張旭欣 王雪松

摘 要：疲勞駕駛影響駕駛?cè)说鸟{駛能力，為道路交通安全帶來嚴(yán)重威脅。研究表明，疲勞駕駛是造成交通事故的主要原因之一，且駕駛?cè)说鸟{駛能力會(huì)隨著疲勞程度的增加而下降。本文從疲勞駕駛狀態(tài)判別、疲勞駕駛致因因素研究、疲勞駕駛安全影響分析及疲勞駕駛干預(yù)研究這四個(gè)方面對(duì)國(guó)際最新研究進(jìn)行總結(jié)，介紹目前疲勞駕駛領(lǐng)域的研究現(xiàn)狀。

關(guān)鍵詞：疲勞駕駛；駕駛行為；疲勞判別；交通事故；駕駛模擬器

Recent progress in research of drowsy driving and prevention

ZHANG Xuxin， WANG Xuesong

（Key Laboratory of Road and Traffic Engineering of the Ministry of Education， Tongji University， Shanghai 201804， China）

Abstract： Drowsy driving affects drivers driving ability and poses a serious threat to road traffic safety. Research shows that drowsy driving is one of the main causes of traffic crashes， and the driving ability of drivers will decrease with the increase of drowsiness level. This paper summarizes the latest international research from four aspects： driver drowsiness detection， drowsy driving causes， safety impact of drowsy driving and drowsy driving intervention， in order to introduce the current research status in the field of drowsy driving.

Keywords： Drowsy driving； driving behavior； drowsiness detection； traffic crash； driving simulator

疲勞駕駛是導(dǎo)致交通事故的重要原因之一。數(shù)據(jù)顯示，美國(guó)每年約有30萬起交通事故與疲勞駕駛有關(guān)，其中包括10.9萬起致傷事故以及6400起死亡事故[1]。美國(guó)汽車學(xué)會(huì)在2010年對(duì)美國(guó)駕駛?cè)诉M(jìn)行了一項(xiàng)電話調(diào)查，結(jié)果顯示41.0%的駕駛?cè)顺姓J(rèn)在駕駛過程中曾“睡著或打瞌睡”[2]。根據(jù)中國(guó)公安部交通管理局公布的數(shù)據(jù)，疲勞駕駛是2015年高速公路交通事故的主要原因，由疲勞駕駛引起的交通事故占其中的8.41%，死亡人數(shù)占6.21%[3]。

引發(fā)疲勞駕駛的主要原因包括長(zhǎng)時(shí)間注意力高度集中、缺乏睡眠、駕駛環(huán)境單一等。疲勞會(huì)增加駕駛?cè)说姆磻?yīng)時(shí)間，并降低其駕駛過程中的警覺程度[4]。在進(jìn)行長(zhǎng)時(shí)間駕駛時(shí)，駕駛?cè)巳粼隈{駛過程中缺乏刺激，則可能導(dǎo)致疲勞和危險(xiǎn)駕駛行為的發(fā)生。

國(guó)內(nèi)外關(guān)于疲勞駕駛的研究主要集中在以下四個(gè)方面：（1）疲勞駕駛狀態(tài)判別；（2）疲勞駕駛致因因素研究；（3）疲勞駕駛安全影響分析；（4）疲勞駕駛干預(yù)研究。目前，疲勞駕駛的研究方式主要利用自然駕駛數(shù)據(jù)或設(shè)計(jì)實(shí)驗(yàn)的手段對(duì)駕駛?cè)诵袨閿?shù)據(jù)進(jìn)行采集。侵入性測(cè)量方式（即采集駕駛?cè)松頂?shù)據(jù)的儀器會(huì)對(duì)駕駛行為產(chǎn)生影響，如頭戴式腦電儀等）或非侵入性測(cè)量方式（即儀器采集駕駛?cè)松頂?shù)據(jù)時(shí)不影響駕駛?cè)诵袨榧笆孢m度，如桌面式眼動(dòng)儀等）常被用于進(jìn)行駕駛?cè)松硖卣鲾?shù)據(jù)采集。在對(duì)疲勞駕駛數(shù)據(jù)分析方法方面，現(xiàn)狀研究主要利用統(tǒng)計(jì)學(xué)分析方法（如相關(guān)性分析、差異性分析以及統(tǒng)計(jì)學(xué)模型等）以及機(jī)器學(xué)習(xí)等數(shù)據(jù)挖掘算法（如隨機(jī)森林、人工神經(jīng)網(wǎng)絡(luò)、動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)等）來對(duì)數(shù)據(jù)進(jìn)行分析。

