文江輝 郭 浩 吳超仲 馬曉鳳

（1.武漢理工大學(xué)智能交通系統(tǒng)中心 武漢 430063；2.武漢理工大學(xué)理學(xué)院 武漢 430070；3.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

近年來我國道路交通安全問題依然嚴(yán)峻，交通事故頻發(fā)。2012 年，全國共發(fā)生交通事故204 196起，其中死亡人數(shù)59 997 人，受傷人數(shù)224 327人，造成的直接經(jīng)濟(jì)損失11.7 億元［1］。由大量交通事故案例分析發(fā)現(xiàn)：由駕駛?cè)艘蛩卦斐傻慕煌ㄊ鹿始s90%，其中疲勞駕駛是主要原因之一，其造成的事故數(shù)占事故總數(shù)的16%，相較其他事故原因，疲勞駕駛造成的嚴(yán)重性更強(qiáng)［2］。因此，研究疲勞駕駛行為影響因素及其相互間的量化關(guān)系，對有效防止因疲勞駕駛造成的交通事故和提高道路安全具有重要意義。

國內(nèi)外關(guān)于疲勞駕駛的研究較多，主要集中在疲勞駕駛的檢測、行為特征提取等方面，其中檢測判別方法主要可分為2大類：一是針對駕駛?cè)说纳砗托睦硖卣鞯臋z測方法，主要基于腦電圖（EEG）、心電圖（ECG）信號、面部特征等，其中腦電圖一直被譽(yù)為監(jiān)測疲勞的“金標(biāo)準(zhǔn)”［3］，Papadelis Christos［4］采集了20名駕駛?cè)似跔顟B(tài)時的腦電波信號，試驗時采用Karolinka睡眠水平表對駕駛?cè)怂呒捌谇闆r進(jìn)行評估，結(jié)果表明駕駛疲勞時腦電α波增加，γ波減少，同時Kullback－Leibler熵顯著減少，由此建議利用EEG 來判定駕駛?cè)说钠跔顟B(tài)；王炳浩等［5］用KT98－2000A 動態(tài)腦電儀記錄了健康駕駛?cè)诵旭倳r的動態(tài)腦電波，并與靜止條件下的睜眼、坐在椅子上得到的清醒狀態(tài)和瞌睡狀態(tài)的腦電波進(jìn)行對比，得到了判斷駕駛?cè)耸欠裉幱谄跔顟B(tài)的依據(jù)；面部特征方面“PERCLOS”（percentage of eyelid closure over the pupil over time）指標(biāo)是目前公認(rèn)最有效的判斷疲勞程度方法［6］。盡管通過生理心理指標(biāo)能較為準(zhǔn)確地檢測和判別疲勞駕駛，但是大多數(shù)監(jiān)測裝置是接觸性的，在駕駛過程中會造成駕駛?cè)瞬贿m或影響駕駛?cè)瞬僮?，難以實時監(jiān)測，并且監(jiān)測裝置的成本太高，不利于商品化。另一類則是基于駕駛?cè)笋{駛行為的檢測和判別，如Takei等［7］針對采集的汽車轉(zhuǎn)向盤轉(zhuǎn)角信號，通過對轉(zhuǎn)角信號的分析來對駕駛?cè)耸欠衿诘冗M(jìn)行有效評價；Thum Chia Chieh等［8］對駕駛?cè)耸治辙D(zhuǎn)向盤壓力變化進(jìn)行統(tǒng)計學(xué)分析，通過尋找反映駕駛?cè)似跔顟B(tài)的重要壓力變化點(diǎn)對駕駛疲勞及分神進(jìn)行預(yù)警；Baulk等［9］通過模擬駕駛研究發(fā)現(xiàn)駕駛?cè)笋{駛能力特別是車輛橫向位置與反應(yīng)時間具有很好的相關(guān)關(guān)系，可利用反應(yīng)時為駕駛疲勞的客觀評判標(biāo)準(zhǔn)。因而通過實驗數(shù)據(jù)建立符合疲勞駕駛行為與其影響因素之間關(guān)系的數(shù)學(xué)模型，并且能從定量的角度去分析各個影響因素對疲勞駕駛行為的影響程度，一方面可降低監(jiān)測成本，另一方面為開展疲勞駕駛預(yù)警提供理論依據(jù)，但目前，國內(nèi)相關(guān)研究相對較少［10］。

