周揚(yáng)，付銳，劉卓凡

(1.西安航空學(xué)院，車輛工程學(xué)院，西安 710077；2.長(zhǎng)安大學(xué)，汽車學(xué)院，西安 710064；3.西安郵電大學(xué)，現(xiàn)代郵政學(xué)院，西安 710061)

0 引言

駕駛分心是導(dǎo)致交通事故的主要原因之一，根據(jù)美國(guó)國(guó)家公路交通安全管理局(National Highway Traffic Safety Administration,NHTSA)的統(tǒng)計(jì)，2019年美國(guó)有9%的致死事故和15%的致傷事故是由駕駛分心所引發(fā)[1]。在自動(dòng)駕駛技術(shù)完全成熟前所必須經(jīng)歷的人機(jī)共駕階段，駕駛分心是影響人機(jī)控制權(quán)切換的重要因素，對(duì)接管中的車輛安全產(chǎn)生威脅。吳超仲等[2]認(rèn)為在人機(jī)共駕過(guò)程中，駕駛?cè)诉M(jìn)行次任務(wù)會(huì)使其認(rèn)知能力減弱，從而降低接管績(jī)效。由此可見(jiàn)，在現(xiàn)階段以及在未來(lái)相當(dāng)長(zhǎng)的一段時(shí)間中，駕駛分心都將是影響交通安全的重要因素，研究對(duì)駕駛?cè)朔中臓顟B(tài)進(jìn)行識(shí)別具有重要的意義。

駕駛分心可分為3 種主要類型，即認(rèn)知分心、視覺(jué)分心及操作分心[3]。當(dāng)前，已有不同研究針對(duì)3 種分心類型分別建立了相應(yīng)的識(shí)別模型。其中，張輝等[4]采用駕駛績(jī)效數(shù)據(jù)構(gòu)建了支持向量機(jī)(Support Vector Machine,SVM)模型，針對(duì)以認(rèn)知分心為主的駕駛分心行為(包括免提通話及語(yǔ)音短信)進(jìn)行識(shí)別，模型在自由流和擁擠流下的判別精度分別達(dá)到94.5%和96.3%。馬艷麗等[5]利用車速、加速度及車輛橫向位移等駕駛績(jī)效特征訓(xùn)練SVM 模型，對(duì)駕駛?cè)瞬僮鬈囕d信息系統(tǒng)所產(chǎn)生的視覺(jué)分心進(jìn)行識(shí)別，模型對(duì)包括正常駕駛、一般分心與嚴(yán)重分心這3 類狀態(tài)的平均識(shí)別準(zhǔn)確率達(dá)到89.86%。白中浩等[6]基于圖卷積神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)了針對(duì)駕駛?cè)瞬僮鞣中牡淖R(shí)別模型，模型能夠?qū)︸{駛?cè)斯羌苄畔⒑褪謾C(jī)等關(guān)鍵物體信息進(jìn)行提取，對(duì)駕駛?cè)舜螂娫?、喝水和取東西等多種分心行為的識(shí)別準(zhǔn)確率達(dá)到90%以上。

盡管上述研究已能夠較為準(zhǔn)確地識(shí)別駕駛?cè)说哪骋环N分心類型，然而，其尚不能對(duì)駕駛?cè)瞬煌姆中念愋瓦M(jìn)行區(qū)分。根據(jù)Wickens等[7]提出的多資源理論模型，由于視覺(jué)分心與駕駛?cè)烁兄缆翻h(huán)境信息所主要依賴的視覺(jué)通道形成競(jìng)爭(zhēng)，因此視覺(jué)分心會(huì)對(duì)駕駛?cè)送瓿神{駛?cè)蝿?wù)產(chǎn)生較大影響，相比之下，認(rèn)知分心較少占用駕駛?cè)说母兄S度，對(duì)駕駛?cè)蝿?wù)所造成的影響也較小。近年來(lái)的相關(guān)研究也證實(shí)視覺(jué)分心會(huì)對(duì)行車安全產(chǎn)生更大影響，Simmons等[8]通過(guò)文獻(xiàn)分析發(fā)現(xiàn)，撥號(hào)、取手機(jī)和發(fā)短信等以視覺(jué)分心為主的分心行為會(huì)較大幅度地提高事故風(fēng)險(xiǎn)，但以認(rèn)知分心為主的分心行為如手持通話并未造成事故風(fēng)險(xiǎn)的顯著變化。Dingus等[9]分析了包含3454 名駕駛?cè)说腟HRP 2(The Second Strategic Highway Research Program)數(shù)據(jù)集發(fā)現(xiàn)，手持電話和免提通話等以認(rèn)知分心為主的分心行為未造成事故風(fēng)險(xiǎn)提高，事故風(fēng)險(xiǎn)反而相比正常駕駛時(shí)顯著下降。這些研究共同表明，視覺(jué)分心會(huì)對(duì)行車安全產(chǎn)生較大威脅，但認(rèn)知分心對(duì)行車安全的影響相對(duì)較小。因此，構(gòu)建能準(zhǔn)確區(qū)分不同分心類型的識(shí)別模型具有重要意義，可為分心預(yù)警系統(tǒng)根據(jù)分心類型判斷風(fēng)險(xiǎn)大小提供基礎(chǔ)，當(dāng)前研究中仍缺乏針對(duì)不同駕駛分心類型的識(shí)別研究。

