趙曉華 杜洪吉 榮 建

（北京工業(yè)大學(xué)北京市交通工程重點(diǎn)實(shí)驗(yàn)室 北京 100124）

0 引言

大量的事故分析結(jié)果表明，疲勞駕駛是導(dǎo)致重特大交通事故的主要因素之一。根據(jù)交通安全部門統(tǒng)計(jì)，我國(guó)每年因疲勞駕駛造成交通事故死亡和傷殘人數(shù)眾多［1］。其中，2009年因疲勞駕駛引起的交通事故為1 966 起，造成1 153 人死亡［2］；疲勞駕駛導(dǎo)致事故死亡人數(shù)同比上升1%［3］。但普遍認(rèn)為，疲勞駕駛造成的實(shí)際交通事故數(shù)要高于目前的統(tǒng)計(jì)量，這主要是由于駕駛?cè)似隈{駛時(shí)往往車速較高，而且在交通事故發(fā)生之前未進(jìn)行必要的規(guī)避動(dòng)作，事故往往比較嚴(yán)重，駕駛?cè)艘话阍诮煌ㄊ鹿手兴劳?，從而造成取證困難［4］。因此，如何實(shí)時(shí)的判別疲勞駕駛，有效地防止疲勞駕駛造成的交通事故，對(duì)于提高道路交通安全具有非常重大的意義。

研究人員分別從疲勞駕駛的產(chǎn)生原因、表現(xiàn)特征，以及檢測(cè)方法等方面開展了相關(guān)研究。其中對(duì)疲勞駕駛的檢測(cè)判別方法主要可分為2 大類，基于駕駛?cè)松睦硖卣鞯臋z測(cè)方法；則是基于駕駛?cè)笋{駛行為的檢測(cè)和判別?；隈{駛?cè)松睦硖卣鞯钠隈{駛檢測(cè)，主要包括檢測(cè)駕駛?cè)说难鄄炕顒?dòng)、面部表情、頭部運(yùn)動(dòng)、方向盤的握力、脈搏和呼吸［5］、腦電波（EEG）、心電特征（ECG）等一系列生心理特征指標(biāo)。美國(guó)聯(lián)邦公路局通過模擬駕駛實(shí)驗(yàn)，對(duì)多種疲勞檢測(cè)指標(biāo)進(jìn)行比較，測(cè)量結(jié)果表明PERCLOS（percentage of eyelid closure over the pupil，over time）的測(cè)量方法準(zhǔn)確率最高［6］。北京工業(yè)大學(xué)的許士麗［7］通過模擬駕駛實(shí)驗(yàn)提出了利用腦電信號(hào)樣本熵和心電低頻段功率值（LF）聚類值判別駕駛疲勞的方法，獲取了基于生心理信號(hào)的駕駛疲勞的判別閾值。

雖然使用生心理指標(biāo)可以較為準(zhǔn)確地檢測(cè)和判別疲勞駕駛，但是在使用過程中需要接觸駕駛?cè)耍瑫?huì)對(duì)駕駛?cè)嗽斐梢欢ǖ挠绊?。另外，檢測(cè)眼部活動(dòng)、面部表情等手段需要獲取駕駛?cè)说拿娌繄D像等，受到時(shí)間、角度、光線等條件的限制，往往會(huì)影響檢測(cè)判別系統(tǒng)的有效性。近年來，越來越多的研究人員認(rèn)識(shí)到疲勞造成的駕駛能力下降是導(dǎo)致事故的主要原因，因此，基于駕駛行為特征指標(biāo)實(shí)現(xiàn)對(duì)疲勞駕駛的檢測(cè)和預(yù)警備受關(guān)注。Sandberg等人［8］對(duì)車速、車輛橫向位置和航偏角進(jìn)行測(cè)量，通過FFNN 對(duì)疲勞特征數(shù)據(jù)進(jìn)行分類。聶爾豪等人［9］從采集到的轉(zhuǎn)向盤角度數(shù)據(jù)中提取能反映疲勞狀態(tài)的零速百分比和角度標(biāo)準(zhǔn)差2個(gè)特征，使用線性判別算法對(duì)駕駛?cè)藛T的疲勞狀態(tài)進(jìn)行分類。吳超仲等人［10］還研究了基于駕駛操作行為的駕駛?cè)似跔顟B(tài)識(shí)別模型，指出駕駛行為與駕駛?cè)松頎顟B(tài)間存在一定的相關(guān)性。

