基于多模态传感器的恶劣天气下驾驶员反应机制研究——采用脑电图谱熵与预测熵

《Frontiers in Neuroscience》：Multimodal sensor-based response mechanisms of drivers under adverse weather conditions using EEG spectral entropy and prediction entropy

　　

引言：降雨、降雪和雾天是否会引发性质不同的驾驶员状态动态仍不清楚。方法：三十名持证驾驶员在晴朗、降雨、降雪和雾天条件下完成了一项模拟器实验，实验期间同步采集了主观量表、心电图（ECG）、脑电图（EEG）和车辆数据。构建了六条反应通路来表征主观负荷、操作波动、保守控制、生理唤醒、脑电反应和系统不确定性。C4频谱熵衡量神经复杂度，类别优化可靠性融合（CORF）预测熵衡量多模态传感器响应中的系统不确定性，而受试者内中心化结合距离相关分析揭示了信息在模态间的组织方式。结果：在6456个窗口的折叠外预测中，类别优化可靠性融合模型达到了91.9%的准确率，宏F1为0.919。所有三种不利天气类型均显著增加了主观负荷，但主导通路各不相同。降雨增加了认知负荷，降雪导致神经复杂度和系统不确定性同步升高，雾天则在视觉受限条件下诱发保守性补偿行为。降雪产生了最强的系统级反应[类别优化可靠性融合预测熵：r = 0.79，95%置信区间（CI）：(0.62， 0.87)；C4频谱熵：r = 0.53，95% CI (0.21， 0.79)]。四种模态形成了信息互补结构。讨论：本研究阐明了不利天气条件下驾驶状态的信息动态，并证明降雨、降雪和雾天在信息空间中占据不同区域，从而为智能车辆中的驾驶状态监测和分级预警系统提供了基于传感器的依据。

恶劣天气条件下驾驶员反应机制的多模态信息论解读：基于脑电频谱熵与预测熵的证据

1. 研究背景与问题提出

雨、雪、雾等不利天气条件对人类的认知-运动表现以及驾驶状态监测背后的神经机制构成显著挑战。已有研究指出，不利天气条件与约20%的交通事故相关；积雪覆盖及污染路面会降低道路附着力，使碰撞率升高至非降雪基线的13倍；雾天导致的能见度损失是高速公路严重追尾事故的主要原因。驾驶状态本质上是由主观负荷、心脏活动、脑电（EEG）动态和车辆控制构成的强耦合系统，单一指标无法线性刻画其内部状态。然而，既有研究主要集中于单一天气类型或单一模态，缺乏对雨、雪、雾三种天气条件下驾驶状态差异的系统性比较。在方法学上，传统线性指标如功率谱假设信号平稳性，但EEG和心电图（ECG）在不利天气条件下显著偏离平稳性；已有融合研究虽然验证了多模态识别的可行性，但大多依赖理想天气条件，尚未在信息论框架下阐明模态间如何交互、系统不确定性如何随天气类型变化。针对此空白，本研究采用脑电频谱熵和类别优化可靠性融合预测熵作为信息论工具，系统考察不利天气条件下驾驶员的多模态反应机制。

2. 研究内容与意义

研究人员招募30名持证驾驶员（男性20名，女性10名；年龄20–45岁；驾龄<1–5年；驾驶频率从偶尔到规律），在驾驶模拟器中完成晴朗、降雨、降雪和雾天四种条件下的驾驶任务。实验采用拉丁方设计平衡顺序效应，每项天气任务持续6分钟，期间同步采集主观量表、心电图（ECG）、脑电图（EEG）和车辆数据。研究结果证实了三个核心假设：三种不利天气类型均显著增加主观负荷但主导通路不同；C4频谱熵与类别优化可靠性融合（CORF）预测熵能够在信息空间中分离三种天气类型；四种模态形成信息互补结构。该研究为智能车辆驾驶状态监测和分级预警系统提供了信息论层面的传感器融合依据，论文发表在《Frontiers in Neuroscience》。

3. 关键技术方法

本研究利用驾驶模拟器平台获取30名持证驾驶员在四种天气条件下的多模态数据，包括8通道无线脑电系统（NeuSen W）、生理监测背心（ Equivital， 256 Hz）和车辆动力学数据。采用10秒滑动窗口（步长5秒）提取75维特征向量，使用类别优化可靠性融合（CORF）模型进行四分类预测；以C4频谱熵（快速傅里叶变换后计算香农熵）和CORF预测熵分别量化神经复杂度与系统不确定性。统计推断采用弗里德曼检验、威尔科克森配对检验（错误发现率校正）、受试者内中心化斯皮尔曼相关和距离相关分析；个体差异通过k-means聚类刻画。

4. 研究结果

4.1 主观状态分析

弗里德曼检验显示，卡罗林斯卡嗜睡量表（KSS）、美国国家航空航天局任务负荷指数（NASA-TLX）总分及心理需求、时间需求、努力和挫败感各维度在不同天气间均存在显著主效应。配对比较表明，雨、雪、雾均显著增加主观负荷，其中降雪的NASA-TLX增量最大（平均差值13.53，Cohen's d_z=1.29），降雨和降雪导致的嗜睡感增加尤为突出（d_z>1.0）。值得注意的是，挫败感的增幅高于心理需求，提示负性情绪反应可能比认知负荷变化更敏感。

4.2 客观指标分析

CORF模型在6456个窗口的折叠外预测中达到91.9%的准确率和0.919的宏F1，类别F1范围为0.898（降雪）至0.942（晴朗），混淆主要出现在降雨-降雪和降雪-雾天配对之间。心率均值在降雨条件下显著升高，反映自主神经的适应性调节。C4频谱熵在三种不利天气下均较晴朗条件显著增加（降雨差值0.04，d_z=0.47；降雪差值0.05，d_z=0.55；雾天差值0.04，d_z=0.45）。CORF预测熵在降雪条件下达到最高值0.755，较晴朗条件增加0.14（d_z=1.21），表明系统不确定性显著增大。雾天条件下，平均速度显著降低（差值-1.71，d_z=-0.81），但速度标准差和均方根加速度并未升高反而下降，提示驾驶员采取了主动减速的保守策略。在双熵空间中，降雪占据右上方极端位置（C4频谱熵0.572，预测熵0.755），雾天和降雨位于过渡区域，表明三种天气在信息动力学空间中占据各自不同的区域。

4.3 复合指标分析

六条反应通路的分析显示：主观负荷在三种不利天气下均显著增加（d_z范围1.12–1.45）；操作波动在降雪时有上升趋势但未达显著性；保守控制在雾天显著增强（d_z=0.88）；生理唤醒在降雨和降雪时升高但未达校正后显著性；脑电反应在降雨条件下显著增加（d_z=0.81）；预测熵通路在降雪条件下增加幅度最大（d_z=1.21）。综合来看，降雨形成“认知紧张-行为稳定”模式，降雪以“状态边界模糊”为特征，雾天则表现为“风险感知-保守执行”模式。

4.4 多模态指标关联分析

模态内指标平均斯皮尔曼相关系数为0.368，模态间相关系数为0.184，两者差值为0.184，表明不同模态携带非重叠的系统信息，构成信息互补结构。值得注意的是，脑电活动模态内的相关接近于零，这是因为F4通道的（