范沁紅，江星辰，楊剛俊，田保珍，武學(xué)良，聶 敏

(1.太原科技大學(xué) 機械工程學(xué)院，太原 030024；2.中車大同電力機車有限公司，山西 大同 037038)

隨著科技的進步與發(fā)展，用于評價測試駕駛操作疲勞風(fēng)險的研究方法也取得了較大的進步，這意味著研究人員對駕駛員的心理和生理狀態(tài)有了更深刻的認(rèn)識，從而能夠通過制定相應(yīng)的對策以減少或避免交通事故的發(fā)生，同時也能有效地管理和預(yù)防駕駛員患上職業(yè)病。檢測疲勞比治愈疲勞更重要，因為檢測后治療更容易[1]。因此，開展駕駛操作疲勞評價測試相關(guān)的研究與探討非常必要。

1 駕駛操作疲勞的表現(xiàn)

疲勞駕駛在交通事故中扮演著重要的角色，甚至在一定程度上影響著交通事故的嚴(yán)重程度，同時常見的職業(yè)病，如頸椎病、肩周炎、骨質(zhì)增生等也與疲勞駕駛有關(guān)。只有基于對駕駛員疲勞癥狀的主觀體驗的充分了解，保護駕駛員不受疲勞影響的對策才會成功[2]。焦慮和消極情緒狀態(tài)等心理特征會影響駕駛員疲勞，有研究表明性格和性情可能會對疲勞狀態(tài)產(chǎn)生不同程度的影響[3]。

在長時間駕駛過程中，根據(jù)車輛類型的不同，駕駛操作行為的難度及操作頻率也不盡相同，如機車駕駛員在加速到規(guī)定速度后可能存在較長時間的等待期，才會有下一步的動作，而駕駛汽車則需要駕駛員保持高度的警惕，對道路環(huán)境及車流量的變化進行判斷，及時調(diào)整車速或行駛方向，操作頻率明顯較高。通過腦電圖(electroencephalogram，EEG)、眼電圖(electro-oculogram，EOG)和心率(heart rate，HR)變量可了解駕駛操作疲勞是從正常駕駛、高精神負(fù)荷到最終精神疲勞和嗜睡的過渡過程，其中存在一個連貫的變化序列。特別是在高精神負(fù)荷時，腦電圖的θ波段功率增加，α波段功率降低[4]。此外，卡內(nèi)基梅隆研究所經(jīng)過反復(fù)實驗和論證，提出了度量疲勞的物理量——眼瞼閉合比(percentage of eyelid closure over the pupil over time,PERCLOS).它是根據(jù)眼瞼遮住瞳孔面積的比例來判斷眼睛是否閉合。

因此，生理特征和心理特征能夠反映駕駛員真實的心理狀態(tài)，一般可以分為主觀和客觀兩種判斷疲勞的主要測試方法，為評測駕駛操作疲勞風(fēng)險提供可靠的依據(jù)。雖然有了這些評測方法，但是如何根據(jù)這些方法獲取并處理這些特征變量顯得更為重要，這將直接決定評估駕駛操作疲勞風(fēng)險的準(zhǔn)確程度。

2 駕駛操作疲勞的研究現(xiàn)狀

近年來，國內(nèi)外學(xué)者對該領(lǐng)域的研究有不少，涉及到汽車、機車、卡車、公共汽車、飛機等多種交通運輸工具及工程車輛，但大部分研究都只側(cè)重于從單一的角度出發(fā)，進行駕駛操作疲勞評價測試。本文將測試方法按主客觀角度分為主觀判斷疲勞評價測試和客觀判斷疲勞評價測試。文獻來源于文獻數(shù)據(jù)庫(Web of Science,SicenceDirect,中國知網(wǎng))中收錄的文獻，共有3種檢索方式，分別為[標(biāo)題:(driver)AND標(biāo)題:(fatigue)]；[標(biāo)題:(pilot)AND標(biāo)題:(fatigue)]；[標(biāo)題:(fatigue)AND標(biāo)題:(detection)]，年份不限。對檢索結(jié)果進行分類并做統(tǒng)計學(xué)分析，如圖1所示。