導(dǎo)致疲勞駕駛的影響因素較多，如駕駛?cè)说钠诔潭取Ⅰ{齡、身體狀況等。但疲勞程度、身體狀況等因素并不能直接表征，而只能通過實驗可觀測的相應(yīng)指標(biāo)，如車速、加速度、車道位置、車頭時距、血流量脈沖、皮電、閉眼周期等。對于這種考察多因變量與多自變量間關(guān)系、且部分變量不可直接觀測的問題，結(jié)構(gòu)方程模型無疑是一有力工具，目前在社會經(jīng)濟(jì)、生態(tài)環(huán)境等領(lǐng)域都已有廣泛應(yīng)用［11］。但在駕駛行為研究方面，相關(guān)研究鮮見，Henriette等［12］以對超速行為的態(tài)度、知覺行為控制、主觀規(guī)范等作為潛變量，采用結(jié)構(gòu)方程模型建模研究駕駛?cè)说某傩袨椋l(fā)現(xiàn)駕駛?cè)酥饔^規(guī)范可顯著提高預(yù)測駕駛?cè)顺俚臏?zhǔn)確性，而且直接影響記錄超速行為。筆者沿用這一思路，將結(jié)構(gòu)方程模型引入疲勞駕駛行為研究，通過社會招募志愿者進(jìn)行駕駛實驗，采集疲勞駕駛時駕駛行為和生理疲勞數(shù)據(jù)，研究駕駛行為影響因素對疲勞駕駛的影響程度，建立結(jié)構(gòu)方程模型得到影響因素之間的量化關(guān)系以及各因素對疲勞駕駛的影響大小，為預(yù)防因疲勞駕駛產(chǎn)生的交通事故提供理論基礎(chǔ)。

1 實驗方法

1.1 實驗設(shè)備

筆者采用的實驗設(shè)備包括武漢理工大學(xué)智能交通系統(tǒng)研究中心經(jīng)過技術(shù)改裝的自動檔實驗車（見圖1），和biography生物反饋儀（見圖2），用于采集實驗過程中的相關(guān)數(shù)據(jù)，裝置及功能具體描述見表1。

圖1 實驗車Fig.1 The testing car

圖2 biography生物反饋儀Fig.2 The biography feedback instrument

表1 實驗設(shè)備及功能Tab.1 The testing equipment and its functions

1.2 實驗流程

參加實驗的32名駕駛?cè)耸峭ㄟ^社會招募方式征集的志愿者，被招募者均具有中華人民共和國C1及以上駕駛執(zhí)照，且身體健康，其中女性駕駛?cè)?名，男性駕駛?cè)?6名，年齡為18～60歲，平均年齡為47歲，平均駕齡為16.7年，實驗前其接受了技能及個體特征的嚴(yán)格測試。被試者在按時按量完成實驗后將獲得300元的酬勞。

實驗步驟如下。

1）被試通過測試后先填寫個人基本信息表，然后簽訂相關(guān)的合同。工作人員向其介紹實驗?zāi)康?、實驗路線及注意事項，實驗路線見圖3。

2）首先工作人員幫助被試佩戴相關(guān)的實驗設(shè)備和引導(dǎo)駕駛?cè)藛訉嶒炣嚭蛙囕d實驗設(shè)備，然后完成設(shè)備的正常檢查以及設(shè)備的同步，之后讓駕駛?cè)嗽趯W(xué)校路段進(jìn)行約10 min的適應(yīng)性駕駛。

3）被試進(jìn)入指定路段開始駕駛?cè)蝿?wù)，工作人員記錄開始試驗的時間。實驗期間駕駛?cè)瞬坏眠M(jìn)行與實驗無關(guān)的事宜。

4）實驗結(jié)束后，工作人員關(guān)閉實驗設(shè)備，整理和拷貝實驗數(shù)據(jù)并進(jìn)行歸檔處理。

圖3 實驗路線Fig.3 The experimental route

2 基于結(jié)構(gòu)方程的疲勞駕駛行為關(guān)系模型建立

2.1 實驗數(shù)據(jù)處理

根據(jù)實驗流程，采集了32位駕駛?cè)说鸟{駛行為相關(guān)實驗結(jié)果，包括車速、加速度、車道位置、車頭時距、血流量脈沖、皮電、閉眼周期等原始數(shù)據(jù)。為了將該數(shù)據(jù)處理成結(jié)構(gòu)方程模型所需輸入的量表形式，結(jié)合統(tǒng)計學(xué)方法，采用以下3個步驟進(jìn)行原始數(shù)據(jù)的處理：

