《Sensors》:Multimodal Physiological Assessment of Attentional States and Driving Styles in Simulated Driving
编辑推荐:
驾驶过程中的心不在焉(mind wandering,指个体意图专注时自发产生的与任务无关的内部思维)是道路安全风险的主要来源之一,但其在不同风格驾驶者中的表现尚不清楚。很少有研究在持续一小时的模拟驾驶实验中同时考察注意力状态(attentional sta
驾驶过程中的心不在焉(mind wandering,指个体意图专注时自发产生的与任务无关的内部思维)是道路安全风险的主要来源之一,但其在不同风格驾驶者中的表现尚不清楚。很少有研究在持续一小时的模拟驾驶实验中同时考察注意力状态(attentional state)与驾驶风格(driving style)。研究人员从48名参与者的驾驶模拟器中采集了一小时驾驶数据、五种生理信号及眼动追踪(eye tracking)数据。驾驶风格由实验前的多维驾驶风格量表(Multidimensional Driving Style Inventory, MDSI)问卷获得,注意力状态在实验中每隔120至180秒通过探测询问一次。研究人员采用Mann–Whitney U检验分析特征层面的效应,对相邻注意力状态之间的注意力转换进行建模,并在留一受试者交叉验证(leave-one-subject-out validation)框架下比较了7种传感器组合在6种分类器中的表现。该研究有三项贡献。第一,驾驶风格对应着独特的多模态生理与眼动特征,仅凭生理特征即可预测风格标签,平衡准确率(balanced accuracy)达0.65,支持驾驶风格是超越自我报告的多模态特质(multimodal trait)。第二,注意力动态变化因驾驶风格而异,冒险型驾驶者从专注滑向心不在焉的频率是安全型驾驶者的两倍。第三,最优传感器配置取决于预测目标与驾驶者亚群:生理信号与眼动追踪是预测注意力状态最有效的信息来源,而驾驶风格分类主要依赖生理特征。这些结果不应被解读为支持实时检测的证据,而是为传感器选择提供了实证依据,并提示可穿戴式驾驶者状态评估应与车辆及环境感知监测系统相集成。
**论文解读**
**一、研究背景与问题提出**
驾驶过程中的分心是道路交通事故致死的主要因素之一,而心不在焉(mind wandering,指驾驶者虽意图专注却自发产生与驾驶任务无关的内部思维)是其中最具挑战性的难题。心不在焉会延长驾驶者对危险的响应时间,并削弱车道保持能力。尽管已有研究利用脑电图(electroencephalography, EEG)、眼动追踪、皮肤电活动(electrodermal activity, EDA)和心率变异性(heart rate variability, HRV)等神经生理信号探索心不在焉的客观检测方法,但多数驾驶研究仍将驾驶者视为同质群体,较少考察驾驶风格等个体特质如何塑造心不在焉的行为表现。
与此同时,多模态传感(multimodal sensing)因能够从生理、眼部及车辆操控等不同维度捕捉驾驶者状态,已成为客观驾驶者状态评估的主流方向。然而,现有研究大多依赖单一或两种模态,不同传感器配置之间的直接比较仍然稀缺,且同时捕捉受试者内部状态波动与受试者之间风格差异的实验方案也鲜有报道。更为关键的是,已有文献中关于心不在焉与驾驶风格的研究大多沿着各自独立的路径发展,尚无研究在同一实验中同时评估两者,也未曾关注注意力的时间转换是否因驾驶风格不同而呈现差异。在此背景下,本研究旨在拓展对长时间模拟驾驶中驾驶者特征与注意力状态转换动态之间关系的理解。
