李亞秋 吳超仲▲ 馬曉鳳

（1.武漢理工大學(xué)智能運(yùn)輸系統(tǒng)研究中心 武漢 430063；2.水路公路交通安全控制與裝備教育部工程研究中心 武漢 430063）

0 引言

行車過程中，駕駛?cè)说木褙?fù)荷是否能合理分配直接影響行駛安全。據(jù)2013年《道路交通事故統(tǒng)計(jì)年報(bào)》數(shù)據(jù)［1］顯示，駕齡為6～10年的駕駛?cè)怂l(fā)生的城市道路事故占所有事故發(fā)生量的26.28%，駕齡為20年以上的駕駛?cè)怂l(fā)生的城市道路事故占所有事故發(fā)生量的3.97%。由于過度的精神負(fù)荷占用會(huì)導(dǎo)致交通事故，駕駛?cè)说鸟{駛熟練程度是否與駕駛?cè)笋{駛過程中的精神負(fù)荷分配有關(guān)，具有很大的研究價(jià)值。國內(nèi)外有相關(guān)學(xué)者已經(jīng)針對(duì)駕駛?cè)司褙?fù)荷問題作了一些研究，精神負(fù)荷的概念源于人因工程領(lǐng)域，Wickens［2］認(rèn)為精神負(fù)荷是某項(xiàng)特定任務(wù)對(duì)有限的腦資源施加的負(fù)荷，Xie［3］等人認(rèn)為精神負(fù)荷是在規(guī)定時(shí)間內(nèi)完成某項(xiàng)任務(wù)所需的大腦工作總量。精神負(fù)荷的傳統(tǒng)評(píng)價(jià)方法包括主觀評(píng)價(jià)方法和客觀評(píng)價(jià)方法。腦電是客觀評(píng)價(jià)駕駛?cè)司褙?fù)荷的主要指標(biāo)。Lei等人［4］分析了駕駛?cè)嗽趽Q道工況下的EEG（electroencephalography）信號(hào)，發(fā)現(xiàn)了不同精神負(fù)荷下EEG 不同參數(shù)的變化規(guī)律，驗(yàn)證了EEG 用于評(píng)價(jià)駕駛?cè)司褙?fù)荷的有效性和敏感性。國內(nèi)外的研究者在駕駛?cè)司褙?fù)荷方面的研究主要集中在將駕駛?cè)说木褙?fù)荷作為判定駕駛?cè)耸欠窬邆漶{駛能力的重要指標(biāo)之一，從而分析駕駛?cè)俗陨砭C合素質(zhì)是否能勝任駕駛工作［5－6］。Brehmer［7］研究表明，缺乏駕駛技能和經(jīng)驗(yàn)的駕駛?cè)藰O易產(chǎn)生系統(tǒng)誤差，緊張程度比熟練駕駛?cè)烁?。Crundall［8］研究了在不同的認(rèn)知負(fù)荷（由于不同道路類型產(chǎn)生）下，熟練駕駛?cè)撕头鞘炀汃{駛?cè)嗽?0 min 的駕駛過程中的心電情況不同。Myungsoon［9］使用EEG 研究了匝道進(jìn)口處不 同部位駕駛?cè)诵熊嚲o張狀況。張開冉［10］研究結(jié)果顯示，非熟練駕駛?cè)嗽诨咀⒁饽芰ι吓c對(duì)照組無差異，但是在模擬器場景中，非熟練駕駛?cè)说目垢蓴_能力不如熟練的駕駛?cè)耍鞘炀汃{駛?cè)私M的負(fù)荷分配能力不如熟練駕駛?cè)私M，在超車、雨天等情況下，非熟練駕駛?cè)说木o張程度高于熟練駕駛?cè)?。劉援朝?1］的研究表明非熟練機(jī)動(dòng)車駕駛?cè)说淖⒁饬λ绞亲畹偷摹埩剂Γ?2］的研究提出車輛運(yùn)行狀態(tài)與駕駛?cè)说牟僮鲃?dòng)作緊密相關(guān)，通過駕駛?cè)说臓顟B(tài)，可以很好的判斷車輛狀態(tài)，從而避免碰撞事故。孟妮［13］的研究指出駕駛?cè)嗽诔鞘械缆分械霓D(zhuǎn)向行為影響駕駛?cè)说淖⒁曅袨?，從而需要不同的精神?fù)荷水平。對(duì)于駕駛?cè)藫Q道行為的識(shí)別可以在今后的車路協(xié)同技術(shù)中為交通安全提供一定的理論依據(jù)，Wu C［14］，李亞秋［15］的研究提出基于車輛運(yùn)行參數(shù)對(duì)駕駛?cè)藫Q道意圖的識(shí)別方法，本研究基于駕駛?cè)四X電參數(shù)對(duì)車輛運(yùn)行狀態(tài)的估計(jì)則更為簡單直接。