步驟1。數(shù)據(jù)的預(yù)處理。由于實驗儀器偶然失靈或故障，實驗監(jiān)測的原始數(shù)據(jù)中存在少量缺失情形和少數(shù)異常值。為滿足數(shù)據(jù)分析需要，首先對原始數(shù)據(jù)進(jìn)行異常值檢測，并對異常值進(jìn)行平滑處理；對于缺失值，采取填補(bǔ)處理。

步驟2。數(shù)據(jù)的加工。實驗時所測量變量的計量單位各不相同，為了保證分析結(jié)果具有可比性，需對數(shù)據(jù)進(jìn)行量綱一的量化處理，具體處理方法為

設(shè)某變量X，對應(yīng)的樣本為xi（i＝1，2，…，32），取并令

特別要注意的是，對車輛偏移程度數(shù)據(jù)的處理，筆者選取了每輛車在同1個時間段內(nèi)車道位置的數(shù)據(jù)，計算每組數(shù)據(jù)的方差，并用該方差來描述該車輛的偏移程度。采用上述處理方法，量化后的數(shù)據(jù)可變形為疲勞駕駛行為的量表，見表2。

步驟3。樣本容量的擴(kuò)增。由于被試人數(shù)為32，盡管每個被試在駕駛過程中采集的數(shù)據(jù)樣本有數(shù)百甚至數(shù)千個，但本文的目的是在相同駕駛時間下對每個被試的數(shù)據(jù)進(jìn)行疲勞駕駛行為分析，因而數(shù)據(jù)樣本為32個?？墒墙Y(jié)構(gòu)方程模型對樣本個數(shù)要求比較嚴(yán)格，一般應(yīng)至少為150個以上，且大約為變量個數(shù)的10倍，筆者選取的變量有14個，因此有必要首先對樣本容量進(jìn)行擴(kuò)充。筆者采用Bootstrap 方法，該方法最初是由斯坦福大學(xué)的Bradley Efron教授于1979年在歸納前人研究成果的基礎(chǔ)上提出來的，其基本思想是從原始數(shù)據(jù)中做有放回的抽樣，得到大量Bootstrap樣本并計算相應(yīng)的統(tǒng)計量，從而完成對其真實總體分布的統(tǒng)計推斷，這樣在一定程度上解決無法獲得大量樣本可能導(dǎo)致的推斷失誤。我們也利用這種統(tǒng)計思想，對原始的32個數(shù)據(jù)進(jìn)行有放回的抽樣，得到160個Bootstrap樣本，從而滿足結(jié)構(gòu)方程對樣本數(shù)的建模要求。

表2 量化數(shù)據(jù)Tab.2 Quantized data

2.2 結(jié)構(gòu)方程模型

結(jié)構(gòu)方程模型的設(shè)計主要包括2個方面，①觀測變量（指標(biāo)）與潛變量（因子）之間的關(guān)系，即建立測量模型，界定潛變量與觀測變量之間的關(guān)系；②潛變量之間的關(guān)系，即建立結(jié)構(gòu)模型，反映潛變量與潛變量之間的關(guān)系。

2.2.1 模型觀察變量與潛變量的設(shè)定

在疲勞駕駛過程中，駕駛行為常常受到許多因素的影響，主要影響因素有疲勞程度，身體狀況和駕駛經(jīng)驗等。這些變量具有1個共同的特征：它們無法直接測量，需要通過觀察變量來進(jìn)行測量，故我們選取疲勞程度、身體狀況、駕駛行為和駕駛經(jīng)驗作為潛變量。實際上，1 個人的疲勞程度可由眼睛閉合程度以及閉眼周期的大小反映；1個人的身體狀況的好壞可以通過生理指標(biāo)體現(xiàn)出來，如血流量脈沖、皮電、呼吸等；因此選取這3個指標(biāo)來測量身體狀況；駕駛績效可以從駕駛過程中的物理指標(biāo)體現(xiàn)出來，如車速、年齡、航向角速度和偏移程度，同時也受駕駛?cè)四挲g的影響；而駕齡可以直接體現(xiàn)該人的駕駛經(jīng)驗。因此，上述可測指標(biāo)可作為觀察變量（也叫顯變量）分別測量疲勞程度、身體狀況、駕駛行為和駕駛經(jīng)驗，見表3。