本文針對(duì)駕駛?cè)艘曈X(jué)分心及認(rèn)知分心兩種分心類型的識(shí)別展開(kāi)研究，采用駕駛模擬試驗(yàn)采集駕駛?cè)藘煞N分心類型及正常駕駛下的車輛操控、眼動(dòng)及頭動(dòng)數(shù)據(jù)，挖掘提取駕駛?cè)说鸟{駛績(jī)效、眼動(dòng)及頭動(dòng)特征，運(yùn)用隨機(jī)森林模型構(gòu)建針對(duì)駕駛?cè)瞬煌中念愋偷淖R(shí)別模型，通過(guò)實(shí)現(xiàn)對(duì)駕駛?cè)瞬煌中念愋偷臏?zhǔn)確判別以期為設(shè)計(jì)更加智能化的分心預(yù)警系統(tǒng)提供基礎(chǔ)。

1 試驗(yàn)方法

1.1 試驗(yàn)設(shè)備

本次試驗(yàn)所采用的試驗(yàn)設(shè)備如圖1所示，利用基于駕駛模擬器硬件和交通場(chǎng)景仿真軟件SILAB所開(kāi)發(fā)的駕駛模擬系統(tǒng)開(kāi)展模擬駕駛試驗(yàn)，試驗(yàn)中通過(guò)Smart Eye Pro 8.0非接觸式眼動(dòng)追蹤系統(tǒng)采集被試的眼動(dòng)及頭動(dòng)數(shù)據(jù)，該眼動(dòng)儀可具體記錄被試頭部及視線的轉(zhuǎn)動(dòng)，以及不同眼動(dòng)類型的數(shù)據(jù)。

圖1 試驗(yàn)設(shè)備Fig.1 Experimental equipment

1.2 被試選取

共招募45名被試參與本次試驗(yàn)，其中，男性34名，女性11 名，所有被試均持有C1 類型駕駛證，年齡分布范圍為21～38 歲，駕齡分布范圍為2～10年。所有被試均在試驗(yàn)前被告知應(yīng)充分休息，避免飲酒，以確保試驗(yàn)結(jié)果不會(huì)受到疲勞、飲酒等因素影響，所有被試的兩眼正常視力或矯正視力均達(dá)到1.0以上。

1.3 模擬場(chǎng)景

本次試驗(yàn)所設(shè)計(jì)的模擬場(chǎng)景為常見(jiàn)的城市道路交通場(chǎng)景。道路采用雙向4 車道布置，如圖2所示，車道寬度為3.75 m，相鄰車道間有白色虛線，道路中央設(shè)有白色實(shí)線，道路兩側(cè)為人行道路，在路側(cè)設(shè)有限速標(biāo)識(shí)牌，限速為70 km·h-1。場(chǎng)景道路中設(shè)有隨機(jī)車流，交通流量設(shè)為500 veh·h-1，整個(gè)場(chǎng)景道路全長(zhǎng)為10 km，主要為直線道路，同時(shí)設(shè)有幾個(gè)彎道及交叉口，使模擬場(chǎng)景更符合現(xiàn)實(shí)情況。

圖2 模擬場(chǎng)景Fig.2 Simulation scene

為獲取更加多樣化的駕駛?cè)诵熊嚁?shù)據(jù)，將整個(gè)模擬場(chǎng)景分為自由行駛與跟車行駛兩部分，兩者的長(zhǎng)度分別為3 km 與7 km。在自由行駛路段，被試可在保證安全的前提下自由加減速、換道；在自由行駛路段結(jié)束后，被試須跟隨一輛預(yù)設(shè)的黑色交通車行駛，該輛交通車的車速被預(yù)設(shè)有一定的波動(dòng)變化，以模仿城市中較為擁堵的交通情況。