**二、研究方法概述**
研究人员构建了一套实验与分析框架。实验层面,48名健康参与者(最终纳入分析者含22名女性、26名男性,平均年龄23.2±3.6岁)在驾驶模拟器中完成为期一小时的驾驶任务,路线涵盖自由驾驶、城市及郊区三种连续场景。实验前,参与者填写多维驾驶风格量表(MDSI)问卷,据此将驾驶风格划分为安全型(safe)与冒险型(risky)两组(每组各24人)。实验过程中,每隔120至180秒弹出5点Likert量表的心不在焉探测问题,1分代表完全心不在焉,5分代表完全专注;据此将注意力状态二分为心不在焉状态(mind-wandering state)与专注状态(focusing state)。
数据采集方面,采用Tobii眼动仪监测眼动与瞳孔直径,通过FlexComp Infiniti系统同步记录血容量脉冲(blood volume pulse, BVP)、皮肤电活动(EDA)、皮肤温度、肌电图(electromyography, EMG)及呼吸率(respiratory rate, RR)五类生理信号。所有信号被重采样至50 Hz并做归一化处理,从驾驶参数、生理信号与眼动追踪中提取特征,以10秒窗口为主要分析时长,并辅以5秒、15秒和20秒窗口进行敏感性分析。
分析流程包括:采用Mann–Whitney U检验进行探索性单变量比较;对相邻注意力状态之间的四种转换概率(维持心不在焉、心不在焉转向专注、维持专注、专注转向心不在焉)进行建模;在留一受试者交叉验证下,比较逻辑回归、决策树、k近邻、随机梯度下降线性模型、AdaBoost及随机森林六种分类器在七种传感器组合(仅驾驶、仅生理、仅眼动、驾驶加生理、驾驶加眼动、生理加眼动、全特征组合)上的表现,以平衡准确率为主要指标。
**三、主要研究结果**
**3.1 驾驶风格分类**——基于MDSI安全评分(均值37.29,标准差14.64),以均值为阈值将参与者划分为安全型与冒险型驾驶风格组。
**3.2 驾驶风格与心不在焉的关系**——在合并城市与郊区条件及单独城市条件下,冒险型驾驶者的专注概率均显著低于安全型驾驶者(合并条件:安全组中位数0.631,冒险组中位数0.511,p=0.013)。两组在维持心不在焉状态的倾向上无显著差异(p=0.550),在从心不在焉恢复专注方面亦相似(p=0.796)。然而,安全型驾驶者在维持专注方面表现显著优于冒险型驾驶者(安全组中位数0.772,冒险组中位数0.5,p=0.003),且从专注滑向心不在焉的倾向显著更低(安全组中位数0.227,冒险组中位数0.465,p=0.015)。安全型驾驶者维持专注的转换概率最高(77.3%),滑向心不在焉的概率最低(22.7%)。
**3.3 注意力状态对生理与驾驶信号的影响**——心不在焉状态下,速度范围(Speed Range, p=0.023)与速度标准差(Speed STD, p=0.015)均显著低于专注状态,表明驾驶者可能下意识采取更为保守的驾驶策略以补偿注意力下降。生理层面,心不在焉组的EDA相位反应(EDA Phasic)范围与标准差均显著低于专注组(范围p=0.019,标准差p=0.021),瞳孔直径中位数(Pupil Diameter Median)也显著更低(p<0.001),提示认知投入与工作负荷降低。然而,所有HRV指标——包括全部正常R-R间期的标准差(standard deviation of all normal to normal intervals, SDNN)、相邻正常心跳间期差值的均方根(root mean square of successive differences between normal heartbeats, RMSSD)及相邻正常心跳间期差值的标准差(standard deviation of successive differences between normal heartbeats, SDSD)——在心不在焉组均显著高于专注组(SDNN: p=0.028;RMSSD: p=0.029;SDSD: p=0.03)。
**3.4 驾驶风格对生理信号的影响**——冒险型驾驶者的中位速度(p<0.001)和行驶距离(p=0.001)均显著高于安全型驾驶者。