2.2.2 路徑圖與方程表達(dá)式的設(shè)定

1）疲勞駕駛是在身體疲勞狀況下的駕駛行為，顯然潛變量疲勞程度對其它2個潛變量身體狀況和駕駛行為都會產(chǎn)生影響。同時駕駛經(jīng)驗與疲勞駕駛行為關(guān)系密切，所以在本文中，將疲勞程度和駕駛經(jīng)驗記為外因潛變量，而身體狀況和疲勞駕駛行為作為內(nèi)因潛變量，然后構(gòu)造結(jié)構(gòu)方程的路徑圖，見圖4。

表3 觀察變量與潛變量Tab.3 Observed variables and latent variables

圖4 路徑圖Fig.4 Path map

如圖4所示，模型中疲勞程度和駕駛經(jīng)驗作為外因潛變量，分別由觀察變量X1，X2和X10反映；身體狀況和疲勞駕駛行為作為內(nèi)因潛變量，各由X3，X4，X5和X6，X7，X8，X9反映；并假設(shè)疲勞程度與駕駛經(jīng)驗存在共變關(guān)系。全模型表征了4個潛在變量、10個觀察變量和12個誤差項之間的相互影響關(guān)系。

2）由路徑圖可以得到結(jié)構(gòu)方程的方程表達(dá)式

測量方程

2.2.3 模型識別判定

在模型設(shè)定后，需要對模型進(jìn)行識別。若模型可以識別，則表示理論上模型中的自由參數(shù)皆可由觀測數(shù)據(jù)求得惟一解（觀測樣本的方差協(xié)方差）作為估計值。如果對于某1個自由參數(shù)，不能將其以樣本方差協(xié)方差的代數(shù)函數(shù)表達(dá)，則這個參數(shù)就不能識別。本文所采取的識別法則為t－法則。

假設(shè)結(jié)構(gòu)方程模型共有p＋q個觀察變量，可以產(chǎn)生（p＋q）（p＋q＋1）／2個不同的方差或協(xié)方差。如果理論模型成立，則要根據(jù)假設(shè)的模型隱含的總體協(xié)方差矩陣與真實的總體協(xié)方差矩陣（但未知）相等，即，可以得到（p＋q）（p＋q＋1）／2個不同的方程。記t為模型中未知參數(shù)個數(shù)，則模型可識別的條件是t≤（p＋q）（p＋q＋1）／2。

本模型中的觀察變量總數(shù)為p＋q＝10，可以產(chǎn)生（p＋q）（p＋q＋1）／2＝55個不同的方差和協(xié)方差。模型中需要估計的未知參數(shù)有25個方差，10個回歸系數(shù)，1個協(xié)方差，總共36個待估計參數(shù)，即t＜55，從而滿足了模型可識別的條件，即該模型是可以識別的。

2.3 結(jié)構(gòu)方程模型結(jié)果與討論

2.3.1 結(jié)構(gòu)方程模型擬合

本文通過AMOS17.0按照模型的設(shè)定進(jìn)行擬合［13］，采用的參數(shù)估計法為極大似然估計。擬合后得到如下的參數(shù)矩陣及其對應(yīng)的路徑圖。

1）非標(biāo)準(zhǔn)化系數(shù)矩陣如下。

測量方程系數(shù)：

2）標(biāo)準(zhǔn)化系數(shù)矩陣如下。

測量方程系數(shù)：

3）標(biāo)準(zhǔn)化系數(shù)路徑圖，見圖5。

圖5 標(biāo)準(zhǔn)化系數(shù)路徑圖Fig.5 Path map of standard regression coefficient

2.3.2 結(jié)構(gòu)方程模型擬合度檢驗

根據(jù)結(jié)構(gòu)方程模型中評價模型擬合優(yōu)劣的相關(guān)理論，采用χ2自由度比值（NC 值），近似誤差均方根（RMSEA）及相對擬合指數(shù)（CFI）這幾個指標(biāo)來評價模型的擬合程度，模型擬合指標(biāo)結(jié)果見表4。

