利用基于细菌觅食优化的堆叠集成模型预测道路隧道中的瞳孔反应并确定照明阈值

《Scientific Reports》：Predicting pupillary response and identifying lighting thresholds in road tunnels using bacterial foraging optimization-based stacking ensemble model

　　

摘要

道路隧道的照明条件在入口区、内部区域和出口区域之间存在显著差异，这给驾驶员带来了较大的视觉适应负担，同时也会直接影响瞳孔的反应。为提高瞳孔直径预测的准确性，并识别照明参数的非线性阈值特性，本研究提出了一种基于细菌觅食优化算法的堆叠集成模型（BFO-OSEM）。研究在四个具有不同照明环境的隧道中进行了实际车辆实验，收集了瞳孔直径数据以及五种照明参数。该模型以XGBoost、LightGBM和多层感知器作为基础学习器，通过BFO算法独立优化其超参数，再以支持向量回归作为元学习器。通过留一受试者法以及隧道场景交叉验证，严格评估了模型的泛化能力，同时利用SHAP和排列重要性分析提升了模型的可解释性。实验结果表明，BFO优化显著提升了基础学习器的性能，XGBoost的均方误差从1.411降至0.759，LightGBM的均方根误差从1.473降至1.115。而堆叠集成模型进一步提升了预测精度，其R²值达到了0.959。在严格的验证条件下，该模型仍保持良好的性能（留一受试者法的R²值为0.913，隧道场景下的R²值为0.925），从而证明了其泛化能力。根据预测结果以及经过统计验证的分段回归分析，研究确定了三个瞳孔反应区域，发现瞳孔反应存在双阈值非线性特征，路面照度的关键阈值分别约为800勒克斯和1315勒克斯。这些研究成果为视觉负荷评估提供了预测工具，为道路隧道照明的协同优化奠定了定量基础，也为未来智能照明控制系统的开发提供了参考。