傳統(tǒng)的駕駛?cè)司褙?fù)荷客觀評(píng)價(jià)方法包括心電、腦電、皮電、眼動(dòng)、呼吸、肌電和血壓，車輛行為數(shù)據(jù)等指標(biāo)，周鵬［16］的研究表明樣本熵作為腦電信號(hào)特征進(jìn)行分類的可行性。筆者在研究中提出了1種樣本熵的方法來定量計(jì)算駕駛?cè)说哪X電數(shù)據(jù)，從而評(píng)價(jià)駕駛?cè)嗽趽Q道過程中的精神負(fù)荷問題，即換道過程中腦電信號(hào)越復(fù)雜，樣本熵值越大，需要的精神負(fù)荷越高。相對(duì)于利用次任務(wù)來研究駕駛?cè)司褙?fù)荷的方式，筆者所提出的方法更為直觀，且更容易量化，使分析及評(píng)價(jià)描述結(jié)果更為科學(xué)、合理。

1 實(shí)驗(yàn)設(shè)計(jì)與數(shù)據(jù)采集

1.1 實(shí)驗(yàn)參與者

參加實(shí)驗(yàn)的10名駕駛?cè)苏心加诤笔∥錆h市出租車集團(tuán)。駕駛?cè)诉x拔的條件包括：①考慮到安全因素，選擇年齡在45～55歲之間，身體健康狀況良好的駕駛?cè)?，全部為男性駕駛?cè)?；②駕齡在熟練駕駛?cè)撕头鞘炀汃{駛?cè)酥g保持平衡，并且年行駛里程在1 000km 以上；③駕駛?cè)艘暳φ?，無佩戴眼鏡情況；④參與實(shí)驗(yàn)前1d晚上，要保證8h的睡眠時(shí)間；⑤參加實(shí)驗(yàn)前，被試人員會(huì)被告知實(shí)驗(yàn)所需了解的注意事項(xiàng)。

1.2 實(shí)驗(yàn)過程與采集設(shè)備

本研究采用腦電指標(biāo)來評(píng)價(jià)城市道路環(huán)境中駕駛?cè)嗽趽Q道和非換道情況下的精神負(fù)荷，并使用車速指標(biāo)來評(píng)價(jià)駕駛?cè)藫Q道過程中的車輛操控穩(wěn)定性，因此采用經(jīng)過技術(shù)改裝的自動(dòng)檔小汽車作為實(shí)驗(yàn)車（見圖1），通過自主研發(fā)的車輛信息采集系統(tǒng)能夠采集車輛速度、加速度等信息。實(shí)驗(yàn)過程中，駕駛?cè)伺宕鱊ueroscan腦電帽采集腦電數(shù)據(jù)。本次實(shí)車實(shí)驗(yàn)是從2012 年11 月～12月，共計(jì)2個(gè)月，實(shí)驗(yàn)地點(diǎn)見圖2。本次實(shí)驗(yàn)主要分析了在直線路段的換道與非換道數(shù)據(jù)。

2 研究方法

樣本熵是時(shí)間序列復(fù)雜度的1種度量，在20個(gè)世紀(jì)末期由幾位非線性動(dòng)力學(xué)研究者提出，在分析生物信號(hào)序列的復(fù)雜度分析中已經(jīng)獲得成功應(yīng)用。將復(fù)雜樣本數(shù)據(jù)使用樣本熵的方法找出其特征值，具有良好的理論依據(jù)與可行性。目前已經(jīng)有不少研究者將樣本熵作為復(fù)雜數(shù)據(jù)定量化的方法。由于樣本熵可以將復(fù)雜的信號(hào)定量簡單化，因此在分析駕駛?cè)藫Q道過程中腦電信號(hào)的時(shí)候?qū)⒛X電信號(hào)以樣本熵的形式表達(dá)。