表4 結(jié)構(gòu)方程模型擬合指標(biāo)Tab.4 Fitting index of structural equation model

由表可知：NC值表示假設(shè)模型的協(xié)方差矩陣與觀察矩陣的適配程度，且NC值越小，模型的適配程度越佳，本模型的NC值為1.152，介于1到3之間，一般當(dāng)NC值小于2時，即可認(rèn)為模型擬合是較佳的，由此可知該模型的NC符合標(biāo)準(zhǔn)。RMSEA表示每個自由度的平均∑（總體協(xié)方差矩陣）與∑（θ）（假設(shè)模型隱含的協(xié)方差矩陣）的差異值，差異值越小，模型的擬合程度越好，本模型的RMSEA為0.031，小于0.08，由擬合標(biāo)準(zhǔn)可知，當(dāng)RMSEA低于0.08表示有較好的擬合，低于0.05表示有非常好的擬合，說明該模型的擬合程度較好。CFI代表在測量從最限制模型到最飽和模型時，非集中參數(shù)的改善情形，其值越接近1，表示模型的擬合程度越好，而本模型的CFI值為0.598，不夠理想。但判斷模型擬合程度主要基于RMSEA，其次是NC指標(biāo)（即絕對擬合指標(biāo)）［14］，本模型中盡管CFI沒有達(dá)到標(biāo)準(zhǔn)，但關(guān)鍵性的絕對擬合指標(biāo)均已達(dá)到標(biāo)準(zhǔn)，且具有較理想的擬合程度。

2.3.3 討論

由標(biāo)準(zhǔn)化系數(shù)路徑圖5，發(fā)現(xiàn)因子載荷（即潛變量到觀察變量的標(biāo)準(zhǔn)化路徑系數(shù)）均在0.24到0.92的范圍內(nèi)，說明所選取的觀察變量與其對應(yīng)的潛變量具有一定的解釋能力。各變量間的標(biāo)準(zhǔn)化路徑系數(shù)，具體見表5～9。

表5 身體狀況的因子載荷Tab.5 The load factors of physical condition

由表5可知：在實車實驗中，我們采用Biography生物反饋儀記錄了血流量脈沖、皮電及呼吸的數(shù)據(jù)，其中血流量脈沖對身體狀況的影響系數(shù)達(dá)到0.916，而皮電、呼吸與身體狀況的相關(guān)性較低，且兩者相差不大。結(jié)果表明身體狀況可主要用血流量脈沖變量來反映，而皮電、呼吸的可表征度不高，這可為我們以后判斷身體狀況的指標(biāo)選取提供相應(yīng)的依據(jù)。

表6描述的是疲勞程度對左眼閉合、閉眼周期的因子載荷，分別是0.531和0.536，兩者基本相同，說明這2個指標(biāo)體現(xiàn)駕駛?cè)说钠诔潭然镜刃?，同時采集兩者數(shù)據(jù)必要性并不大。而且注意到解釋系數(shù)在0.53左右，可認(rèn)定2個指標(biāo)表征駕駛?cè)说钠诔潭鹊男Ч⒉惶貏e優(yōu)良，可能會帶來一定偏差，從實際情況分析，在閉眼方面?zhèn)€體的差異即可能導(dǎo)致判斷失誤。后期可做深入探討，尋找更合適反映疲勞程度的指標(biāo)。