本文基于北京工業(yè)大學(xué)駕駛模擬實(shí)驗(yàn)平臺(tái)，采集正常和疲勞狀態(tài)不同道路線形條件下駕駛行為操作數(shù)據(jù)和車輛運(yùn)行參數(shù)，研究基于駕駛?cè)笋{駛行為的疲勞駕駛檢測(cè)判別方法，利用ROC曲線方法獲得駕駛行為特征指標(biāo)判別閾值，為進(jìn)一步搭建基于駕駛行為的疲勞駕駛判別系統(tǒng)奠定基礎(chǔ)。

1 實(shí)驗(yàn)方法

1.1 實(shí)驗(yàn)設(shè)備

實(shí)驗(yàn)系統(tǒng)屬于真車駕駛模擬器，由挪威AutoSim 公司生產(chǎn)，見圖1。該模擬器能夠?yàn)轳{駛?cè)颂峁┍普娴?D虛擬駕駛場(chǎng)景，前方130°水平視野和40°垂直視野，以及左右后視鏡和后方30°水平視野和40°垂直視野。駕駛車輛為豐田Yaris手動(dòng)擋車型，實(shí)驗(yàn)運(yùn)行過程中，車輛能夠根據(jù)運(yùn)行情況產(chǎn)生0～10Hz的振動(dòng)感。模擬器以30Hz的采樣頻率記錄駕駛行為數(shù)據(jù)，包括速度、加速度、車輛側(cè)位移、加速踏板、制動(dòng)踏板、轉(zhuǎn)向盤轉(zhuǎn)角等。

圖1 駕駛模擬器Fig.1 Driving simulator

1.2 實(shí)驗(yàn)對(duì)象

由疲勞駕駛導(dǎo)致交通事故的統(tǒng)計(jì)結(jié)果表明，男性駕駛?cè)苏级鄶?shù)［11］。因此，本研究招募的駕駛?cè)艘阅贻p男性為主。通過嚴(yán)格的篩選，共選擇25名駕駛?cè)俗鳛楸辉嚒１辉嚻骄挲g為（25±4.1）歲，平均駕齡3.6年，年平均行駛里程為4 000～70 000km。職業(yè)包括專業(yè)司機(jī)、公司職員、教師、學(xué)生等。所有被試要求身體健康，駕駛習(xí)慣良好，生理節(jié)律正常，無睡眠問題，實(shí)驗(yàn)期間不得服用藥物、刺激性飲料等。

1.3 實(shí)驗(yàn)場(chǎng)景

如圖2所示，實(shí)驗(yàn)場(chǎng)景包括直線路段以及半徑分別為200，500，800 m 的左、右轉(zhuǎn)向彎道，彎道前100m 設(shè)置彎道警告標(biāo)志。連接各彎道的直線段為2km。實(shí)驗(yàn)場(chǎng)景為雙向4車道的高速公路，車道寬度為3.75 m，路肩寬度為2 m。正常狀態(tài)下實(shí)驗(yàn)起點(diǎn)為SA，疲勞狀態(tài)下實(shí)驗(yàn)起點(diǎn)為SF，以確保駕駛?cè)吮M快進(jìn)入疲勞駕駛狀態(tài)。

1.4 實(shí)驗(yàn)流程

駕駛?cè)诵枰?次完成實(shí)驗(yàn)，正常駕駛實(shí)驗(yàn)安排在08：00～11：00時(shí)，疲勞駕駛實(shí)驗(yàn)在02：00～05：00時(shí)。由于2種狀態(tài)下的模擬實(shí)驗(yàn)場(chǎng)景基本一致，25名被試被隨機(jī)分成2組，其中12名被試先進(jìn)行正常駕駛實(shí)驗(yàn)，另外13人則先進(jìn)行疲勞駕駛實(shí)驗(yàn)，從而消除學(xué)習(xí)效應(yīng)的影響。所有駕駛?cè)嗽谶M(jìn)行正式實(shí)驗(yàn)之前都要完成適應(yīng)性模擬駕駛，熟悉駕駛模擬艙的操作及虛擬環(huán)境。