本文對(duì)近兩年在TRB會(huì)議及Accident Analysis & Prevention等交通安全類期刊中有關(guān)疲勞駕駛的內(nèi)容進(jìn)行總結(jié)，以展示當(dāng)前國(guó)際上關(guān)于疲勞駕駛研究的最新進(jìn)展。

1 疲勞駕駛狀態(tài)判別

研究疲勞駕駛的手段主要包括通過駕駛模擬器實(shí)驗(yàn)、實(shí)車實(shí)驗(yàn)以及自然駕駛等方式分析駕駛?cè)嗽谄跔顟B(tài)下的駕駛行為，并利用眼動(dòng)儀、生理儀、視頻識(shí)別或主觀問卷調(diào)查的方式來評(píng)估駕駛?cè)说钠跔顟B(tài)。

同濟(jì)大學(xué)王雪松等人[5]利用駕駛模擬器實(shí)驗(yàn)對(duì)駕駛?cè)说鸟{駛行為及眼動(dòng)特征數(shù)據(jù)進(jìn)行數(shù)據(jù)采集，結(jié)合駕駛?cè)说闹饔^疲勞等級(jí)（Karolinska Sleepiness Scale，KSS）進(jìn)行對(duì)比分析，并建立混合效應(yīng)有序Logit模型對(duì)疲勞狀態(tài)進(jìn)行判別。該模型中同時(shí)考慮了駕駛?cè)酥g的個(gè)體差異，以及疲勞隨時(shí)間逐步累積的效應(yīng)（Time Cumulative Effect，TCE）。為對(duì)比疲勞累積效應(yīng)在模型中的顯著作用，研究中同時(shí)建立了未考慮TCE的混合效應(yīng)有序Logit模型進(jìn)行對(duì)比分析。結(jié)果表明，駕駛時(shí)長(zhǎng)顯著影響駕駛?cè)似诘燃?jí)，且考慮了TCE的模型對(duì)疲勞狀態(tài)判別準(zhǔn)確率達(dá)80%以上，遠(yuǎn)高于未考慮TCE的模型精度。

Zandi等人[6]利用駕駛模擬器實(shí)驗(yàn)的方式，采集了駕駛?cè)嗽谄跔顟B(tài)下的眼動(dòng)狀態(tài)數(shù)據(jù)，包括注視、掃視、眨眼、瞳孔直徑以及眼瞼開合度（PERCLOS）等信息。該研究輔以駕駛?cè)藢?shí)時(shí)腦電（EEG）數(shù)據(jù)作為判別疲勞狀態(tài)的參考標(biāo)準(zhǔn)，來評(píng)估眼動(dòng)參數(shù)對(duì)疲勞狀態(tài)的判別準(zhǔn)確性。為探討眼動(dòng)參數(shù)的不同歷元長(zhǎng)度（epoch length）對(duì)疲勞駕駛檢測(cè)性能的影響，選取了多種歷元長(zhǎng)度進(jìn)行分析，對(duì)結(jié)果進(jìn)行了比較。此外，文中使用分類器（隨機(jī)森林、支持向量機(jī)）對(duì)駕駛?cè)似跔顟B(tài)進(jìn)行評(píng)估。結(jié)果表明，采用短歷元長(zhǎng)度（即該方法具有較高的時(shí)間分辨率和較低的檢測(cè)延遲）數(shù)據(jù)處理方法結(jié)合非侵入性測(cè)量方式，可對(duì)駕駛?cè)诉M(jìn)行有效長(zhǎng)期實(shí)時(shí)疲勞檢測(cè)。眼部特征數(shù)據(jù)可有效評(píng)估駕駛疲勞，且使用隨機(jī)森林分類器對(duì)駕駛疲勞判別的準(zhǔn)確性高達(dá)88.37%～91.18%。