圖1 試車實(shí)驗(yàn)試驗(yàn)車Fig.1 Smart－car used in the on－road experiment

圖2 試車實(shí)驗(yàn)路線Fig.2 Route of on－road experiment

2.1 樣本熵

樣本熵的計(jì)算過程所需數(shù)據(jù)短，算法運(yùn)算量小，具有較好的抗噪和抗干擾能力，對(duì)確定信號(hào)和隨機(jī)信號(hào)都適用。因此，本研究采用樣本熵的方法，其定義算法描述如下。

有N個(gè)連續(xù)的時(shí)間序列

用上述N點(diǎn)時(shí)間序列構(gòu)造N－m＋1 個(gè)m維向量

式中：m為每個(gè)向量的點(diǎn)數(shù)（即構(gòu)造向量的維數(shù)）。

同理，構(gòu)造（N－m）個(gè)（m＋1）維向量

任意2個(gè)向量之間的距離定義為

Bi為在相似性容限r(nóng)下，d［Xm（i），Xm（j）］＜r的數(shù)目，1≤i≤N－m，1≤j≤N－m。

式中：（r）為在相似性容限r(nóng)的意義下，N－m個(gè)Xm（j）與1個(gè)Xm（i）相似的概率。

對(duì)于有限長的N點(diǎn)時(shí)間序列樣本熵計(jì)算

在樣本熵計(jì)算中，其流程圖見圖3。

圖3 樣本熵計(jì)算過程流程圖Fig.3 The calculating process of entropy

通常情況下，樣本熵計(jì)算過程中，m取2，r取0.1～0.25SD（u），本研究中嘗試了若干組m和r值，以換道和非換道情況下腦電樣本熵值數(shù)據(jù)差異性顯著作為指標(biāo)，得出了最優(yōu)的組合值為m＝4，r＝0.37。

2.2 實(shí)驗(yàn)數(shù)據(jù)處理與分析

腦電采集過程中會(huì)有很多干擾信號(hào)，主要的噪聲來源：50Hz工頻干擾，腦電采集設(shè)備或采集環(huán)境中的其他設(shè)備中的電路系統(tǒng)產(chǎn)生的干擾信號(hào)，肌電信號(hào)，眼電信號(hào)（0～15 Hz），皮膚與電極間的阻抗改變（出汗等）。因此，在腦電信號(hào)預(yù)處理過程中，本研究采取了合并導(dǎo)聯(lián)方式去眼電，DC校正，濾波（30～45 Hz），對(duì)基準(zhǔn)電極減法等消除影響。由于每名被試在駕駛過程中，有效的換道次數(shù)（排除轉(zhuǎn)彎，單車道等情況）并不固定，因此本研究中對(duì)每名被試換道時(shí)的腦電波進(jìn)行分析時(shí)，統(tǒng)計(jì)了駕駛過程中的全部換道過程腦電，最后以這些換道過程腦電樣本熵平均值來做數(shù)據(jù)分析。

3 研究結(jié)果

3.1 駕駛?cè)藫Q道過程腦電分析

本研究對(duì)采集到的32導(dǎo)電極分別進(jìn)行了預(yù)處理，由于人的大腦在進(jìn)行決策過程時(shí)，主要是頂區(qū)和前額葉皮層活動(dòng)，在Neuroscan腦電采集軟件帽使用國標(biāo)10－20系統(tǒng)電極放置法，諸點(diǎn)電極的間隔均以10%和20%來衡量。在Neuroscan腦電采集軟件采集過程中，覆蓋了CZ，C3，C4，F(xiàn)Z，F(xiàn)3，F(xiàn)4電極，見圖4。

圖4 Neuroscan計(jì)算機(jī)采集軟件腦電帽電極示意圖Fig.4 Electrode diagram of eeg cap in neuroscan eeg acquisition software

本研究對(duì)采集到的32導(dǎo)電極分別進(jìn)行了預(yù)處理，駕駛?cè)嗽趽Q道時(shí)，在負(fù)責(zé)決策的腦區(qū)包含的6個(gè)電極中均有腦電波樣本熵變化，因此，對(duì)換道過程中6個(gè)電極的樣本熵做單因素方差分析，分析結(jié)果見圖5。

圖5 FZ，F(xiàn)3，F(xiàn)4，CZ，C3，C4電極換道情況下的樣本熵值Fig.5 FZ，F(xiàn)3，F(xiàn)4，CZ，C3，C4electrode entropy during lane changing