圖2 實(shí)驗(yàn)場(chǎng)景路線圖Fig.2 The experimental scenario

正常駕駛實(shí)驗(yàn)時(shí)，要求駕駛?cè)吮ＷC8h以上睡眠以確保駕駛實(shí)驗(yàn)時(shí)處于清醒狀態(tài)。疲勞駕駛實(shí)驗(yàn)時(shí)，要求駕駛?cè)嗽?1：00時(shí)到達(dá)實(shí)驗(yàn)室，且保證在此前17h 內(nèi)沒有任何睡眠。2 種狀態(tài)下實(shí)驗(yàn)流程相同，駕駛前填寫基本信息調(diào)查表以及實(shí)驗(yàn)前疲勞程度調(diào)查表（斯坦福睡眠調(diào)查表，Stanford sleepiness scale），開始正式模擬駕駛實(shí)驗(yàn)。在實(shí)驗(yàn)結(jié)束后，完成實(shí)驗(yàn)后疲勞程度調(diào)查表及模擬駕駛真實(shí)程度評(píng)價(jià)表。

實(shí)驗(yàn)前，駕駛?cè)吮桓嬷醋陨眈{駛習(xí)慣駕駛，實(shí)驗(yàn)過程中要求保持在右側(cè)車道行駛。左側(cè)車道以及對(duì)向車道分布有密度較小的隨機(jī)車流以增加場(chǎng)景的真實(shí)度。出現(xiàn)撞車或沖出車道等事故時(shí)，實(shí)驗(yàn)人員將模擬車輛放置在事故點(diǎn)前1km 左右，讓駕駛?cè)死^續(xù)行駛，完成實(shí)驗(yàn)確保數(shù)據(jù)的完整性。

1.5 數(shù)據(jù)采集

實(shí)驗(yàn)獲得的主觀數(shù)據(jù)包括駕駛?cè)?種狀態(tài)下駕駛前后疲勞程度主觀評(píng)價(jià)以及對(duì)駕駛模擬艙的有效性評(píng)價(jià)打分?？陀^數(shù)據(jù)為駕駛行為數(shù)據(jù)，包括車輛運(yùn)行狀態(tài)參數(shù)以及駕駛?cè)瞬僮餍袨閰?shù)等，系統(tǒng)采樣頻率為30Hz。

2 數(shù)據(jù)處理及分析

駕駛模擬艙有效性評(píng)價(jià)平均得分為8.2，表明通過駕駛模擬實(shí)驗(yàn)所得駕駛行為數(shù)據(jù)具有一定的有效性。正常駕駛實(shí)驗(yàn)前后，駕駛?cè)说钠诔潭日{(diào)查結(jié)果平均值分別為1.6和2.3；疲勞駕駛實(shí)驗(yàn)前后，疲勞程度調(diào)查結(jié)果平均值分別為4.0和5.8（1代表十分清醒，7則表示幾乎睡著），表明駕駛?cè)?次駕駛實(shí)驗(yàn)數(shù)據(jù)能分別代表正常和疲勞狀態(tài)下的駕駛行為。

選取車輛運(yùn)行速度（speed）、側(cè)位移（lane position，LP）以及轉(zhuǎn)向盤轉(zhuǎn)角（steering wheel movements，SWM）等駕駛行為指標(biāo)作為分析對(duì)象?？紤]到疲勞對(duì)駕駛行為的作用受到道路線形的影響，分別截取直線路段和不同半徑、不同轉(zhuǎn)向的彎道路段的駕駛行為數(shù)據(jù)。分別計(jì)算各組數(shù)據(jù)的均值（average）和標(biāo)準(zhǔn)差（standard deviation，SD）表征各個(gè)路段駕駛行為指標(biāo)的平均水平以及波動(dòng)情況。駕駛?cè)嗽?種狀態(tài)下不同道路線形上的駕駛行為指標(biāo)的均值和標(biāo)準(zhǔn)差見表1。

采用配對(duì)t檢驗(yàn)分析直線路段疲勞對(duì)駕駛行為的影響，重復(fù)測(cè)量方差分析檢驗(yàn)駕駛?cè)藸顟B(tài)、彎道半徑和彎道方向這3 種因素對(duì)駕駛行為的影響。不同道路線形條件下，駕駛行為指標(biāo)受疲勞狀態(tài)影響的顯著性分析結(jié)果見表2。