艾克斯馬賽大學(xué)的Naurois等人[7]利用人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks，ANN）對(duì)駕駛?cè)说钠跔顟B(tài)進(jìn)行判別及預(yù)警。研究者通過駕駛模擬器實(shí)驗(yàn)記錄了駕駛?cè)说鸟{駛行為及生理指標(biāo)，并在模型中考慮了駕駛?cè)酥g的個(gè)體差異。文中使用了兩個(gè)不同的ANN模型，分別用于檢測(cè)駕駛?cè)嗣糠昼姷钠诔潭纫约邦A(yù)測(cè)每分鐘駕駛?cè)诉_(dá)到特定的疲勞程度（中度疲勞）需要的時(shí)間。研究者利用一組駕駛?cè)说臄?shù)據(jù)來訓(xùn)練ANN模型來提高模型的性能并將其應(yīng)用在新的個(gè)體上以檢測(cè)模型的有效性。結(jié)果表明，模型對(duì)特定駕駛?cè)藬?shù)據(jù)的適應(yīng)性在疲勞預(yù)測(cè)精度方面提高了40%，疲勞的判別精度提高了80%。該研究所用方法顯著提高了模型對(duì)特定駕駛?cè)说倪m應(yīng)性，并為解決不同駕駛?cè)嗽谄跔顟B(tài)下的個(gè)體差異提供了一個(gè)初步解決方案。

2 疲勞駕駛致因因素研究

疲勞駕駛是指在困倦或身體疲勞的狀態(tài)下駕駛，可由許多潛在原因引起，如過度嗜睡、睡眠剝奪、輪班工作引起的晝夜節(jié)律變化、疲勞、服用鎮(zhèn)靜劑藥物以及勞累時(shí)飲酒。除此之外，長(zhǎng)途駕駛時(shí)由于道路環(huán)境單一，也容易使得駕駛?cè)水a(chǎn)生疲勞的狀況。

Mahajan等人[8]通過問卷調(diào)查的方式調(diào)查了印度的三個(gè)城市中男性貨運(yùn)駕駛?cè)说墓ぷ?休息模式及其駕駛行為。當(dāng)駕駛?cè)说墓ぷ魇杖肱c駕駛?cè)粘痰姆泵Τ潭认嚓P(guān)時(shí)，往往會(huì)為駕駛?cè)藥砉ぷ鲏毫Α＿@種持續(xù)的工作壓力會(huì)促使他們違反交通規(guī)則和工作時(shí)間的規(guī)定。結(jié)果表明，被試者的危險(xiǎn)駕駛行為如違規(guī)行為、錯(cuò)誤行為等與駕駛?cè)说娜狈λ咔闆r顯著相關(guān)。此外，研究強(qiáng)調(diào)了駕駛?cè)艘蚱?、困倦或工作壓力而未能滿足休息要求時(shí)，對(duì)長(zhǎng)途貨車駕駛?cè)诉`反交通規(guī)則方面的促進(jìn)作用。根據(jù)研究模型結(jié)果，過去因違規(guī)行為受到過處罰的駕駛?cè)似湓俅芜`規(guī)的風(fēng)險(xiǎn)更大。這可能意味著現(xiàn)有懲罰措施效率低下，無法遏制普遍存在的不安全駕駛行為。