圖1 文獻的類型及數(shù)量Fig.1 Type and quantity of literature

從圖1中可知，目前文獻數(shù)量最多的一類是EEG.客觀上由于EEG具有非侵入性，由它得到的數(shù)據(jù)受駕駛員主觀因素的影響較小，技術(shù)比較成熟，主觀上與科研院校的設(shè)備投入有關(guān)，大部分實驗中所使用的腦電設(shè)備為60導(dǎo)聯(lián)腦電圖機、64導(dǎo)Ag/AgCl電極帽、32位導(dǎo)聯(lián)電極帽等，美國Neuroscan公司生產(chǎn)，采樣頻率為1 000 Hz，測試性能較好，因而EEG得到了較高的關(guān)注。其次，關(guān)注度較高的是面部識別及特征提取。隨著5G時代的到來，機器學(xué)習(xí)技術(shù)得到了較大的發(fā)展，研究人員可以通過計算機視覺技術(shù)獲取駕駛員的圖像，并能夠根據(jù)算法來實時分析駕駛員的面部特征，進而判斷駕駛員的精神狀態(tài)，有較高的準(zhǔn)確率。

3 主觀判斷疲勞評價測試

3.1 問卷調(diào)查與自評量表

問卷調(diào)查與自評量表是與受試者直接進行信息獲取的媒介，在主觀評價方面運用較為廣泛。通過實時觀察、問卷調(diào)查、隨機抽查司機的方法，JIANG et al[5]發(fā)現(xiàn)主觀規(guī)范、感知行為控制和意圖對疲勞駕駛的自我報告有顯著影響。KWON et al[6]得到駕駛風(fēng)險與職業(yè)司機的高疲勞感、每日工作時長等因素有關(guān)。此外，BENER et al[7]通過曼徹斯特駕駛行為問卷(driving behaviour questionnaire，DBQ)調(diào)查證實，慢性疲勞、急性嗜睡和粗心駕駛行為可能會顯著增加道路碰撞的風(fēng)險，從而導(dǎo)致嚴(yán)重的傷害。NOUGHABI et al[8]通過問卷討論確定了影響重型車輛駕駛員疲勞和嗜睡程度的因素，并對其影響程度進行了評價，最終采用統(tǒng)計分析和相似度排序技術(shù)對其影響程度進行排序。

PHATRABUDDHA et al[9]通過斯坦福睡眠量表和格羅寧根睡眠質(zhì)量量表收集睡眠剝奪的數(shù)據(jù)，調(diào)查了化學(xué)品運輸司機的睡眠不足和疲勞狀況，得出睡眠質(zhì)量和睡眠時間會影響駕駛員的疲勞程度。USECHE et al[10]讓受試者參與了一個綜合調(diào)查，其中包括BRT駕駛員駕駛行為問卷(DBQ)的改編版，以及努力-獎勵不平衡和工作內(nèi)容問卷，個人強度目錄(CIS)的主觀疲勞子量表和工作恢復(fù)需求量表(need for recovery after work scale，NFR)，得到BRT駕駛員的危險駕駛行為可以通過工作壓力、努力-回報不平衡和工作中的社會支持來預(yù)測。沈陽工業(yè)大學(xué)的杜振君[11]根據(jù)日本能率學(xué)會的《疲勞癥狀自評量表》設(shè)計了叉車司機疲勞主觀感受調(diào)查問卷，對叉車司機作業(yè)疲勞程度進行主觀調(diào)查，實現(xiàn)了叉車司機作業(yè)疲勞狀態(tài)的主觀測定。

3.2 觀察、報告及討論

觀察、報告及討論等測試方法受被試主觀判斷能力的影響，因此在進行疲勞測試研究時有一定的局限性，關(guān)注度較低。其中的代表性研究有：LEE et al[12]通過對飛行員進行訪談了解到飛行方向、機組調(diào)度、伙伴關(guān)系、飛機環(huán)境、工作分配、種族差異和酒店環(huán)境等因素會影響身體疲勞。FILTNESS et al[13]從澳大利亞和新西蘭的8個旅客鐵路客運組織中挑選了28名司機，形成各自的焦點小組進行討論，然后將對話進行整理，分析比較，最后得出結(jié)論，但是由于被試在討論過程中的對話不完整，不全面，甚至有所保留，導(dǎo)致結(jié)論的真實性有待考量。