根據(jù)顯著性分析結(jié)果，選取不同道路線形下可用于判別疲勞駕駛的駕駛行為指標(biāo)。直線道路上選取轉(zhuǎn)向盤轉(zhuǎn)角和車輛側(cè)位移的標(biāo)準(zhǔn)差（SWMSD，LPSD），彎道上選取轉(zhuǎn)向盤轉(zhuǎn)角及車輛側(cè)位移的均值和標(biāo)準(zhǔn)差（SWM，SWMSD，LP，LPSD）。

表1 不同道路線形下的駕駛行為指標(biāo)的均值和標(biāo)準(zhǔn)差Tab.1 Average and standard deviation of driving performance under different roadway geometries

3 基于ROC曲線的疲勞駕駛判別方法

3.1 ROC曲線

ROC曲線，即受試者工作特性曲線（receiver operating characteristic curve，ROC），用于描述和評(píng)價(jià)目標(biāo)檢測(cè)算法的準(zhǔn)確性，判別結(jié)果只有“是”和“不是”2種結(jié)果，一般適用于二分類情況。

圖3 車道偏移指標(biāo)示意圖Fig.3 Lateral position indicators illustration

表2 不同道路線形條件下駕駛行為指標(biāo)受疲勞狀態(tài)影響顯著性分析結(jié)果Tab.2 Results of significance analysis about the influence of fatigue on driving performance measures under different road geometries.

ROC曲線是反映靈敏性和特異性連續(xù)變量的綜合指標(biāo)，是采用作圖法描述某種檢驗(yàn)靈敏性（或真陽性率（TPR））和特異性（或真陰性率（TNR））相互關(guān)系的曲線。以疲勞駕駛判斷為例，這里靈敏度表示在疲勞樣本中被正確識(shí)別為疲勞的幾率，“1－特異度”是指在非疲勞樣本中被錯(cuò)判為疲勞樣本的幾率。計(jì)算所有可能的判別閾值對(duì)應(yīng)的靈敏度和特異度，以每1個(gè)判別閾值對(duì)應(yīng)的1－ 特異度（1－TNR）（或稱假陽性率（FPR））為橫坐標(biāo)F，靈敏度（TPR）為縱坐標(biāo)T，繪制ROC曲線，見圖4。

ROC曲線在坐標(biāo)空間的位置和形狀代表檢測(cè)算法的識(shí)別能力。ROC 空間的每一作用點(diǎn)都是靈敏度和特異度的組合，見圖4。當(dāng)閾值取在直線AB上時(shí)，如點(diǎn)C，代表靈敏度和特異度相同，各占50%，無實(shí)際意義；閾值取在坐標(biāo)軸AD或者DB上時(shí)，說明特異度為1或者靈敏度為1，判別準(zhǔn)確度最高，樣本之間無重疊區(qū)域；閾值取在曲線GH上時(shí)，表示采用該閾值判斷時(shí)，樣本之間存在重疊區(qū)域。越靠近ROC 曲線左上方的判別閾值，其樣本重疊區(qū)域越小，表示其判別性能越好。對(duì)于任何1種檢測(cè)方法，靈敏度和特異度成正交關(guān)系，改變閾值不可能同時(shí)提高靈敏度和特異度。ROC曲線下的面積是綜合評(píng)價(jià)判別算法的二維直觀描述，ROC 曲線下面積（記為AZ）反映閾值確定的準(zhǔn)確性大小，這一指標(biāo)取值范圍在0.5～1之間。AZ在0.5～0.7時(shí)，表示準(zhǔn)確性較低；在0.7～0.9時(shí)，準(zhǔn)確性為中等；在0.9以上時(shí)表示準(zhǔn)確性較高。曲線下的面積表征了判別算法的性能。

圖4 ROC曲線示意圖Fig.4 Diagram of ROC Curve

ROC曲線的1個(gè)重要作用就是確定最佳判別閾值。針對(duì)某1種判別方法，ROC曲線上包含所有靈敏度和特異度的組合，越靠近左上方的點(diǎn)表示其判別效果越好。由于靈敏度和特異度的折中性，事實(shí)上最佳閾值的選擇是1 種優(yōu)化問題。在基于駕駛行為指標(biāo)的疲勞駕駛判別應(yīng)用中，選擇曲線上盡量靠近左上方的切點(diǎn)作為判別閾值，此點(diǎn)的Youden指數(shù)最大。