Farahmand 和Boroujerdian[9]利用駕駛模擬器探究了單調(diào)環(huán)境下不同道路幾何線形對(duì)駕駛?cè)似跔顟B(tài)的影響。實(shí)驗(yàn)中使用了三條具有不同數(shù)量水平彎道的不同道路進(jìn)行場(chǎng)景建模，見圖1。研究采集并分析了駕駛?cè)嗽谛旭傔^程中的方向盤運(yùn)動(dòng)狀態(tài)及駕駛?cè)塑嚨辣３帜芰?，以及在完成駕駛?cè)蝿?wù)前后的警覺程度。結(jié)果表明，道路設(shè)計(jì)對(duì)駕駛?cè)塑嚨辣３帜芰τ酗@著影響。更多的道路線形變化可以提高駕駛?cè)说鸟{駛性能及警惕性。因此，通過增加道路平曲線設(shè)計(jì)可以被認(rèn)為是在單調(diào)和欠載道路條件下增加駕駛?cè)诵睦碡?fù)荷的有效方法。

清華大學(xué)Li等人[10]采用問卷調(diào)查的方式對(duì)駕駛?cè)诉M(jìn)行數(shù)據(jù)采集及建模，對(duì)影響出租車駕駛?cè)似谙嚓P(guān)事故風(fēng)險(xiǎn)（Fatigue-Related Accident Risk，F(xiàn)RAR）的因素進(jìn)行探究。研究分別使用Logistic Ridge Regression（LRR）、Logistic Regression（LR）和Support Vector Machine（SVM）三種模型對(duì)數(shù)據(jù)進(jìn)行分析，發(fā)現(xiàn)LRR模型對(duì)FRAR的預(yù)測(cè)精度最高。模型結(jié)果表明，高風(fēng)險(xiǎn)出租車駕駛?cè)似浔憩F(xiàn)出工作時(shí)間長(zhǎng)、休息時(shí)間少、駕駛經(jīng)驗(yàn)少以及對(duì)自己的抗疲勞能力更有信心的特征。出租車駕駛?cè)说鸟{駛休息習(xí)慣、疲勞駕駛經(jīng)驗(yàn)和疲勞駕駛意圖是影響疲勞駕駛的關(guān)鍵因素，在很大程度上決定了疲勞駕駛行為的FRAR。調(diào)整駕駛?cè)说男菹⒘?xí)慣和與這些預(yù)測(cè)因素相關(guān)的自我評(píng)估，有助于降低高風(fēng)險(xiǎn)駕駛?cè)说氖鹿曙L(fēng)險(xiǎn)。

3 疲勞駕駛安全影響分析

在有關(guān)疲勞駕駛的安全影響研究中，研究者將探究疲勞駕駛的普遍性，以及如何降低疲勞駕駛事故風(fēng)險(xiǎn)作為側(cè)重點(diǎn)，提出相應(yīng)的有效措施來減少因疲勞駕駛所導(dǎo)致事故的發(fā)生。

弗吉尼亞理工大學(xué)Owens等人[11]利用第二項(xiàng)高速公路自然駕駛研究計(jì)劃（the Second Strategic Highway Research Plan Naturalistic Driving Study）對(duì)疲勞駕駛進(jìn)行了研究。利用在自然駕駛過程中所采集到的視頻數(shù)據(jù)對(duì)駕駛?cè)说腜ERCLOS進(jìn)行分析，判別其疲勞狀態(tài)，并分析了疲勞駕駛在日常駕駛及發(fā)生交通事故時(shí)存在的普遍性。研究中利用了與視頻錄像及時(shí)間序列數(shù)據(jù)有關(guān)的時(shí)間戳，可以精確定位與安全相關(guān)因素和事件發(fā)生的時(shí)間，以便對(duì)特定活動(dòng)和駕駛情境的風(fēng)險(xiǎn)使用流行病學(xué)方法進(jìn)行分析。該研究對(duì)駕駛?cè)嗽谂R撞時(shí)和正常駕駛期間的狀態(tài)提供了一種客觀的評(píng)估方法，避免了因駕駛?cè)瞬挥浀没虿辉敢獬姓J(rèn)其疲勞駕駛所造成的數(shù)據(jù)結(jié)果偏差，與傳統(tǒng)的疲勞駕駛風(fēng)險(xiǎn)評(píng)估方法相比體現(xiàn)出了顯著優(yōu)勢(shì)。