WILLIAMSON et al[14]隨機招募了90名司機，進入到駕駛模擬器中進行2 h的模擬駕駛，并給每位司機佩戴活動記錄儀，記錄下用于統(tǒng)計學(xué)分析的數(shù)據(jù)，用于調(diào)查司機在多大程度上可以獲得關(guān)于他們當(dāng)前困倦狀態(tài)的認(rèn)知信息：入睡的可能性，對駕駛表現(xiàn)的影響及撞車的可能性。調(diào)查結(jié)果表明，司機可以充分察覺到他們困倦程度的變化，從而做出因困倦而停止駕駛的安全決定。

3.3 主觀評估模型

問卷調(diào)查和自評量表以及觀察、報告、討論是針對一個問題進行研究和分析的過程，而建立評價模型可以解決一類問題，相對來說，可用性較強，評價效果的有效性與真實性也較好。因此，也有部分學(xué)者通過建立駕駛疲勞評估模型來評估駕駛疲勞的程度。

針對駕駛疲勞致因的多元性和動態(tài)性，李響等[15]提出了一種鐵路機車司機疲勞風(fēng)險多指標(biāo)動態(tài)評價方法，借助改進層次分析法(IAHP)建立綜合評價模型,進而實現(xiàn)機車司機在不同作業(yè)時段下疲勞風(fēng)險的動態(tài)量化評價。CHENG et al[16]應(yīng)用Rasch模型測量感知能力，并設(shè)計問卷來了解司機的主觀感受。MOLLICONE et al[17]使用生物數(shù)學(xué)模型評估司機疲勞程度，根據(jù)駕駛操作的相關(guān)措施來量化司機疲勞與安全之間的關(guān)系。LI et al[18]采用建模的方法對北京出租車司機的問卷數(shù)據(jù)進行分析，找出與出租車司機疲勞駕駛相關(guān)的最重要因素，并探討這些因素與出租車司機疲勞駕駛風(fēng)險之間的關(guān)系。

4 客觀判斷疲勞評價測試

客觀判斷疲勞檢測技術(shù)的比較，如表1所示。其按行為類別可以分為駕駛行為和駕駛員行為。駕駛行為一般包括加速、減速、剎車、轉(zhuǎn)向以及車道保持等，通過采集并分析駕駛員在駕駛過程中與駕駛操作相關(guān)的一系列指標(biāo)建立評價模型，從而對駕駛員是否疲勞做出客觀評價。

隨著時代的發(fā)展，馬克思主義思想中的生態(tài)哲學(xué)愈來愈得到人們的重視。曾繁仁的生態(tài)美學(xué)思想就是繼承發(fā)展了馬克思恩格斯唯物實踐存在論中的生態(tài)理論。通過對馬克思恩格斯創(chuàng)立的實踐觀的研究，證明了其是一種富有革命精神的生態(tài)人文主義，具有濃郁的生態(tài)內(nèi)涵，因此我們把它作為現(xiàn)階段建設(shè)生態(tài)觀和生態(tài)審美觀的理論基礎(chǔ)是完全可行的。

表1 疲勞檢測技術(shù)的比較[19]Table 1 Comparison of fatigue detection techniques[19]

駕駛員行為又分為基于生理特征的方法和基于視覺特征的方法?；谏硖卣鞯姆椒ㄊ峭ㄟ^實驗設(shè)備檢測駕駛員的生理信號，如腦電、肌電、眼電、心電等，來判斷駕駛員是否疲勞。此外打哈欠、點頭、眼球運動等駕駛員行為作為視覺特征提取的數(shù)據(jù)源，也能用來評價駕駛員的疲勞水平。