3.2 疲勞駕駛行為特征指標(biāo)判別閾值的確定

研究將影響分析獲得的具有顯著差異的駕駛行為指標(biāo)，依據(jù)ROC 曲線分析方法，選取可能閾值，確定基于駕駛行為指標(biāo)的疲勞駕駛判別閾值，針對(duì)每1個(gè)閾值計(jì)算其相應(yīng)的靈敏度和特異度，進(jìn)而繪制ROC 曲線，選擇曲線上盡量靠近左上方Y(jié)ouden指數(shù)（靈敏度＋特異度－1）最大的特征點(diǎn)為最佳臨界點(diǎn)［12］。根據(jù)各駕駛行為指標(biāo)的實(shí)際物理意義及取值范圍，選取不同的判別閾值間隔，生成ROC曲線，具體實(shí)現(xiàn)方法見圖5。

以半徑500 m 右轉(zhuǎn)彎道上車輛偏離車道中心線距離（LP）為例，根據(jù)左上端Youden指數(shù)最大的特征點(diǎn)為判別閾值的選取原則，經(jīng)上述步驟繪制的ROC曲線（見圖6），計(jì)算各判別閾值對(duì)應(yīng)的Youden指數(shù)，并選擇其最大時(shí)的特征點(diǎn)（圖中C點(diǎn)）為最佳臨界點(diǎn)，對(duì)應(yīng)的LP均值為1.735，判別靈敏度為75%，特異度為71%。計(jì)算ROC曲線下面積為0.804，說明該判別閾值具有較高的準(zhǔn)確性。

在ROC空間，存在另外2個(gè)拐點(diǎn)A和B。轉(zhuǎn)折點(diǎn)A（0，0.458），即特異度為100%，靈敏度為45.8%，表示仍有54.2%的疲勞數(shù)據(jù)沒有被準(zhǔn)確判別。轉(zhuǎn)折點(diǎn)B（0.25，1），靈敏度100%，但特異度僅為75%，表示只有75%的非疲勞狀態(tài)被正確識(shí)別，剩余25%的非疲勞樣本卻被誤判為疲勞狀態(tài)，對(duì)應(yīng)的LP閾值范圍為（1.44，2.09m），判別閾值在該區(qū)域包含了較多的重疊樣本。在實(shí)際應(yīng)用中，可以認(rèn)為在半徑為500m 的右轉(zhuǎn)彎道上LP在（1.44，2.09m）之間的駕駛?cè)颂幱隈{駛疲勞過渡狀態(tài)。

使用ROC曲線方法分別獲得其他各項(xiàng)駕駛行為指標(biāo)在不同道路線形下的判別閾值見表3。

圖6 彎道500R 上LP的ROC曲線Fig.6 The ROC curve of LP on 500R

3.3 不同道路線形下疲勞駕駛行為判別模型

根據(jù)ROC 曲線求得的閾值，建立不同道路線形下基于駕駛行為指標(biāo)的疲勞駕駛判別模型。由ROC曲線的工作特性可知，陽性樣本數(shù)為P，陰性樣本數(shù)為N，每個(gè)閾值對(duì)應(yīng)1個(gè)真陽性TP和1個(gè)真陰性TN，則可以得到這一閾值點(diǎn)的精確度（Accuracy，A＝（TP＋TN）／（P＋N）），根據(jù)精確度線性分配這一指標(biāo)占綜合指標(biāo)的權(quán)重，計(jì)算疲勞駕駛行為綜合判別值R，當(dāng)R＞1 則推斷駕駛?cè)颂幱谄跔顟B(tài)。具體判別模型如下：

表3 基于ROC曲線計(jì)算的不同道路線形下疲勞駕駛行為指標(biāo)判別閾值Tab.3 The threshold of driving performance on different road geometries used to distinguish fatigue driving based on ROC curves

式中：R為不同道路線形下疲勞駕駛行為綜合判別值；k為指標(biāo)數(shù)，直線路段k＝2，彎道路段k＝4；wi為第i項(xiàng)指標(biāo)權(quán)重；Xi為第i項(xiàng)指標(biāo)在該路段的計(jì)算值；Ti為第i項(xiàng)指標(biāo)在該路段的判別閾值。