東南大學(xué)馬永鋒等人[12]利用實(shí)車實(shí)驗(yàn)對(duì)大型貨運(yùn)車輛駕駛?cè)说钠隈{駛進(jìn)行研究，采集駕駛?cè)说能囁?、加速度等參?shù)，并利用PERCLOS指標(biāo)對(duì)駕駛?cè)似跔顟B(tài)進(jìn)行判別，以探究駕駛?cè)税l(fā)生交通事故的風(fēng)險(xiǎn)。研究結(jié)果表明，速度和加速度可以作為評(píng)價(jià)重型卡車駕駛?cè)笋{駛性能的重要指標(biāo)。當(dāng)駕駛?cè)诉_(dá)到高疲勞水平時(shí)，其平均車速、最大及最小車速都會(huì)增加，且車速穩(wěn)定性降低。當(dāng)駕駛?cè)耸艿狡诘挠绊憰r(shí)，他們的反應(yīng)能力將會(huì)下降。如果駕駛?cè)嗽诟咂隈{駛狀態(tài)下保持高速行駛將更容易發(fā)生交通事故。此外，隨著疲勞程度的增加，加速度的均值及標(biāo)準(zhǔn)差會(huì)減小，但加速度的最大值和最小值會(huì)增加。表明駕駛?cè)嗽谄跔顟B(tài)下更容易做出緊急或劇烈的駕駛動(dòng)作，且疲勞將導(dǎo)致駕駛?cè)说姆磻?yīng)能力受損。

南阿拉巴馬大學(xué)的Kang和Rahman[13]對(duì)美國(guó)阿拉巴馬州I-65公路中的兩個(gè)包含休息區(qū)的路段設(shè)置疲勞駕駛勸告系統(tǒng)（Drowsy Driving Advisory System，DDA），分析這兩條路段在設(shè)置DDA系統(tǒng)前后的事故情況。DDA系統(tǒng)共包含三類標(biāo)志，分別為：（1）提示進(jìn)入疲勞駕駛勸告區(qū)域標(biāo)志；（2）疲勞駕駛警告標(biāo)志（如：疲勞駕駛危及生命安全）；（3）疲勞駕駛勸告標(biāo)志（如：若感到疲勞請(qǐng)及時(shí)休息）。結(jié)果表明，在設(shè)置DDA系統(tǒng)后，路段休息區(qū)交通量增加10%，且事故降低65%。設(shè)置DDA后事故率明顯降低，表明該系統(tǒng)對(duì)駕駛?cè)似鸬搅颂嵝丫镜男Ч@著降低了發(fā)生事故的風(fēng)險(xiǎn)。

韓國(guó)漢陽大學(xué)Jung等人[14]對(duì)因疲勞駕駛導(dǎo)致的高速公路事故進(jìn)行研究。為了防止因疲勞駕駛而引發(fā)的撞車事故，韓國(guó)高速公路系統(tǒng)增設(shè)了輔助休息區(qū)，使得道路使用者可以休息。這些輔助休息區(qū)是非常小的休息設(shè)施，它通常位于較大的常規(guī)休息區(qū)之間，如圖2所示。研究旨在評(píng)估輔助休息區(qū)對(duì)減少因疲勞駕駛所引發(fā)碰撞事故的影響。結(jié)果顯示，設(shè)置輔助休息區(qū)域可以減少14%的由疲勞駕駛引發(fā)的高速公路碰撞事故。