1.4 分心次任務(wù)

本次試驗(yàn)采用兩種分心次任務(wù)分別誘導(dǎo)被試產(chǎn)生認(rèn)知分心和視覺(jué)分心，其中認(rèn)知分心次任務(wù)采用1-back任務(wù)，視覺(jué)分心次任務(wù)為看手機(jī)任務(wù)。

工作記憶任務(wù)n-back 是心理學(xué)中所采用的一種認(rèn)知負(fù)荷施加方法，由于n-back 任務(wù)操作簡(jiǎn)單，易于對(duì)認(rèn)知分心程度進(jìn)行控制，近年來(lái)在駕駛分心相關(guān)研究中已被廣泛采用。本次試驗(yàn)選擇代表中等程度認(rèn)知分心的1-back 任務(wù)作為認(rèn)知分心次任務(wù)，其具體操作方式是隨機(jī)播放0～9 范圍內(nèi)的數(shù)字，播放間隔為2.25 s，被試須在播放新的數(shù)字時(shí)對(duì)前一個(gè)已播放數(shù)字進(jìn)行口頭重述。

駕駛中看手機(jī)是較為常見(jiàn)的視覺(jué)分心行為，本文采用看手機(jī)任務(wù)誘導(dǎo)被試產(chǎn)生視覺(jué)分心。為了盡可能模擬現(xiàn)實(shí)情況，在試驗(yàn)中讓被試根據(jù)自己的日常手機(jī)使用習(xí)慣來(lái)使用手機(jī)，被試可選擇將手機(jī)放置于方向盤(pán)一側(cè)的手機(jī)支架上，也可手持手機(jī)，被試看手機(jī)的方式如圖3所示。為了盡可能保證視覺(jué)分心任務(wù)的難度一致，事先選定了看手機(jī)任務(wù)的文字內(nèi)容，在試驗(yàn)開(kāi)始前，將提前制作好的文字內(nèi)容發(fā)送至被試的手機(jī)上。

圖3 視覺(jué)分心次任務(wù)Fig.3 Visual secondary tasks

在試驗(yàn)中，由實(shí)驗(yàn)員發(fā)出口頭指令讓被試開(kāi)始或終止分心次任務(wù)。

1.5 試驗(yàn)過(guò)程

(1)待被試抵達(dá)后，對(duì)試驗(yàn)內(nèi)容及要求進(jìn)行介紹。

(2)讓被試進(jìn)行適應(yīng)性訓(xùn)練，熟悉駕駛模擬器和兩種分心次任務(wù)。

(3)對(duì)眼動(dòng)儀進(jìn)行校準(zhǔn)。

(4)正式試驗(yàn)。試驗(yàn)過(guò)程中，在自由行駛和跟車行駛兩路段均由一側(cè)的實(shí)驗(yàn)員以同樣的方式提示被試進(jìn)行正常駕駛、認(rèn)知分心和視覺(jué)分心駕駛，實(shí)驗(yàn)員控制被試每種狀態(tài)下的駕駛持續(xù)時(shí)間在30～60 s，被試完成一種狀態(tài)駕駛后，實(shí)驗(yàn)員會(huì)間隔10 s再發(fā)出指令讓被試進(jìn)行下一種駕駛，實(shí)驗(yàn)員同時(shí)控制被試3種狀態(tài)駕駛的先后順序，使不同狀態(tài)的觸發(fā)時(shí)間和觸發(fā)時(shí)所處的空間位置隨機(jī)化，以避免被試產(chǎn)生學(xué)習(xí)效應(yīng)。在兩個(gè)路段中，實(shí)驗(yàn)員會(huì)盡量使被試在兩個(gè)路段中完成3 種不同駕駛的次數(shù)保持均衡。每位被試共需完成整個(gè)模擬場(chǎng)景駕駛兩次，每次駕駛大約需要10 min，在完成一次駕駛后，休息5 min，再進(jìn)行下一次駕駛。試驗(yàn)中每位被試觸發(fā)每種狀態(tài)約各8次。

(5)收集整理駕駛模擬器數(shù)據(jù)、眼動(dòng)儀數(shù)據(jù)和試驗(yàn)錄音，讓被試填寫(xiě)調(diào)查問(wèn)卷以記錄被試的個(gè)人信息。