4.1 基于車輛的駕駛操作疲勞研究

研究人員通過駕駛行為，結(jié)合傳感器實時獲取

車輛的一些基本信息，比如轉(zhuǎn)向盤轉(zhuǎn)動角度，油門踏板位置等信號，來檢測駕駛員疲勞狀態(tài)。黃皓[20]通過駕駛員正常狀態(tài)和疲勞駕駛時的操作特征以及車輛狀態(tài)，開展了疲勞駕駛狀態(tài)識別的算法研究。

蔣鵬民等[21]提出一種基于轉(zhuǎn)向盤圖像的駕駛員疲勞檢測方法，利用攝像頭實時采集轉(zhuǎn)向盤圖像，經(jīng)過處理得到轉(zhuǎn)向盤轉(zhuǎn)角。劉軍等[22]提出了基于轉(zhuǎn)向盤轉(zhuǎn)角的疲勞駕駛檢測方法，利用角度傳感器MLX90316采集轉(zhuǎn)向盤轉(zhuǎn)角數(shù)據(jù)，并提取出了能描述駕駛員疲勞狀態(tài)的角度標(biāo)準(zhǔn)差和靜止百分比，根據(jù)角度標(biāo)準(zhǔn)差和靜止百分比建立疲勞狀態(tài)判別模型，對駕駛員疲勞狀態(tài)進行檢測。

4.2 基于EEG的研究

EEG是目前關(guān)于駕駛操作疲勞研究的熱點，多數(shù)研究是圍繞獲取受試者腦電圖的信號來展開的。羅旭等[23]提出一種基于小波變換與BP人工神經(jīng)網(wǎng)絡(luò)的自發(fā)腦電信號分類方法。劉天嬌等[24]基于腦電(EEG)數(shù)據(jù)功率譜開發(fā)了高速公路駕駛疲勞預(yù)警系統(tǒng)，探索駕駛員主動疲勞與腦電指標(biāo)之間的關(guān)系。CHAI et al[25]提出了一種基于兩級腦電圖(EEG)的分類方法，用于對駕駛疲勞(疲勞狀態(tài)與警戒狀態(tài))進行分類?；诙嗤ǖ滥X電圖信號的時空結(jié)構(gòu)，GAO et al[26]提出了一種基于腦電圖時空卷積神經(jīng)網(wǎng)絡(luò)(EEG-based spatial-temporal convolutional neural network，ESTCNN)的駕駛員疲勞檢測方法，主試視角下的實驗場景如圖2所示。結(jié)果表明ESTCNN的分類準(zhǔn)確率達到了97.37%.

圖2 主試視角下的實驗場景[26]Fig.2 Experimental scene from a researcher’s perspective[26]

CHAUDHURI et al[27]利用混沌熵研究了腦電信號的不穩(wěn)定性，從頭皮腦電圖信號中提取皮層源，進行駕駛員疲勞檢測，并對混沌熵變化的性質(zhì)進行了多次觀測，獲得了高達86%的分類精度。HU[28]采用模糊熵(fuzzy entropy，F(xiàn)E)、樣本熵(sample entropy，SE)、近似熵(approximate entropy，AE)、譜熵(spectral entropy，PE)特征與AdaBoost分類器相結(jié)合的方法研究基于腦電圖的駕駛員疲勞。該方法對駕駛員疲勞事件具有很高的分類精度。閔建亮等[29]提出基于前額腦電(EEG)信號多尺度小波對數(shù)能量熵的駕駛疲勞檢測方法，結(jié)果表明，前額EEG的小波對數(shù)能量熵可以作為衡量駕駛疲勞的有效生理指標(biāo)。HU et al[30]基于單通道的腦電信號將4種類型的熵(包括樣本熵、模糊熵、近似熵和譜熵)作為梯度增強決策樹(gradient boosting decision tree，GBDT)的輸入，根據(jù)GBDT的輸出來判斷駕駛員是否處于疲勞狀態(tài)。

