运动和车辆运动数据，形成七维行为变量。核心分析方法为时间分辨主成分分析（PCA）：在每个时间点将全部被试堆叠为被试×变量矩阵，提取跨个体最大协变方向，构建群体水平低维流形。该策略捕获的是个体间协调策略的结构性差异，而非个体内试次间波动。研究进一步采用余弦相似度（cosine similarity）量化变量在各主成分（PC）中的表征质量，使用四种有效维度（ED）估计量（n?、n?、λ?、λ?）将特征值谱压缩为单一可比较指标，并通过判别分析（discriminant analysis）和分层五折逻辑回归分类器评估驾驶条件的可分性。跨事件稳定性采用二阶表征相似性分析（second-order representational similarity analysis）和Mantel检验，以多维标度（MDS）嵌入可视化事件间关系。
三、主要研究结果
时间尺度上主成分解释方差的变化：整个驾驶过程中，前两个主成分（PC1、PC2）持续捕获累计方差的大部分（PC1均值0.273，PC2均值0.187），有时超过50%。关键事件窗口内前两成分方差占比升至47.0%，高于非关键期的45.7%，表明任务需求上升时方差更集中于主导维度。
关键事件起始处主成分方差的再分配：将十个事件对齐至起始点，在±5秒窗口内比较前后方差分布，发现PC1方差在事件后显著上升，PC6-7方差下降，Cochran's Q检验确认方差非均匀再分配，反映危险响应期间跨变量协调增强。
基于方差的低维与高维策略时间点追踪：以代表性左弯事件（约10秒）为例，事件起始时前两成分累计解释45%方差，在23.74-24.0秒达到低有效维度时刻（累计54%），随后在约28.5秒出现高有效维度时刻（累计45%），展示行为结构随时间动态压缩与扩张。
双标图揭示视运动协调策略：事件起始时，PC1主要关联头滚转正相关与垂直眼动、头俯仰负相关，PC2捕获头部主导的"定向-扫描"行为（头转向与转向同向，视线反向扫描）。低有效维度时刻，PC1中垂直眼动与头俯仰耦合增强并纳入转向和头偏航，PC2从头部主导转向车辆-视线主导的"协调转弯执行"模式，手动与自动驾驶群体沿PC2轴分离。
事件起始后变量贡献向主导维度再分配：余弦相似度分析显示，低有效维度时刻垂直眼动和头俯仰对PC1的贡献分别增加0.24和0.23，头滚转保持稳定锚点；PC2中头偏航和转向贡献大幅下降，车辆偏航和水平眼动贡献显著上升，形成从头部转向到车辆-视线引导的功能交接。
有效维度在关键事件起始处下降：代表性事件中n?从事件前约6.2维降至事件后4.4维。跨全部十个事件，事件级卡方检验确认起始后ED显著降低（逆方差加权均值差显著，Holm校正p<0.001），四种ED估计量均支持该结论，表明行为简化是稳健的刻板响应。
低维空间中被试间相似性跨事件部分稳定：在低有效维度时刻，全部45对事件间被试距离矩阵均显著正相关（FDR校正p<0.001），但平均稳定性S=0.28（95% CI [0.25, 0.33]）仅中等。事件五（含救护车警笛）在表征上最独特，事件一/二（动物危险）与七/九（接近危险）形成邻近对。手动组稳定性（S=0.34）显著高于自动组（S=0.25，置换检验p=0.035）。
驾驶条件在PC1-PC2空间中具有不同低维表征：代表性事件中，判别分数显示手动与自动组持续分离（质心距离均值0.86），分类器峰值AUC达0.87（precision@0.5=0.80，recall@0.5=0.77）。跨事件平均AUC为0.67，每事件峰值AUC均值0.87。成分消融实验表明PC1-PC2已捕获足够判别信息，加入PC3仅边际提升。
四、讨论与结论
研究证实自然驾驶行为不仅低维，且其维度受情境主动调节：有效维度数量与构成变量可独立变化，在任务需求预期中收缩，同时重组以服务当前控制问题。这一发现将自由度问题的解决从受约束动作扩展至复杂多效应器人类行为。跨被试PCA策略捕获的是协调策略的群体结构差异，区别于个体内试次变异分析。压缩在事件起始前即开始，提示ED可作为预期性控制的读出指标。手动驾驶的特征是转向主导的协调模式，而自动驾驶中水平视线与车辆航向的耦合持续存在，表明即使不控制车辆，驾驶员仍监控其轨迹，这一特征可作为驾驶员监控系统的候选指标。研究局限包括：独立时间切片PCA忽略时间依赖；未纳入踏板力、身体姿态等变量；SAE 4级条件下驾驶员仍坐在方向盘后可能保持警觉，结论不应外推至完全自动驾驶（SAE 5级）。总体而言，研究建立了连接神经流形、人类驾驶员模型与自适应自动驾驶车辆设计的原则性行为框架，表明情境依赖的低维压缩是熟练行为的标志而非生物力学约束的副产品。