2 試驗(yàn)數(shù)據(jù)處理

對(duì)所采集的試驗(yàn)數(shù)據(jù)進(jìn)行處理，利用試驗(yàn)錄音中錄制的實(shí)驗(yàn)員口頭指令來(lái)確定每位被試完成3類駕駛的開(kāi)始及結(jié)束時(shí)刻，進(jìn)而從數(shù)據(jù)中截取對(duì)應(yīng)的數(shù)據(jù)片段。從所截取的數(shù)據(jù)片段中提取備選特征和訓(xùn)練樣本，為構(gòu)建駕駛?cè)朔中念愋妥R(shí)別模型提供數(shù)據(jù)基礎(chǔ)。

2.1 駕駛績(jī)效特征提取

駕駛績(jī)效指駕駛?cè)送瓿神{駛?cè)蝿?wù)的表現(xiàn)，車速、跟車距離及車道位置等指標(biāo)的統(tǒng)計(jì)值是相關(guān)研究中常采用的分心識(shí)別指標(biāo)。參考國(guó)內(nèi)外已有研究成果[4-5]，分別計(jì)算駕駛模擬器輸出數(shù)據(jù)，如車速、跟車距離等在一定時(shí)間窗口內(nèi)的均值、中位數(shù)和標(biāo)準(zhǔn)差，作為建立駕駛?cè)朔中念愋妥R(shí)別模型的備選駕駛績(jī)效特征。

根據(jù)文獻(xiàn)[10-11]，駕駛?cè)嗽诜中南碌姆较虮P(pán)回轉(zhuǎn)率會(huì)產(chǎn)生顯著變化，相比正常駕駛，駕駛?cè)艘曈X(jué)分心下的2.5°方向盤(pán)回轉(zhuǎn)率顯著提高，而認(rèn)知分心下的0.5°方向盤(pán)回轉(zhuǎn)率顯著增大，因此，方向盤(pán)回轉(zhuǎn)率可用來(lái)進(jìn)行分心識(shí)別。本文計(jì)算了表征駕駛?cè)藢?duì)方向小幅度修正頻率的0.5°方向盤(pán)回轉(zhuǎn)率和表征駕駛?cè)藢?duì)方向較大幅度修正頻率的2.5°方向盤(pán)回轉(zhuǎn)率，并將兩者作為駕駛績(jī)效備選特征。

最終用作特征提取的數(shù)據(jù)指標(biāo)以及駕駛績(jī)效特征的統(tǒng)計(jì)如表1所示。

表1 駕駛績(jī)效備選特征Table 1 Candidate features of driving performance

2.2 駕駛?cè)搜蹌?dòng)及頭動(dòng)特征提取

由于駕駛?cè)嗽诜中臅r(shí)的視線分布會(huì)產(chǎn)生變化，相比正常駕駛，駕駛?cè)艘曈X(jué)分心下的視線分布更加發(fā)散，而認(rèn)知分心下的視線分布更為集中。另外，當(dāng)駕駛?cè)艘暰€轉(zhuǎn)移時(shí)也會(huì)伴隨有一定的頭部運(yùn)動(dòng)，因此，對(duì)于表征駕駛?cè)艘暰€和頭部運(yùn)動(dòng)的視線轉(zhuǎn)角和頭部轉(zhuǎn)角指標(biāo)，分別統(tǒng)計(jì)其均值、中位數(shù)和標(biāo)準(zhǔn)差，將其作為建立駕駛?cè)朔中念愋妥R(shí)別模型的備選特征。

注視、掃視及眨眼是駕駛?cè)酥饕?種眼動(dòng)類型，駕駛?cè)瞬煌蹌?dòng)類型的統(tǒng)計(jì)值也被相關(guān)研究用來(lái)進(jìn)行分心識(shí)別[12]，因此，本文參考已有研究，對(duì)駕駛?cè)?種眼動(dòng)類型在一定時(shí)間窗口中的頻次、平均持續(xù)時(shí)間、持續(xù)時(shí)間的中位數(shù)及總的持續(xù)時(shí)間進(jìn)行統(tǒng)計(jì)，將其作為備選的駕駛?cè)搜蹌?dòng)及頭動(dòng)特征。

最終用作特征提取的指標(biāo)以及駕駛?cè)搜蹌?dòng)及頭動(dòng)備選特征的統(tǒng)計(jì)如表2所示。

表2 駕駛?cè)搜蹌?dòng)及頭動(dòng)備選特征Table 2 Candidate features of drivers'eye movements and head movements