由圖4可知，F(xiàn)CZ和CZ電極的分布最集中。前額葉電極的樣本熵FP1，F(xiàn)P2，F(xiàn)CZ電極樣本熵差異中值差異較大，C3，CZ，C4 電極的樣本熵值中值分布較相似。通過單因素方差分析的方法對(duì)數(shù)據(jù)的有效性進(jìn)行驗(yàn)證，結(jié)果顯示，以上6個(gè)電極對(duì)換道與非換道情況的腦電樣本熵影響差異性不顯著（P＝0.063 895＞0.05），因此，結(jié)合圖6，CZ電極可以作為駕駛?cè)藫Q道情況下的決策腦區(qū)代表電極。

3.2 駕駛?cè)藫Q道過程與非換道過程腦電對(duì)比分析

對(duì)負(fù)責(zé)決策的腦區(qū)6個(gè)電極做了換道與非換道情況下樣本熵分析之后，繪制柱狀圖見圖6。本研究中由于是分析換道過程中腦電復(fù)雜度，因此選取車輛壓線前后5s的腦電數(shù)據(jù)做樣本熵計(jì)算輸入。

圖6描述了與決策相關(guān)的CZ電極。由于C3和C4電極處于對(duì)稱位置，F(xiàn)C3和FC4處于對(duì)稱位置，因此，對(duì)2類腦電數(shù)據(jù)進(jìn)行相關(guān)性和差異性分析。相關(guān)性分析結(jié)果顯示，C3和C4電極在換道和非換道情況下樣本熵相關(guān)系數(shù)分別為0.887 871和0.927 651，對(duì)FC3和FC4電極進(jìn)行換道和非換道情況下樣本熵相關(guān)系數(shù)進(jìn)行相關(guān)性分析結(jié)果顯示為0.895 301和0.914 986。差異性分析結(jié)果在圖6顯示。因此，圖5只繪制了換道和非換道情況下CZ電極的樣本熵情況，由圖6可見，對(duì)于每名被試，在換道情況下，腦電電極樣本熵值明顯大于非換道情況。

圖6 換道和非換道狀態(tài)下CZ電極樣本熵Fig.6 Cz electrode entropy during lane changing and car following

3.3 駕駛?cè)耸炀毘潭葘?duì)換道過程腦電樣本熵影響

由3.2節(jié)的討論可知，一般情況下，駕駛?cè)蝿?wù)越復(fù)雜，即換道情況下，需要占用的駕駛?cè)苏J(rèn)知資源也就會(huì)多。本研究分析了10名駕駛?cè)说氖炀毘潭葘?duì)其換道過程CZ 電極腦電樣本熵的影響。結(jié)果見表1。表1將10名被試按照駕駛熟練程度分為熟練駕駛?cè)撕头鞘炀汃{駛?cè)耍渲旭{齡為20～27年的被試為熟練駕駛?cè)?，駕齡為6～16年的被試為非熟練駕駛?cè)?，?列給出了計(jì)算之后的駕駛?cè)藫Q道過程CZ電極腦電樣本熵值。

表1 不同駕駛?cè)藫Q道過程中CZ電極腦電樣本熵比較Tab.1 CZ electrode entropy comparison during lane changing between different drivers

從表1不同駕駛?cè)藫Q道過程中CZ電極腦電樣本熵比較中可以看出，熟練駕駛?cè)说哪X電樣本熵值區(qū)間為0.476 743 1和0.503 430 8之間，非熟練駕駛?cè)说哪X電樣本熵值區(qū)間為0.493 981 6和0.556 819 2之間，熟練駕駛?cè)说哪X電樣本熵值區(qū)間低于非熟練駕駛?cè)说哪X電樣本熵值。對(duì)表1的樣本熵值進(jìn)行獨(dú)立樣本的t檢驗(yàn)，P＝0.004＜0.5，拒絕0假設(shè)，即熟練與非熟練駕駛?cè)说哪X電樣本熵值有顯著差異，表明相對(duì)于非熟練駕駛?cè)?，熟練駕駛?cè)擞懈叩哪X電波穩(wěn)定性，可以調(diào)用更少的精神負(fù)荷來完成換道過程，這樣就可以空余出有更多精神負(fù)荷來關(guān)注周圍其他信息，比如提前觀察到?jīng)_突物，保證行車過程中的安全性。