CAI et al[31]開發(fā)了一種新的多路有限穿透水平可視圖(multiplex limited penetrable horizontal visibility graph，Multiplex LPHVG)方法，不僅可以檢測疲勞駕駛，還可以探測大腦疲勞行為。此外，還能利用不同受試者在警戒和疲勞駕駛狀態(tài)下執(zhí)行模擬駕駛?cè)蝿?wù)時所記錄的腦電圖信號來構(gòu)建大腦網(wǎng)絡(luò)，最后高精度的分類結(jié)果證明了多路LPHVG法對腦電信號疲勞檢測的有效性。韓霜[32]通過對飛行員在CRJ-200模擬駕駛艙內(nèi)進行的模擬實驗所得的腦電波信號以及飛行員飛行過程中的生理狀況進行分析，提出了基于飛行員腦電波信號來分析與監(jiān)測飛行員疲勞狀況的深度學(xué)習(xí)網(wǎng)絡(luò)模型。

4.3 基于EMG、ECG和EOG的研究

肌電、心電及眼電信號也可以用來研究駕駛員的駕駛操作疲勞，但在測量時往往容易相互干擾，如果不能過濾掉其他信號，將會對實驗結(jié)果產(chǎn)生一定的影響。MURUGAN et al[33]通過監(jiān)測駕駛員的生理(ECG)信息來檢測和分析駕駛員的狀態(tài)。ECG是一種非侵入性信號，可以讀取心率和心率變異性(HRV).PARK et al[34]通過測量振動前后受試者的肌電圖(EMG)信號來分析肌肉疲勞。葉成文[35]提出了一種利用心電、肌電信號檢測汽車駕駛疲勞的方法，運用學(xué)習(xí)向量量化神經(jīng)網(wǎng)絡(luò)建立心電、肌電生理信號特征參數(shù)與駕駛疲勞程度的映射模型，并進行實例驗證模型的有效性，還使用了K-fold方法對系統(tǒng)進行優(yōu)化。

HUANG et al[36]利用生理學(xué)方法測量駕駛員的工作負(fù)荷和疲勞，首先選取經(jīng)驗豐富的健康地鐵司機為研究對象，讓司機執(zhí)行正常的工作計劃，同時用心電圖記錄來評估他們的疲勞程度。最后心電頻譜分析結(jié)果顯示，駕駛員夜間疲勞出現(xiàn)的時間要早于白班。為了有效判別駕駛員的疲勞狀態(tài)，王琳等[37]結(jié)合生物力學(xué)分析提取了駕駛過程中的頸腰部肌電信號EMG和頭部腦電信號EEG，并分析其特征參數(shù)在駕駛過程中的變化規(guī)律。

4.4 基于PERCLOS的研究

PERCLOS(眼瞼閉合比)是一種非接觸式的檢測方法，能根據(jù)駕駛員在一定時間內(nèi)眼睛開合的程度來預(yù)估駕駛操作疲勞的程度。ZHOU et al[38]利用了PERCLOS作為駕駛員疲勞的依據(jù)，研究在高度自動化駕駛中疲勞過渡預(yù)測的準(zhǔn)確性，結(jié)果表明在兩種類型的模型中得到的測量值分別為97.4%和99.1%，該方法有一定的潛力。

王磊宇等[39]在原有的眨眼時間均值指標(biāo)的基礎(chǔ)上，提出瞳孔直徑包絡(luò)值指標(biāo)，并與原有的眨眼時間均值指標(biāo)進行實驗驗證分析，進而判斷駕駛員的疲勞狀況。陳翔等[40]設(shè)計了一種基于飛行員眼睛狀態(tài)識別的飛行員疲勞實時監(jiān)測方案。方案采用PERCLOS方法進行疲勞檢測，并設(shè)計出兩種不同的警告方式，以達到保證飛行安全的目的。王劍楠等[41]利用改進的平均合成濾波器算法定位人眼，根據(jù)模糊綜合評價思想，判定人眼睜開閉合狀態(tài)，并根據(jù)PERCLOS疲勞檢測方法對飛行員進行疲勞監(jiān)測。