由于營(yíng)運(yùn)車輛駕駛?cè)送ǔ?huì)面臨睡眠不足、輪班影響其生理節(jié)律等問題，更容易引發(fā)疲勞駕駛。臺(tái)灣國(guó)立交通大學(xué)的吳昆峰等人[15]通過研究對(duì)城際公交車駕駛?cè)诉M(jìn)行重新排班，來降低其發(fā)生交通事故的風(fēng)險(xiǎn)。調(diào)查結(jié)果顯示，下列兩種類型的排班時(shí)間表將可能導(dǎo)致更高的事故風(fēng)險(xiǎn)：（1）連續(xù)兩天下午或凌晨班次；（2）在前一次為早晨或下午班次后安排凌晨的班次，或者在前一次下班24小時(shí)后安排凌晨的班次。為了在保持不間斷服務(wù)的同時(shí)降低交通事故風(fēng)險(xiǎn)，研究者開發(fā)了數(shù)學(xué)程序?qū)︸{駛?cè)诉M(jìn)行合理排班。算法結(jié)果表明，城際公交公司應(yīng)避免駕駛?cè)诉B續(xù)兩天均在下午或凌晨駕駛，且應(yīng)安排夜班駕駛?cè)嗽谙噜弮蓚€(gè)工作班次之間休息24小時(shí)以上。這種通過避免高碰撞事故風(fēng)險(xiǎn)的工作班次組合安排可以減少高達(dá)30%的碰撞事故。

4 疲勞駕駛干預(yù)研究

針對(duì)疲勞駕駛的干預(yù)措施研究主要從預(yù)防及預(yù)警兩個(gè)方面進(jìn)行干預(yù)。主動(dòng)預(yù)防措施包括對(duì)駕駛?cè)诉M(jìn)行安全教育以及服用含咖啡因等產(chǎn)品進(jìn)行干預(yù)。而疲勞預(yù)警則是在車內(nèi)對(duì)駕駛?cè)藦穆犛X、視覺及觸覺等方面進(jìn)行疲勞干預(yù)。

澳大利亞的Aidman等人[16]使用駕駛模擬器實(shí)驗(yàn)，對(duì)駕駛?cè)嗽趶?qiáng)制50小時(shí)無休息后的駕駛行為進(jìn)行記錄。駕駛?cè)吮浑S機(jī)分為兩組，一組使用含咖啡因的口香糖作為實(shí)驗(yàn)組，另一組使用不含咖啡因的口香糖作為對(duì)照組。該研究探究了駕駛?cè)嗽诜e累睡眠損失的情況下，通過重復(fù)多次咀嚼口香糖來攝入咖啡因?qū)ζ诤婉{駛表現(xiàn)的影響。結(jié)果表明，通過每隔2小時(shí)咀嚼口香糖重復(fù)攝入200毫克咖啡因，不僅可以減少困倦感，還可以顯著降低疲勞對(duì)駕駛失誤的影響，從而減小因疲勞導(dǎo)致的駕駛性能受損。

奧斯丁健康中心的Alvaro等人[17]通過對(duì)青年駕駛?cè)诉M(jìn)行教育干預(yù)，將34名參與者（18-26歲）隨機(jī)分為兩組，一組接受為期四周的關(guān)于睡眠和駕駛的教育，內(nèi)容包括與疲勞相關(guān)的科學(xué)內(nèi)容（什么是疲勞、充足睡眠的定義、睡眠疾病及人體節(jié)律與了解自己的生物鐘）、疲勞對(duì)駕駛的影響、如何避免疲勞駕駛；另一組接受與疲勞駕駛內(nèi)容無關(guān)的對(duì)照條件的教育。在為期四周的教育計(jì)劃前后，研究人員對(duì)影響駕駛?cè)怂吆婉{駛的因素進(jìn)行了一系列問卷調(diào)查。且被試者需要在保持清醒17小時(shí)后于凌晨1點(diǎn)完成一項(xiàng)2小時(shí)的駕駛模擬器任務(wù)，以評(píng)估其對(duì)駕駛行為的影響。結(jié)果表明，對(duì)青年駕駛?cè)诉M(jìn)行關(guān)于睡眠和駕駛的教育可提高駕駛?cè)怂庖庾R(shí)，且可以降低青年駕駛?cè)顺霈F(xiàn)疲勞駕駛及相關(guān)事故的風(fēng)險(xiǎn)。