表6 疲勞程度的因子載荷Tab.6 The load factors of fatigue

表7 疲勞駕駛行為的因子載荷Tab.7 The load factors of fatigue driving behavior

選取了4個變量：車速、年齡、航向角速度以及偏移程度分析駕駛?cè)说钠隈{駛行為，結(jié)果見表7，影響系數(shù)分別為0.298、0.524、0.358和0.596。其中偏移程度對疲勞駕駛行為的解釋力最大，原因是本文偏移程度指本車偏離車道中心線的離散程度，當(dāng)偏移程度越大，即離散程度越高，說明駕駛軌跡越不平穩(wěn)，則疲勞駕駛行為越明顯，出現(xiàn)事故的可能性越大。因此，當(dāng)某車輛的偏移程度較明顯時，應(yīng)對駕駛?cè)藸顟B(tài)給予警示，防止事故發(fā)生。其次是駕駛?cè)说哪挲g，由于被試的平均年齡達(dá)到47歲，隨著年齡增長，身體更容易出現(xiàn)疲勞感，所以容易出現(xiàn)疲勞駕駛行為。當(dāng)然，本研究只是研究了不同年齡段駕駛?cè)说钠隈{駛行為的區(qū)別，并沒有對被試進(jìn)行逐年跟蹤調(diào)查，這也可以在今后的研究中改進(jìn)。航向角速度和車速的解釋力較弱，特別是車速，相關(guān)系數(shù)僅為0.298，這是因為實驗路線選擇在城區(qū)路段，車流量大，車速較慢，可區(qū)分度不大。如果路線為高速路段，相關(guān)系數(shù)結(jié)果可能會有較明顯變化。

如表8所示，疲勞駕駛行為與駕駛?cè)说纳眢w狀況、疲勞程度和駕駛經(jīng)驗間的相關(guān)系數(shù)分別為：－0.091、0.944和0.447。首先駕駛?cè)说纳眢w狀況對疲勞時的駕駛行為具有負(fù)效應(yīng)，即身體狀況越好，疲勞駕駛行為就越不明顯，但這種影響性表現(xiàn)得并不強(qiáng)烈。第二，疲勞駕駛行為顯然與疲勞程度密切相關(guān)，結(jié)果也顯示兩者間的相關(guān)性達(dá)到0.944。最后，駕駛?cè)说鸟{駛經(jīng)驗對疲勞駕駛行為具有正效應(yīng)，這是由于隨著駕駛經(jīng)驗的豐富，部分駕齡長的駕駛?cè)藭潘蓪ψ陨砥跔顩r的約束，相較新手而言，更容易具有疲勞駕駛行為。當(dāng)然，兩者間的相關(guān)性并不是很強(qiáng)，說明其并不具有普適性。

表8 疲勞駕駛行為與外因潛變量間的路徑系數(shù)Tab.8 The Path coefficients between fatigue driving behaviors and exogenous latent variables

表9 結(jié)構(gòu)方程模型中的其它標(biāo)準(zhǔn)化路徑系數(shù)Tab.9 The other standard path coefficient of structural equation model

在表9中，駕駛?cè)说钠诔潭葘ζ渖眢w狀況間存在著負(fù)相關(guān)效應(yīng)，即駕駛?cè)嗽狡?，對?yīng)的身體狀況越差，我們的模型結(jié)果顯示了兩者的具體量化關(guān)系為－0.63。而疲勞程度與駕駛經(jīng)驗之間也有一定的負(fù)相關(guān)關(guān)系，相關(guān)系數(shù)為－0.39，這說明駕駛經(jīng)驗越豐富，駕駛?cè)藢β窙r感知等優(yōu)于新手，視覺、聽覺等器官產(chǎn)生疲勞感會延遲。此外，駕駛經(jīng)驗只依賴于駕齡刻畫，因而兩者間系數(shù)為1。

3 結(jié)束語

筆者通過實車實驗采集了32名駕駛?cè)说钠隈{駛行為數(shù)據(jù)，并對數(shù)據(jù)進(jìn)行了預(yù)處理以及利用Bootstrap法對樣本容量進(jìn)行擴(kuò)充來滿足結(jié)構(gòu)方程模型對樣本的需求。然后通過建立結(jié)構(gòu)方程模型來分析疲勞程度、身體狀況和駕駛經(jīng)驗之間的關(guān)系以及對疲勞駕駛的影響，結(jié)果表明：疲勞程度對駕駛行為的影響程度最大，其次是駕駛經(jīng)驗。說明在駕駛過程中注意自身的疲勞狀況尤為重要，會直接影響駕駛安全。但本文研究中也存在一些缺陷，如所建的模型的整體擬合度一般，這可能是由于觀察變量選取不當(dāng)或數(shù)據(jù)質(zhì)量不好。雖然采用了Bootstrap 方法實現(xiàn)樣本容量增加，能夠有效彌補(bǔ)數(shù)據(jù)有限的缺陷，但與利用實際統(tǒng)計的數(shù)據(jù)樣本進(jìn)行模型分析的效果相比還存在一定差距。在今后的研究中，我們將收集更大樣本，同時考慮駕駛?cè)说囊鈭D、從眾等特性［14－15］，使結(jié)果更加符合實際情況。