根據(jù)上述介紹，得到用于建立駕駛?cè)朔中念愋妥R(shí)別模型的備選特征共計(jì)47 種。采用長(zhǎng)度為3 s，重疊度為50%的滑動(dòng)時(shí)間窗口進(jìn)行樣本計(jì)算，共獲得駕駛?cè)苏ｑ{駛、認(rèn)知分心和視覺(jué)分心狀態(tài)對(duì)應(yīng)的樣本數(shù)量分別為11720，13108，12031 組，總計(jì)時(shí)長(zhǎng)分別為293，327，301 min。

3 基于序列后向選擇的特征優(yōu)選

對(duì)備選特征進(jìn)行特征優(yōu)選，確定最優(yōu)的特征子集，是建立分類模型的必要步驟。特征優(yōu)選有助于去掉冗余特征，防止模型出現(xiàn)過(guò)擬合現(xiàn)象。

本文采用序列后向選擇算法(Sequential Backward Selection，SBS)實(shí)現(xiàn)特征優(yōu)選，其基本原理是采用貪婪搜索算法，通過(guò)反復(fù)迭代將維度為N的原特征組合降至K維。在每次迭代中，SBS算法會(huì)計(jì)算每個(gè)特征移除前后模型性能的變化，選擇使模型性能衰減最小所對(duì)應(yīng)的特征進(jìn)行移除，得到新的特征子集。SBS 算法通過(guò)迭代使模型的性能表現(xiàn)不斷優(yōu)化，最終以模型性能達(dá)到最優(yōu)時(shí)的特征組合作為搜索結(jié)果。

SBS 算法作為一種包裹式(Wrapper)特征選擇方法，需要與機(jī)器學(xué)習(xí)模型相配合來(lái)實(shí)現(xiàn)特征優(yōu)選，本文選擇隨機(jī)森林模型與SBS 算法進(jìn)行結(jié)合。隨機(jī)森林是一種集成式機(jī)器學(xué)習(xí)方法，通過(guò)構(gòu)造多個(gè)決策樹(shù)模型形成“森林”，在分類時(shí)會(huì)統(tǒng)計(jì)每個(gè)決策樹(shù)的預(yù)測(cè)結(jié)果進(jìn)行投票打分，從而確定最終結(jié)果。隨機(jī)森林具有準(zhǔn)確率高、魯棒性強(qiáng)的特點(diǎn)，且可以給出模型訓(xùn)練所采用特征的重要性評(píng)分，有利于模型解釋。

3.1 相關(guān)準(zhǔn)備

由于特征優(yōu)選過(guò)程中需要進(jìn)行模型訓(xùn)練及評(píng)估，因此首先將本文的數(shù)據(jù)集劃分為訓(xùn)練集和測(cè)試集，劃分比例為8∶2。在數(shù)據(jù)集劃分時(shí)考慮各類別在原始數(shù)據(jù)集中所占的比例，確保劃分后的訓(xùn)練集和測(cè)試集中各類樣本的比例與原始數(shù)據(jù)集保持一致。經(jīng)過(guò)劃分后，訓(xùn)練集中駕駛?cè)苏ｑ{駛、認(rèn)知分心和視覺(jué)分心這3 種狀態(tài)對(duì)應(yīng)的樣本數(shù)量分別為9376，10487，9625 組，測(cè)試集中駕駛?cè)? 類狀態(tài)對(duì)應(yīng)的樣本數(shù)量分別為2344，2621，2406組。

采用訓(xùn)練集進(jìn)行特征優(yōu)選和后續(xù)其他參數(shù)確定，訓(xùn)練時(shí)采用五折交叉驗(yàn)證法，即將訓(xùn)練集劃分為5 個(gè)等份，依次將其中1 份用作模型驗(yàn)證，其余4份用作模型訓(xùn)練，五折交叉驗(yàn)證法可消除因數(shù)據(jù)集劃分方式對(duì)模型性能評(píng)估所帶來(lái)的影響。經(jīng)過(guò)特征優(yōu)選及其他相關(guān)參數(shù)確定后，采用模型在測(cè)試集上的表現(xiàn)來(lái)評(píng)估其泛化能力，具體方式如圖4所示。

圖4 數(shù)據(jù)集劃分方式Fig.4 Dataset division method

采用宏精準(zhǔn)率(Pmacro)、宏召回率(Rmacro)和宏F1值(Fmacro)作為模型的性能評(píng)價(jià)指標(biāo)，計(jì)算方式分別為

式中：Ti為對(duì)于第i類樣本，模型分類結(jié)果也為i的數(shù)量；Ni為對(duì)于第i類樣本，模型分類結(jié)果為其他類別的數(shù)量；Pi為模型將其他類別樣本誤分類為第i類的數(shù)量；n為樣本的類別總數(shù)。