3.4 駕駛?cè)耸炀毘潭葘?duì)換道過程車速影響

車速作為換道過程中與駕駛安全緊密相關(guān)的指標(biāo)，能很好的反應(yīng)換道的安全度，本研究分析了駕駛?cè)说氖炀毘潭扰c車速之間的關(guān)系，見表2。本研究分析了10名駕駛?cè)说氖炀毘潭葘?duì)其換道過程中車速的影響。本研究所采用的車速數(shù)值來源于實(shí)際車輛中，取每名被試換道過程的車速平均值。結(jié)果如表2所示。表2將10名被試按照駕駛熟練程度分為熟練駕駛?cè)撕头鞘炀汃{駛?cè)?，其中駕齡為20～27年的被試為熟練駕駛?cè)?，駕齡為6～16年的被試為非熟練駕駛?cè)?，?列給出了計(jì)算之后的駕駛?cè)藫Q道過程中的平均車速值。

從表2不同駕駛?cè)藫Q道過程中平均車速比較中，可以看出熟練駕駛?cè)藫Q道過程中的平均車速區(qū)間為47.13和58.62之間，非熟練駕駛?cè)藫Q道過程中的平均車速區(qū)間為47.92和55.88之間，熟練駕駛?cè)说钠骄囁俑哂诜鞘炀汃{駛?cè)说钠骄囁僦?。進(jìn)行獨(dú)立樣本的t檢驗(yàn)，P＝0.104＜0.5，拒絕0假設(shè)，即熟練與非熟練駕駛?cè)嗽趽Q道過程中的平均車速有顯著差異，表明相對(duì)于熟練駕駛?cè)?，非熟練駕駛?cè)嗽隈{駛過程中更為小心，降低車速保持較低的車速來安全換道。

表2 不同駕駛?cè)藫Q道過程中平均車速比較Tab.2 Speed comparison during lane changing between different drivers

4 結(jié)束語

本研究基于實(shí)際道路實(shí)驗(yàn)環(huán)境，分析了駕駛?cè)藫Q道駕駛行為的特征，引入樣本熵計(jì)算腦電復(fù)雜度的方法，研究了熟練程度與駕駛?cè)藫Q道過程中精神負(fù)荷的關(guān)系，結(jié)果顯示，換道狀態(tài)下，駕駛?cè)说哪X電數(shù)據(jù)復(fù)雜度明顯大于非換道狀態(tài)下，占用更多的精神負(fù)荷；樣本熵計(jì)算數(shù)據(jù)顯示，駕駛?cè)说哪X電數(shù)據(jù)樣本熵明顯大于非換道狀態(tài)下的樣本熵值；熟練駕駛?cè)伺c非熟練駕駛?cè)吮容^，熟練駕駛?cè)说哪X電數(shù)據(jù)樣本熵明顯小于非熟練駕駛?cè)说臉颖眷刂?，熟練駕駛?cè)嗽趽Q道過程中車速高于非熟練駕駛?cè)恕?/p>

本研究對(duì)駕駛?cè)藫Q道過程中精神負(fù)荷的占用研究，采用腦電的波動(dòng)作為研究指標(biāo)，雖然本研究已經(jīng)最大可能的濾波，消除駕駛過程中無關(guān)因素的干擾，但不可避免的會(huì)有其他一些干擾，最后將腦電數(shù)據(jù)用樣本熵的方法來量化是1種很好的方法。研究結(jié)論對(duì)于駕駛?cè)耸炀毘潭仍u(píng)價(jià)以及換道過程檢測有重要的理論支撐作用，可以在車路協(xié)同技術(shù)中較好的保障行車安全。由于本研究是初步討論駕駛?cè)藫Q道過程中的注意資源占用問題，實(shí)驗(yàn)設(shè)計(jì)中考慮的變量較少，可以在今后的研究中討論更多的變量，為駕駛?cè)藫Q道過程檢測提供更多的理論支撐。

［1］公安部交通管理局.中華人民共和國道路交通事故統(tǒng)計(jì)年報(bào)［Z］.北京：公安部交通管理局，2013..Traffic Management Bureau of Public Security Ministry.The traffic accident statistics report of People＇s Republic of China［Z］，Beijing：Traffic Management Bureau of Public Security Ministry，2013.（in Chinese）.

［2］Wickens C D.Multiple resources and mental workload［J］.Human Factors：The Journal of the Human Factors and Ergonomics Society，2008，50（3）：449－455.

［3］Xie B，Salvendy G.Review and reappraisal of modeling and predicting mental workload in single－and multi－task environments［J］.Work ＆Stress，2000，14（1）：74－99.