［1］公安部交通管理局.中華人民共和國道路交通事故統(tǒng)計年報［M］.北京：人民交通出版社，2013.The ministry of public security traffic management bureau.Statistics report of road traffic accident in People’s Republic of China［M］.Beijing：China Communication Press，2013.（in Chinese）.

［2］Yang G，Lin Y，Bhattacharya P.A driver fatigue recognition model based on information fusion and dynamic bayesian network［J］.Information Sciences.2010，180（10）：1942－1954.

［3］Venkatesh B，Adalarasu K.EMG－based analysis of change in muscle activity during simulated driving［J］.Journal of Bodywork Movement Therapies.2007，11（2）：151－158.

［4］Christos P.Indicators of sleepiness in an ambulatory EEG study of night driving［C］∥Proceedings of the 28th IEEE EMBS Annual International Conference.New York City，USA：IEEE，2006：6201－6204.

［5］王炳浩，魏建勤，吳永紅，等.汽車駕駛員瞌睡狀態(tài)腦電波特征的初步探索［J］.汽車工程，2004，26（1）：70－72.Wang Binhao，Wei Jianqing，Wu Yonghong.et al.A preliminary investigation into the brain wave characters of car drivers at dozy state［J］.Automotive Engineering，2004，26（1）：70－72.（in Chinese）.

［6］Dinges D，Grace R.Perclos：A valid psychophysiological measure of alertness as assessed by psychomotor vigilance［J］.Federal Highway Administration Office of Motor Carriers.1998，13（202）：26－29.

［7］Takei Y，F(xiàn)urukawa Y.Estimate of driver’s fatigue through steering motion［J］∥IEEE：Man and Cybernetics.2005（2）：1765－1770.

［8］Thum Chia chieh Mustafa，Hussain M M，Zahedi A，et al.Driver fatigue detection using steering grip force［C］∥Malaysta，IEEE：Student Conference onResearch and Development，Malaysta：IEEE 2003：45－48.

［9］Baulk S D，Biggs S N，Reid K J，et al.Chasing the silver bullet：measuring driver fatigue using simple and complex tasks［J］.Accident Analysis and Prevention.2008，40（1）：396－402.

［10］石 堅，吳遠(yuǎn)鵬，卓 斌，等.汽車駕駛員主動安全性因素的辨識與分析［J］.上海交通大學(xué)學(xué)報，2000，34（4）：441－444.Shi Jian，Wu Yuanpeng，Zhuo Bin，et al.Identification and analysis of driver＇s active safety factors［J］.Journal of Shanghai Jiao Tong University.2000，34（4）：441－444.（in Chinese）.

［11］李 維，朱維娜.基于結(jié)構(gòu)方程模型的地區(qū)經(jīng)濟(jì)發(fā)展影響因素分析［J］.管理世界，2014（3）：172－173.Li Wei，Zhu Weina.Factors affecting regional economic development based on structural equation model［J］.Management World.2014（3）：172－173.（in Chinese）.

［12］Henriette W.，Lars A.Drivers’decision to speed：A study inspired by the theory of planned behavior［J］.Transportation Research Part F.2006（9）：427－433.

［13］吳明隆.結(jié)構(gòu)方程模型：AMOS的操作與應(yīng)用［M］.重慶：重慶大學(xué)出版社，2009.Wu Minglong.Structural equation modeling：the operation and application of AMOS ［M］.Chongqing：Chongqing University Press，2009.（in Chinese）.

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

［15］吳超仲，萬 平，張 暉，等.交通從眾行為研究—機(jī)遇與挑戰(zhàn)［J］.交通信息與安全，2013，31（2）：1－5.Wu Chaozhong，Wan Ping，Zhang Hui，et al.Research on Traffic Herding Behavior—Opportunity and Challenge.Journal of Transport Information and Safety，2013，31（2）：1－5.（in Chinese）.