由于不同類型特征間的量綱存在差異，在進(jìn)行模型訓(xùn)練前，采用“Z-score”標(biāo)準(zhǔn)化對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，處理后的特征序列均值為0，標(biāo)準(zhǔn)差為1。

式中：yi為經(jīng)過(guò)標(biāo)準(zhǔn)化處理后的特征值；xi為初始特征值；xˉ為特征的均值；xstd為特征的標(biāo)準(zhǔn)差。

3.2 特征選擇結(jié)果

采用SBS方法進(jìn)行特征優(yōu)選，設(shè)置特征的最少數(shù)量為6。圖5為特征優(yōu)選過(guò)程中模型在五折交叉驗(yàn)證中驗(yàn)證集上Pmacro的變化，圖中淺色區(qū)域代表了Pmacro在五折交叉驗(yàn)證中的波動(dòng)范圍?？梢园l(fā)現(xiàn)：當(dāng)特征數(shù)量為19 時(shí)，模型的Pmacro達(dá)到最大值；當(dāng)特征數(shù)量多于或少于該數(shù)量時(shí)，Pmacro均會(huì)出現(xiàn)下降。顯然，建立分類模型所采用的特征數(shù)量并非越多越好，當(dāng)特征數(shù)量超過(guò)某個(gè)臨界值時(shí)，模型的分類表現(xiàn)反而會(huì)下降。

圖5 特征優(yōu)選過(guò)程Fig.5 Feature selection process

隨機(jī)森林模型可以根據(jù)袋外數(shù)據(jù)的分類誤差來(lái)計(jì)算特征的重要性，其度量值反映了特征對(duì)于模型分類的重要程度。對(duì)于所得到的包含19種特征的最優(yōu)特征子集，由隨機(jī)森林模型輸出各特征重要性度量值排序如圖6所示?？梢园l(fā)現(xiàn)，在得到的最優(yōu)特征子集中，有12 種特征屬于駕駛?cè)搜蹌?dòng)及頭動(dòng)特征，僅有7 種特征屬于駕駛績(jī)效特征。另外，駕駛?cè)搜蹌?dòng)及頭動(dòng)特征的特征重要性相比駕駛績(jī)效特征更高，特征重要性度量值前7的特征均為駕駛?cè)搜蹌?dòng)及頭動(dòng)相關(guān)特征，這說(shuō)明駕駛?cè)搜蹌?dòng)及頭動(dòng)特征對(duì)于本文中駕駛?cè)瞬煌中念愋偷淖R(shí)別更為重要。

從圖6發(fā)現(xiàn)，全部19種最優(yōu)特征中，2.5°方向盤(pán)回轉(zhuǎn)率的特征重要性度量值最低，而0.5°方向盤(pán)回轉(zhuǎn)率并未入選最優(yōu)特征組合，該結(jié)果表明，方向盤(pán)回轉(zhuǎn)率對(duì)于建立駕駛?cè)朔中淖R(shí)別模型并不重要，這與文獻(xiàn)[10-11]中所得到的有關(guān)方向盤(pán)回轉(zhuǎn)率的結(jié)論存在一定的區(qū)別。本文認(rèn)為可從以下兩方面對(duì)該區(qū)別進(jìn)行解釋：

圖6 特征重要性對(duì)比Fig.6 Comparison of feature importance

(1)文獻(xiàn)[10-11]是從統(tǒng)計(jì)學(xué)角度研究認(rèn)知分心和視覺(jué)分心對(duì)方向盤(pán)回轉(zhuǎn)率的影響，采用如重復(fù)度量方差分析等方法檢驗(yàn)被試不同狀態(tài)下的方向盤(pán)回轉(zhuǎn)率數(shù)值是否存在顯著性差異。本文也采用了類似方法對(duì)駕駛?cè)嗽?種狀態(tài)下的0.5°和2.5°方向盤(pán)回轉(zhuǎn)率進(jìn)行顯著性檢驗(yàn)，得到了與上述兩篇文獻(xiàn)相似的結(jié)果。

(2)根據(jù)方向盤(pán)回轉(zhuǎn)率的定義，在時(shí)間窗口較短時(shí)，駕駛?cè)嗽谳^短時(shí)間內(nèi)可能不會(huì)有明顯的方向盤(pán)操作，導(dǎo)致計(jì)算出的方向盤(pán)回轉(zhuǎn)率無(wú)法反映駕駛?cè)嗽诓煌瑺顟B(tài)下的橫向控制差異，這可能影響了方向盤(pán)回轉(zhuǎn)率在用于構(gòu)建分心識(shí)別模型時(shí)的有效性。