在生理信号方面,冒险型驾驶者的EDA张力(EDA Tonic)与相位反应各项指标均显著低于安全型驾驶者(p均<0.001),而RR的波动范围、标准差及振幅(RR Amplitude)则显著更高(p均<0.001)。HRV三项指标(SDNN、RMSSD、SDSD)在冒险组均显著高于安全组(p均<0.001)。冒险组的EMG平均绝对值(Mean Absolute Value)显著高于安全组(p<0.001),瞳孔直径中位数也显著更大(p<0.001),且注视持续时间的均值与标准差均显著更高(均值p=0.027,标准差p=0.034)。
**3.5 注意力状态与驾驶风格的分类**——在10秒窗口下,注意力状态分类的最佳平衡准确率约为0.53,表明基于短时探测前窗口的注意力检测仍具挑战性。驾驶风格分类在5秒窗口、仅生理特征、逻辑回归配置下取得最佳平衡准确率0.65。窗口敏感性分析表明更长窗口并未统一提升性能。随机森林特征重要性分析显示,注意力状态推断最依赖垂直注视变异性、EDA相位四分位距(interquartile range, IQR)、BVP中位数/范围/偏度、EMG最大值/中位数、呼吸最大值/IQR以及方向盘峰度(steering kurtosis);驾驶风格推断则主要依赖BVP中位数、心搏间期(inter-beat interval)、心率、BVP最小值/范围/偏度、RMSSD、皮肤电导最小值、SDSD、SDNN、EDA相位特征及注视次数等心血管与皮肤电特征。
**四、讨论与结论**
本研究的贡献体现在三个层面。其一,注意力动态变化具有驾驶风格依赖性。冒险型驾驶者不仅整体心不在焉率更高(49%对36%),且从专注滑向心不在焉的概率约为安全型驾驶者的两倍,这为开发针对不同驾驶者特征的训练与干预措施提供了指标参考。研究还发现,心不在焉状态伴随更为保守的驾驶操作特征,暗示驾驶者存在潜意识的代偿机制。这与任务需求对心不在焉的抑制效应相符——高密度驾驶环境中的心不在焉频率低于低密度环境。
其二,MDSI定义的驾驶风格对应着可测量的多模态生理特征。冒险型驾驶者在皮肤电活动、心率变异性、肌电活动及瞳孔直径等方面均显示出与安全型驾驶者显著不同的模式,仅凭生理特征即可达到0.65的平衡准确率对风格标签进行分类,这支持将驾驶风格视为超越自我报告的多模态特质。
其三,传感器配置要求因预测目标而异。注意力状态预测的最优传感器组合为生理加眼动追踪,而驾驶风格分类主要依赖生理特征。研究发现,当缺乏车辆状态和环境上下文信息时,仅依赖可穿戴设备的驾驶者状态评估可靠性有限。
研究人员承认,本次研究的心不在焉探测间隔(120–180秒)可能短于自然心不在焉发作的平均时长(约10分钟),从而有可能截断某些尚未充分发展的发作。此外,以均值二分法定义驾驶风格会丢失组内变异信息。从实际部署角度看,注意力状态分类平衡准确率0.55和驾驶风格分类平衡准确率0.65的数值,与现有文献一致——认知层面的驾驶者分心检测远比基于头部姿态变化等显性行为的分心检测更为困难。当面部或生理线索与车辆或高级驾驶辅助系统(advanced driver assistance system, ADAS)上下文信息融合时,准确率通常可获提升。
**研究结论**:本研究考察了长时间模拟驾驶过程中驾驶风格与注意力状态如何共同塑造多模态传感器响应。三项发现应予强调:第一,MDSI定义的驾驶风格对应客观的多模态生理特征,仅生理特征即产生最强的驾驶风格分类结果(平衡准确率0.65);第二,注意力动态变化因驾驶风格而异,冒险型驾驶者从专注滑向心不在焉的倾向更大;第三,传感器效用取决于预测目标与驾驶者亚群——注意力状态分类表现仍然较弱(平衡准确率0.55),而驾驶风格分类展现出适度的生理敏感性。这些结果并不支持单独使用可穿戴传感器进行实时检测,而是为传感器选择提供了实证指导,并提示可穿戴式驾驶者状态评估应与车辆操控、面部、注视及ADAS衍生上下文信息相集成。未来工作应将实验方案拓展至自然驾驶环境,测试更长且可变的探测间隔,并开发长时段注意力转换的时间模型。