在疲勞駕駛預(yù)警方面，愛荷華大學(xué)Gaspar等人[18]通過設(shè)計(jì)駕駛模擬器實(shí)驗(yàn)（如圖3所示），根據(jù)駕駛?cè)俗⒁曃恢锰骄苛瞬煌跋蚺鲎差A(yù)警（Forward collision warnings，F(xiàn)CW）對(duì)中至重度疲勞駕駛?cè)说念A(yù)警有效性。在前方出現(xiàn)靜止車輛并且此時(shí)主車即將發(fā)生碰撞的情況下，設(shè)置了三種警告條件：聽覺警告、座椅振動(dòng)警告及無警告。結(jié)果表明，僅當(dāng)疲勞駕駛?cè)嗽谇跋蚺鲎彩录_始時(shí)處于閉眼或低頭的狀態(tài)時(shí)，F(xiàn)CW能有效提高疲勞駕駛?cè)说姆磻?yīng)能力。

目前市場(chǎng)上有關(guān)疲勞駕駛預(yù)警系統(tǒng)的裝置主要通過對(duì)駕駛?cè)诉M(jìn)行生理信號(hào)（如駕駛?cè)嗣娌刻卣鞯龋┮约胺巧硇盘?hào)（如駕駛行為數(shù)據(jù)等）的采集、分析和處理，來判斷駕駛?cè)水?dāng)前的疲勞狀態(tài)。此外，圖像處理技術(shù)也常被應(yīng)用于疲勞駕駛預(yù)警系統(tǒng)設(shè)計(jì)?；趫D像處理的疲勞駕駛預(yù)警系統(tǒng)通常包含四個(gè)模塊：圖像采集模塊、圖像處理模塊、中央處理器以及報(bào)警顯示模塊。通過對(duì)駕駛?cè)嗣娌刻卣鳌⒀蹌?dòng)特征等進(jìn)行不間斷采集，并對(duì)圖像進(jìn)行數(shù)字化及降噪等處理，傳輸至中央處理器利用圖像處理算法不斷優(yōu)化結(jié)果，最終輸出結(jié)果并通過指示燈、聲音或振動(dòng)等方式進(jìn)行疲勞駕駛預(yù)警。

5 總結(jié)

本文總結(jié)了近兩年TRB年會(huì)及Accident Analysis & Prevention等交通安全類期刊中有關(guān)駕駛疲勞的研究進(jìn)展，梳理了國(guó)際上關(guān)于駕駛疲勞的研究?jī)?nèi)容、研究方法及研究結(jié)果。目前疲勞駕駛研究領(lǐng)域的最新文獻(xiàn)主要圍繞交通安全、駕駛行為、醫(yī)學(xué)等方面進(jìn)行開展，且在疲勞的檢測(cè)判別方面有較為豐富的研究成果。

但目前研究中所涉及的判別模型其精度均具有一定程度的限制，如何提高模型對(duì)駕駛?cè)似跔顟B(tài)的判別準(zhǔn)確性是未來研究需要更進(jìn)一步探究的內(nèi)容。在對(duì)于疲勞駕駛的研究手段上，自然駕駛數(shù)據(jù)是最為精準(zhǔn)可以反應(yīng)駕駛?cè)诵袨榈囊环N方式。但如何對(duì)自然駕駛數(shù)據(jù)中的駕駛?cè)说钠跔顟B(tài)進(jìn)行有效識(shí)別，發(fā)現(xiàn)其疲勞狀態(tài)下的行為規(guī)律，從而進(jìn)行更有針對(duì)性的預(yù)警是未來研究中可以探究的方向。

對(duì)于疲勞等級(jí)的劃分標(biāo)準(zhǔn)目前尚未有成熟的參考依據(jù)，如何對(duì)疲勞等級(jí)進(jìn)行更加精確的劃分也是未來研究中值得繼續(xù)探索的內(nèi)容。此外，在Level 5的自動(dòng)駕駛尚未完全實(shí)現(xiàn)前，在自動(dòng)駕駛車輛需要駕駛?cè)私庸艿臈l件下，如何對(duì)接管狀態(tài)下駕駛?cè)说钠隈{駛進(jìn)行有效地干預(yù)同樣值得思考。

參考文獻(xiàn)

[1] Tefft B C. Prevalence of Motor Vehicle Crashes Involving Drowsy Drivers， United States， 2009～2013. Washington， DC： AAA Foundation for Traffic Safety； 2014.