4 駕駛?cè)朔中念愋妥R(shí)別模型實(shí)現(xiàn)

4.1 時(shí)間窗口及模型參數(shù)的確定

計(jì)算數(shù)據(jù)樣本所采用的滑動(dòng)時(shí)間窗口可能會(huì)對(duì)模型分類產(chǎn)生重要影響。另外，分類模型的參數(shù)選擇也會(huì)對(duì)模型性能產(chǎn)生一定影響。為了使駕駛?cè)朔中念愋妥R(shí)別模型的性能達(dá)到最優(yōu)，本文采用網(wǎng)格搜索分別對(duì)時(shí)間窗口及隨機(jī)森林模型的參數(shù)進(jìn)行確定，其中，時(shí)間窗口參數(shù)主要包括窗口長(zhǎng)度和相鄰窗口重疊度兩個(gè)參數(shù)，而對(duì)于本文所采用的隨機(jī)森林模型，決策樹(shù)數(shù)量與最大特征數(shù)是其較為重要的兩個(gè)參數(shù)。在網(wǎng)格搜索過(guò)程中，采用模型在五折交叉驗(yàn)證中驗(yàn)證集上的分類結(jié)果對(duì)模型進(jìn)行評(píng)價(jià)。

圖7為時(shí)間窗口參數(shù)的網(wǎng)格搜索結(jié)果，可以發(fā)現(xiàn)，當(dāng)采用長(zhǎng)度為1 s，重疊度為90%的滑動(dòng)時(shí)間窗口計(jì)算樣本時(shí)，模型在驗(yàn)證集上的Fmacro最高，表示模型的綜合分類表現(xiàn)最好。圖8 為隨機(jī)森林模型參數(shù)的網(wǎng)格搜索結(jié)果，從圖中可以發(fā)現(xiàn)，當(dāng)決策樹(shù)數(shù)量為300，最大特征數(shù)設(shè)定方式為“sqrt”時(shí)，模型的Pmacro最高。“sqrt”為隨機(jī)森林模型常用的最大特征設(shè)定方式，其表示單個(gè)決策樹(shù)的最大特征數(shù)不超過(guò)總特征數(shù)量的開(kāi)方值。

圖7 時(shí)間窗口參數(shù)的網(wǎng)格搜索Fig.7 Grid search of time window parameters

圖8 隨機(jī)森林模型參數(shù)的網(wǎng)格搜索Fig.8 Grid search of random forest parameters

4.2 模型比較

在分類任務(wù)中，SVM 和神經(jīng)網(wǎng)絡(luò)模型(Neural Networks，NN)是較為常用的兩類方法。為了研究不同分類方法在駕駛?cè)朔中念愋妥R(shí)別中的效用，本文將SVM和NN作為比較方法。

SVM 模型用于分類時(shí)，如果樣本數(shù)據(jù)是非線性可分的，可通過(guò)核函數(shù)將樣本特征映射至高維空間，使其在新的空間中變?yōu)榫€性可分，在新的空間中尋找分類平面來(lái)實(shí)現(xiàn)分類。本文在訓(xùn)練SVM模型時(shí)采用高斯核函數(shù)，通過(guò)網(wǎng)格搜索來(lái)確定SVM模型的兩個(gè)主要參數(shù)：最大懲罰項(xiàng)“C”與“gamma”。經(jīng)過(guò)網(wǎng)格搜索，最終確定SVM 模型的參數(shù)“C”取值100，“gamma”取值0.01。

采用全連接神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)來(lái)實(shí)現(xiàn)駕駛?cè)瞬煌中念愋偷淖R(shí)別，模型由輸入層、隱藏層與輸出層構(gòu)成。經(jīng)過(guò)測(cè)試，本文確定神經(jīng)網(wǎng)絡(luò)模型的最佳結(jié)構(gòu)如圖9所示，模型包含3個(gè)隱藏層，每層神經(jīng)元數(shù)量為60，模型的輸入層包含19個(gè)神經(jīng)元，對(duì)應(yīng)19個(gè)最優(yōu)特征，最后一層采用softmax層，神經(jīng)元數(shù)量為3，輸入層與隱藏層之間采用ReLU 作為激活函數(shù)。采用分類任務(wù)常用的交叉熵?fù)p失作為目標(biāo)函數(shù)，運(yùn)用Adam 梯度更新算法訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型，在訓(xùn)練過(guò)程中將學(xué)習(xí)率設(shè)為0.01，每批樣本數(shù)量為256。