4.5 基于面部識別技術(shù)的研究

目前已經(jīng)有相當(dāng)多的學(xué)者認(rèn)為駕駛員疲勞的表現(xiàn)通常與打哈欠、眨眼等動作有關(guān)，而面部識別技術(shù)通過算法能精準(zhǔn)定位駕駛員眼部和嘴巴的位置，這對研究駕駛員疲勞有著非常重要的意義。NAZ et al[42]從安裝在車內(nèi)的攝像機所捕獲的視頻中，使用Viola-Jones算法對眼睛進行定位，眼睛的狀態(tài)分為睜眼和閉眼，用3種不同分類方法(平均強度，SVM，SIFT)進行分類比較，實驗表明，尺度不變特征變換(scale invariant feature transform，SIFT)優(yōu)于平均強度和支持向量機(support vector machine，SVM).在包含5個視頻(每個視頻時長為2 min)的數(shù)據(jù)集上，平均準(zhǔn)確率達到97.45%.劉明周等[43]采用基于膚色檢測的Adaboost算法提取面部以及手部的感興趣區(qū)域。試驗數(shù)據(jù)表明，該方法能夠克服光照、背景、角度以及個體差異的影響，且疲勞檢測的正確識別率達到99.64%. FATIMA et al[19]提出了人臉和眼睛檢測算法，這有助于準(zhǔn)確地檢測人臉和眼睛，首先檢測駕駛員的臉部和右眼，然后進行眼狀態(tài)分類，結(jié)果表明該方法對人臉和人眼的檢測分別給出了99.9%和98.7%的精確結(jié)果。

LIU et al[44]提出了一種基于深度學(xué)習(xí)面部表情分析的疲勞檢測算法，提高了駕駛員疲勞檢測的準(zhǔn)確性和及時性，該算法能夠快速準(zhǔn)確地檢測駕駛員的疲勞程度。HEMANTKUMAR et al[45]提出了一種檢測車輛駕駛員是否處于打哈欠狀態(tài)的算法，該方法有助于將張嘴的圖像和閉嘴的圖像分離出來，結(jié)果表明開口檢測的效率為98%，閉口檢測的效率為94%. CYGANEK et al[46]提出了一種基于人眼識別的駕駛員疲勞、困倦和注意力不集中狀態(tài)的混合視覺監(jiān)控系統(tǒng)，該方法具有較高的識別精度和實時性。在實驗室條件下對不同頭部位置的識別示例，如圖3所示。

圖3 在實驗室條件下對不同頭部位置的識別示例[46]Fig.3 Examples of recognitions in laboratory conditions for different positions of head[46]

CHENG et al[47]提出了一種綜合的方法來探索駕駛員的面部標(biāo)志序列是否從警戒狀態(tài)變?yōu)槠跔顟B(tài)，設(shè)計并進行了基于駕駛模擬器的實驗，研究根據(jù)面部特征計算眼寬比(耳寬比)和嘴寬比序列來檢測司機精神疲勞的可能性，結(jié)果表明，這些特征數(shù)據(jù)可作為疲勞檢測的可靠指標(biāo)。KHAN et al[48]利用離散小波變換將輸入圖像轉(zhuǎn)換成4個子帶圖像，然后利用離散余弦變換以之字形方式選取高方差特征，最后對分類器進行訓(xùn)練和測試，結(jié)果表明該框架不僅有效地利用了多尺度圖像，而且在分類準(zhǔn)確率方面也優(yōu)于其他同類技術(shù)。耿磊等[49]使用紅外采集設(shè)備對駕駛員面部圖像進行采集，通過結(jié)合AdaBoost與相關(guān)濾波器算法進行人臉檢測及跟蹤。實驗結(jié)果表明，該方法在多種情況下均能準(zhǔn)確地檢測眼睛和嘴部狀態(tài)，可有效地進行疲勞檢測。盧偉等[50]通過主成分分析-膚色模型(principal component analysis-skin color model，PCA-SCM)人臉特征識別定位算法和基于人臉核心特征庫及膚色模型的人臉識別算法進行駕駛員面部的識別定位。