模型運(yùn)算過程中約束條件如下：

當(dāng)?shù)缆肪€形確定后，計(jì)算相應(yīng)駕駛行為指標(biāo)Xi，此時(shí)對(duì)應(yīng)判別閾值Ti已知，求解權(quán)重wi即可。根據(jù)判別閾值可以得到此閾值下的精確度Ai，又權(quán)重系數(shù)與精確度滿足線性關(guān)系，即精確度越高分配的權(quán)重系數(shù)越大，根據(jù)約束條件可分別算得wi值，則可計(jì)算得R值。判別流程見圖7，計(jì)數(shù)器用來記錄每個(gè)路段的疲勞判別結(jié)果，以供上位機(jī)輸出或顯示。

3.4 判別模型考慮道路線形的必要性驗(yàn)證

本文與以往研究不同，疲勞駕駛判別模型中考慮道路線形因素，論文通過對(duì)比分析驗(yàn)證這一方法的必要性和有效性。

圖7 基于駕駛行為的疲勞駕駛判別流程Fig.7 Identification procedure of fatigue driving based on driving performance

1）實(shí)驗(yàn)組：將已有的25個(gè)實(shí)驗(yàn)樣本，根據(jù)建立的判別模型，分別按照不同道路線形下的駕駛行為指標(biāo)的判別閾值對(duì)所抽取的樣本進(jìn)行判定。

2）對(duì)照組：將25個(gè)實(shí)驗(yàn)樣本所得的駕駛行為數(shù)據(jù)不按道路線形分段處理，整體計(jì)算各指標(biāo)的平均值和標(biāo)準(zhǔn)差，利用ROC 曲線確定該情況下的判別閾值，見表3。

使用實(shí)驗(yàn)組和對(duì)照組計(jì)算出的判別閾值對(duì)駕駛?cè)说钠隈{駛數(shù)據(jù)分別進(jìn)行判別，得到判別結(jié)果見表4。

從表中可明顯看出，對(duì)照組的誤判率非常高。對(duì)照組的方法會(huì)使得大部分中、小半徑彎道數(shù)據(jù)無論在何種情況下均被判定為疲勞，降低了其判別的可靠性。而實(shí)驗(yàn)組則能有效降低誤判率，基本將誤判率控制在20%以下，同時(shí)也具有較好的正判率。

表4 不同方法獲取閾值對(duì)應(yīng)的判別結(jié)果Tab.4 Results of identification based on different thresholds %

4 結(jié)束語

筆者通過駕駛模擬實(shí)驗(yàn)采集25名駕駛?cè)嗽谡：推?種狀態(tài)下的駕駛行為數(shù)據(jù)，進(jìn)行對(duì)比分析，發(fā)掘不同道路線形下駕駛?cè)说钠隈{駛行為規(guī)律。通過顯著性分析獲取可用于判別疲勞駕駛的駕駛行為特征指標(biāo)。本研究根據(jù)疲勞對(duì)不同道路線形下駕駛行為的影響程度，提出根據(jù)不同道路線形分別獲取駕駛行為特征指標(biāo)及其閾值，并證明了ROC 曲線方法用于基于駕駛行為的疲勞駕駛判別的適用性?；赗OC 曲線方法確定不同道路線形下駕駛行為指標(biāo)的判別閾值，并建立疲勞駕駛行為判別模型，結(jié)果表明，對(duì)于疲勞駕駛的平均識(shí)別率達(dá)到75%，平均誤判率僅為16.5%。通過數(shù)據(jù)分布情況可以發(fā)現(xiàn)，誤判是由駕駛?cè)藗€(gè)體間駕駛行為的差異造成的。研究中也存在一些局限性，如駕駛?cè)藰颖緮?shù)量需進(jìn)一步增加，模擬場(chǎng)景僅包含3種半徑的彎道。今后的實(shí)驗(yàn)需增加不同年齡、性別及群體的樣本，同時(shí)考慮駕駛?cè)藗€(gè)體差異帶來的影響，基于個(gè)體駕駛行為特征進(jìn)行判別，提高準(zhǔn)確度。另外，需考慮更多道路線形、類型的組合變化，并盡可能地采集實(shí)際道路數(shù)據(jù)進(jìn)行對(duì)比和驗(yàn)證。

［1］張 清.六成車禍源于司機(jī)疲勞駕駛［N］.天津日?qǐng)?bào)，2010－10－13（2）.Zhang Qing.Sixty percent of traffic accidents were caused by fatigue driving［N］.Tianjin Daily，2010－10－13（2）.（in Chinese）.