[2] Tefft B C. Asleep at the Wheel： The Prevalence and Impact of Drowsy Driving[J]. Drivers， 2010， 279（7）：80.

[3] 公安部交通管理局. 中華人民共和國(guó)道路交通事故統(tǒng)計(jì)年報(bào)（2015年度）. 公安部交通管理科學(xué)研究所，無錫， 2016.

[4] Young T， Blustein J， Finn L， et al. SleepDisordered Breathing and Motor Vehicle Accidents in A Population-Based Sample of Employed Adults[J]. Sleep， 1997， 20： 608-613.

[5] Zhang X， Yang X， Wang X， et al. Driver Drowsiness Detection Using Mixed-Effect Ordered Logit Model Considering Time Cumulative Effect[C]. // Proceedings of 98th Annual Meeting of the Transportation Research Board. Washington： Transportation Research Board， 2019.

[6] Zandi A S， Quddus A， Prest L， et al. NonIntrusive Detection of Drowsy Driving Based on Eye Tracking Data[C]. //Proceedings of 98th Annual Meeting of the Transportation Research Board. Washington： Transportation Research Board， 2019.

[7] Nauroisa C J， Bourdina C， Bougard C， et al. Adapting Artificial Neural Networks to a Specific Driver Enhances Detection and Prediction of Drowsiness[J]. Accident Analysis & Prevention， 2018， 121：118-128.

[8] Mahajan K， Velaga N， Kumar A， et al. Traffic Violations Among Truck Drivers Due to Fatigue and Sleepiness[C]. //Proceedings of 98th Annual Meeting of the Transportation Research Board. Washington： Transportation Research Board， 2019.

[9] Farahmand B， Boroujerdian A M. Effect of Road Geometry on Driver Fatigue in Monotonous Environments： A Simulator Study[J]. Transportation Research Part F： Traffic Psychology and Behaviour， 2018， 58： 640-651.

[10] Li M， Yu J， Ma L， et al. Modeling and Mitigating Fatigue-related Accident Risk of Taxi Drivers[J]. Accident Analysis & Prevention， 2019， 123：79-87.

[11] Owens J， Dingus T， Guo F， et al. Estimating the Prevalence and Crash Risk of Drowsy Driving Using Data from a Large-Scale Naturalistic Driving Study[C]. // Proceedings of 97th Annual Meeting of the Transportation Research Board. Washington： Transportation Research Board， 2018.

[12] Ma Y， Zhang C， Yan Q， et al. The Impact of Fatigue Driving on Heavy-Duty Truck Driver Driving Performance[C]. //Proceedings of 98th Annual Meeting of the Transportation Research Board. Washington： Transportation Research Board， 2019.

[13] Kang M， Rahman M. Drowsy Driving Advisory System： Alabama Case Study[C]. //Proceedings of 98th Annual Meeting of the Transportation Research Board. Washington： Transportation Research Board， 2019.

[14] Jung S， Joo S， Oh C. Evaluating the effects of supplemental rest areas on freeway crashes caused by drowsy driving[J]. Accident Analysis & Prevention， 2017， 99（part_PA）：356-363.

[15] Wang S Y， Wu K F. Reducing intercity bus crashes through driver rescheduling[J]. Accident Analysis& Prevention， 2019， 122：25-35.

[16] Aidman E， Johnson K， Paech G.M.， et al. Caffeine Reduces the Impact of Drowsiness on Driving Errors[J]. Transportation Research Part F： Traffic Psychology and Behaviour， 2018， 54： 236-247.

[17] Alvaro P K， Burnett N M， Kennedy G A， et al. Driver education： Enhancing knowledge of sleep， fatigue and risky behaviour to improve decision making in young drivers[J]. Accident Analysis & Prevention， 2018， 112：77-83.

[18] Gaspar J G， Schwarz J C W， Brown T L， et al. Gaze position modulates the effectiveness of forward collision warnings for drowsy drivers[J]. Accident Analysis& Prevention， 2017： S0001457517304529.