圖9 NN模型結(jié)構(gòu)Fig.9 Structure of neural networks

經(jīng)過(guò)訓(xùn)練，可得到SVM、NN 及RF 這3 種模型在訓(xùn)練集和測(cè)試集上的分類表現(xiàn)，具體如表3所示?？梢园l(fā)現(xiàn)，RF 在訓(xùn)練集和測(cè)試集上均取得了最高的宏精準(zhǔn)率、宏召回率和宏F1 值，表明RF 模型的分類表現(xiàn)優(yōu)于另外兩種模型。RF在訓(xùn)練集和測(cè)試集中的宏F1 值分別達(dá)到94.30%和93.98%，表明本文構(gòu)建的駕駛?cè)朔中念愋妥R(shí)別模型能夠較為準(zhǔn)確地對(duì)駕駛?cè)说?類狀態(tài)進(jìn)行分類，模型的泛化性能良好。

表3 不同模型在訓(xùn)練集和測(cè)試集上的分類表現(xiàn)Table 3 Performance of different models on training set and test set

4.3 采用不同類型特征的分類結(jié)果比較

本文采用駕駛績(jī)效、駕駛?cè)搜蹌?dòng)及頭動(dòng)兩類特征構(gòu)建駕駛?cè)朔中念愋妥R(shí)別模型，為了比較不同類型特征對(duì)駕駛?cè)朔中念愋妥R(shí)別的作用，分別利用駕駛績(jī)效特征、駕駛?cè)搜蹌?dòng)及頭動(dòng)特征建立識(shí)別模型，對(duì)模型的分類結(jié)果進(jìn)行比較。

表4 為采用不同類型特征訓(xùn)練隨機(jī)森林模型后，模型在測(cè)試集上的分類結(jié)果?？梢钥闯?，將駕駛績(jī)效與駕駛?cè)搜蹌?dòng)及頭動(dòng)特征進(jìn)行融合，可以有效提高模型的分類表現(xiàn)。這主要是由于采用不同類型特征可利用更為豐富的多源信息，從中可以提取更加完整的對(duì)駕駛?cè)瞬煌瑺顟B(tài)的特征描述，因此可取得更好的分類表現(xiàn)。

表4 不同類型特征輸入下模型在測(cè)試集上的分類表現(xiàn)Table 4 Performance of models on test sets with different types of features as inputs

單獨(dú)采用駕駛?cè)搜蹌?dòng)及頭動(dòng)特征所訓(xùn)練模型的分類表現(xiàn)優(yōu)于單獨(dú)采用駕駛績(jī)效特征，模型針對(duì)駕駛?cè)? 種狀態(tài)判別的各個(gè)分類評(píng)價(jià)指標(biāo)均有一定的提升，該結(jié)果也進(jìn)一步支持本文3.2 節(jié)中所得出的結(jié)論，即駕駛?cè)搜蹌?dòng)及頭動(dòng)特征對(duì)于駕駛?cè)朔中念愋妥R(shí)別更加重要。

5 結(jié)論

本文得到主要結(jié)論如下：

(1)采用序列后向選擇方法進(jìn)行特征優(yōu)選，確定了駕駛?cè)朔中念愋妥R(shí)別的最優(yōu)特征子集，通過(guò)特征優(yōu)選使得模型的分類表現(xiàn)提升。

(2)所構(gòu)建的基于隨機(jī)森林的駕駛?cè)朔中念愋妥R(shí)別模型在測(cè)試集取得了93.98%的宏F1 值，優(yōu)于比較方法支持向量機(jī)(81.01%)和神經(jīng)網(wǎng)絡(luò)模型(86.14%)。

(3)駕駛?cè)搜蹌?dòng)及頭動(dòng)特征對(duì)于包含認(rèn)知分心和視覺(jué)分心的駕駛?cè)瞬煌中念愋妥R(shí)別更為重要。

本文研究存在一定的局限性，所針對(duì)的分心類型未包含駕駛?cè)说牟僮鞣中念愋?，本文也未考慮是否有前車以及前車不同狀態(tài)條件下分心對(duì)駕駛?cè)说挠绊懖町?，另外本文模型還需在實(shí)車條件下進(jìn)行進(jìn)一步驗(yàn)證。后續(xù)研究將從這些方面進(jìn)行展開(kāi)。