［2］孫愛民.2009 年不良駕駛行為事故統(tǒng)計(jì)數(shù)據(jù)［N］.中國(guó)科學(xué)報(bào)，2012－12－10（2）.Sun Aimin.Bad driving accident statistics in 2009［N］.Chinese Science News，2012－12－10（2）.（in Chinese）.

［3］2010年全國(guó)道路交通事故3 906 164起［OL］.中國(guó)公路網(wǎng).http：／／www.chinahighway.com／news／2011／527253.php，2011－05－31／2014－04－20.In 2010，the number of road traffic accident in China was 3906164［OL］.Chinahighway.http：／／www.chinahighway.com／news／2011／527253.php，2011－05－31／2014－04－20.（in Chinese）.

［4］佘 翔，劉冬梅.疲勞駕駛檢測(cè)技術(shù)發(fā)展研究［J］.河北交通職業(yè)技術(shù)學(xué)院學(xué)報(bào)，2013，10（3）：71－77.She Xiang，Liu Dongmei.Research on Development of Tired Driving Detecting Technology［J］.Journal of Hebei Jiaotong Vocational and Technical College，2013，10（3）：71－77.（in Chinese）.

［5］滕 靖，宋興昊，姬利娟，等.連續(xù)駕駛條件下公交駕駛員疲勞特征實(shí)驗(yàn)研究［J］.交通信息與安全，2013，31（3）：87－92.Teng Jing，Song Xinghao，Ji Lijuan，et al.Experimental Study of Fatigue Characteristics of Bus Drivers Under the Condition of Continuous Driving［J］.Journal of Transport Information and Safety，2013，31（3）：87－92.（in Chinese）.

［6］Dinges D F，Grace R..PERCLOS：A Valid Psycho Physiological Measure of Alertness as assessed by Psychomotor Vigilance［R］.Washington：Federal Highway Administration，Office of Motor Carriers，1998：26－29.

［7］趙曉華，許士麗，榮 建，等.基于ROC 曲線的駕駛疲勞腦電樣本熵判定閾值研究［J］.西南交通大學(xué)學(xué)報(bào)，2013，48（1）：178－183.Zhao Xiaohua，Xu Shili，Rong Jian，et al.Discriminating Threshold of Driving Fatigue Based on the Electroencephalography Sample Entropy by Receiver Operating Characteristic Curve Analysis［J］.Journal of Southwest Jiaotong University，2013，48（1）：178－183.（in Chinese）.

［8］Sandberg D，Wahde M.Particle Swarm Optimization of Feedforward Neural Networks for the Detection of Drowsy Driving［C］∥Hongkong：IEEE International Joint Conference on.Neural Networks，2008.IJCNN 2008，Hongkong：IEEE，2008：788－793.

［9］聶爾豪，蘇維均，于重重，等.車載疲勞駕駛行為檢測(cè)系統(tǒng)的研究與設(shè)計(jì)［J］.計(jì)算機(jī)仿真，2013，30（8）：173－180.Nie Erhao，Su Weijun，Yu Chongchong，et al.Research and Design of a Vehicle－mounted Detective System for Fatigue Driving Behavior［J］.Computer Simulation，2013，30（8）：173－180.（in Chinese）.

［10］吳超仲，張 暉.基于駕駛操作行為的駕駛員疲勞狀態(tài)識(shí)別模型研究［J］.中國(guó)安全科學(xué)學(xué)報(bào)，2007，17（4）：162－165.Wu Chaozhong，Zhang Hui，Mao Zhe，Chu Xiumin，Yan Xinping.A Model for Identifying Fatigue Status of Vehicle Drivers Based on Driving Operation［J］.China Safety Science Journal，2007，17（4）：162－165.（in Chinese）.

［11］Williams A F.Nighttime Driving and Fatal Crash Involvement of Teenagers［J］.Accident Analysis and Prevention，1985，17（1）：1－5.

［12］陳衛(wèi)中，倪宗瓚，等.用ROC 曲線確定最佳臨界點(diǎn)和可疑值范圍［J］.現(xiàn)代預(yù) 防醫(yī)學(xué)，2005，32（7）：729－731.Chen Weizhong，Ni Zongzan.Receiver Operating Characteristic Curves to Determine the Optimal Operating Point and Doubtable Value Interval［J］.Modern Preventive Medicine，2005，32（7）：729－731.（in Chinese）.