［4］D.de Waard.The Measurement of Driver’s Mental Workload［D］.Groningen：Rijks Universiteit Groningen，The Netherlands，1996.

［5］郭應(yīng)時(shí)，付 銳，張建峰，等.不同通道寬度條件下汽車駕駛員注視點(diǎn)分布規(guī)律［J］.交通運(yùn)輸工程學(xué)報(bào)，2006，6（2）：51－54.Guo Yingshi，F(xiàn)u Rui，Zhang.Jianfeng，et al.Fixation distribution of driver while driving through passageways with different widths［J］.Journal of Traffic and Transportation Engineering.2006，6（2）：51－54.（in Chinese）.

［6］張殿業(yè)，金 鍵，楊京帥.駕駛員身心條件安全可靠性綜合評(píng)價(jià)［J］.中國公路學(xué)報(bào)，2004，17（4）：96－100.Zhang Dianye，Jin Jian，Yang Jingshuai.Psychophysiological evaluation of driver safety reliability［J］.China Journal of Highway and Transport.2004，17（4）：96－100.（in Chinese）.

［7］Brehmer B.Variable errors set a limit to adaptation［J］.Ergonomics，1990，33（10－11）：1231－1239.

［8］Crundall D E，Underwood G.Effects of experience and processing demands on visual information acquisition in drivers［J］.Ergonomics，1998，41（4）：448－458.

［9］Chang Myungsoon，Kim Juyoung，Kang Kyungwoo，et al.Evaluation of driver’s psychologysiologocal load at freeway merging area［C］∥Transportation Research Board Annual Meeting 80th，Washington D.C，Transportation Research Board，2001.

［10］張開冉.低駕齡駕駛?cè)说湫婉{駛心理－行為特性研究［D］.成都：西南交通大學(xué)，2008.Zhang Kairan.Study on novice driver’s typical psychology－behavior［D］.Chengdu：Southwest Jiaotong University，2008.（in Chinese）.

［11］劉援朝，孫忠友，魏玉桂.機(jī)動(dòng)車駕駛員注意及相關(guān)因素的調(diào)查研究［J］.社會(huì)心理科學(xué)，2007，22（1）：89－100.Liu Yuanchao，Sun Zhongyou，Wei Yugui.The investigation of the motorists pay attention to and the related factors［J］.Science of Social Psychology，2007，22（1）：89－100.（in Chinese）.

［12］張良力，吳超仲，黃 珍，等.面向安全預(yù)警的機(jī)動(dòng)車駕駛意圖研究現(xiàn)狀與展望［J］.交通信息與安全，2012，30（3）：87－92.Zhang Liangli，Wu Chaozhong，Huang Zhen.Research on driver＇s intention for traffic safety precaution［J］.Journal of Transport Information and Safety，2012，30（3）：87－92.（in Chinese）.

［13］孟 妮，韓 丹.城市道路中駕駛員轉(zhuǎn)向行為對(duì)注視行為的影響［J］.交通信息與安全，2013，31（2）：41－46.Meng Ni，Han Dan.Influence of Steering Behavior on Driver＇s Gazing Behavior in City Road［J］.Journal of Transport Information and Safety，2013（2）：41－46.（in Chinese）.

［14］Wu C，Li Y，Ma X，et al.A Recognition Model for Lane change intention based on Neural Network［C］∥Wuhan，China Communications and Transportation Association：The 2nd International Conference on Transportation Information and Safety（ICTIS 2013），Wuhan：ICTIS，2013.

［15］李亞秋，吳超仲，馬曉鳳，等.基于EKF學(xué)習(xí)方法的BP神經(jīng)網(wǎng)絡(luò)汽車換道意圖識(shí)別模型研究［J］.武漢理工大學(xué)學(xué)報(bào)：交通科學(xué)與工程版，2013，37（4）：843－847.Li Yaqiu，Wu Chaozhong，Ma Xiaofeng，et al.A recognition model for lane change intention based on neural network with ekf learning method［J］.Journal of Wuhan University of Science and Technology：Transportation Science and Engineering，2013，37（4）：843－847.（in Chinese）.

［16］周 鵬，葛家怡，曹紅寶，等.基于樣本熵的運(yùn)動(dòng)想象分類研究［J］.信息與控制，2008，37（2）：191－196.Zhou Peng，Ge Jiayi，Cao Hongbao，et al.Classification of motor imagery based on sample entropy［J］.Information And Control－Shenyang－，2008，37（2）：191.（in Chinese）.