4.6 小結(jié)

綜上所述，主觀評價的優(yōu)點在于結(jié)果較為直觀，具有代表性，缺陷在于對被試的依賴度較高且易受個體間差異性的影響；客觀評價的優(yōu)點在于數(shù)據(jù)真實可靠，缺點在于儀器設(shè)備成本較高。

基于客觀角度判斷駕駛操作疲勞的一些代表性研究，如表2所示。從這些研究可以看出，實驗環(huán)境以實驗室和現(xiàn)場實驗為主，實驗室條件下，可以進行不同變量的設(shè)計與選取，可以滿足不同的研究需求，但現(xiàn)場實驗更真實，可以減少外部環(huán)境因素對實驗造成的偏差，因此研究結(jié)論更具說服力。一般情形下，誘發(fā)疲勞的因素為單調(diào)或連續(xù)駕駛，所采集的數(shù)據(jù)類型主要包括EEG和面部識別，說明兩者的效度和信度較高，得到了較為廣泛的認(rèn)可。未來駕駛員疲勞水平的評價測試需要結(jié)合主客觀角度進行分析，才能在最大程度上保證評估的有效性與真實性。

表2 駕駛操作疲勞的一些代表性研究Table 2 Representative studies on driving fatigue

5 研究存在的問題及展望

駕駛操作疲勞評價測試方法被廣泛應(yīng)用在汽車、列車、卡車、公共汽車、飛機等多種交通運輸工具及工程車輛領(lǐng)域，不論是從主觀角度，還是客觀角度出發(fā)，大量的研究表明了解受試者真實的生理和精神狀態(tài)，是有效避免交通事故發(fā)生和預(yù)防駕駛員職業(yè)病的重要途徑。然而，研究中仍然存在一些問題有待解決，腦電信號的測量極易受可穿戴設(shè)備的不穩(wěn)定性影響，且實驗成本相對較高，購買實驗設(shè)備需要大量的資金投入。面部識別技術(shù)的檢測范圍有限，如果受試者頭部偏離出甚至完全超出檢測范圍，圖像獲取將存在較大的難度。此外，噪聲、光照效應(yīng)等因素都可能影響面部識別系統(tǒng)的性能。實驗測得的生理數(shù)據(jù)，如EMG、ECG等信號容易受到干擾，穩(wěn)定性較差且由于自身的非線性特性，特征提取存在一定的困難。生理特征的測量易受個體間差異影響，進而導(dǎo)致提出的評價測試方法或評估模型泛化能力不強，只有特定的個體才能得出理想的實驗結(jié)果。

因此，未來的研究可以從四個方面著手進行：

1) 提高腦電設(shè)備數(shù)據(jù)獲取的穩(wěn)定性，從實驗設(shè)備的硬件出發(fā)，利用新型的電極材料，通過比較所獲取數(shù)據(jù)的完整性，來選擇最優(yōu)的電極材料，從而降低其他因素對腦電信號的測量產(chǎn)生的干擾，同時盡可能降低實驗成本。

2) 優(yōu)化各類算法，提高由訓(xùn)練集所學(xué)得模型的泛化能力，在出現(xiàn)部分?jǐn)?shù)據(jù)缺失時，能自動對實驗數(shù)據(jù)進行處理，并在分類時能實時準(zhǔn)確地進行運算，進而提高面部特征識別的準(zhǔn)確率。

3) 將5G實時通訊技術(shù)融合到駕駛操作疲勞測試中，實時通訊技術(shù)可以在第一時間獲取并了解被試測試的結(jié)果及數(shù)據(jù)，還能與被試保持實時溝通，以便獲取更加真實有效的結(jié)論，從而做出相應(yīng)的決策。

4) 通過構(gòu)建統(tǒng)一的疲勞評估模型來管理駕駛操作疲勞，一套完整的疲勞評估模型可以規(guī)范駕駛員的駕駛操作行為，同時降低出現(xiàn)駕駛操作疲勞的概率，從而能夠避免交通事故的發(fā)生以及預(yù)防職業(yè)病。