疲勞駕駛研究與預防最新進展

張旭欣 王雪松

摘 要：疲勞駕駛影響駕駛人的駕駛能力，為道路交通安全帶來嚴重威脅。研究表明，疲勞駕駛是造成交通事故的主要原因之一，且駕駛人的駕駛能力會隨著疲勞程度的增加而下降。本文從疲勞駕駛狀態判別、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研究這四個方面對國際最新研究進行總結，介紹目前疲勞駕駛領域的研究現狀。

關鍵詞：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

疲勞駕駛是導致交通事故的重要原因之一。數據顯示，美國每年約有30萬起交通事故與疲勞駕駛有關，其中包括10.9萬起致傷事故以及6400起死亡事故[1]。美國汽車學會在2010年對美國駕駛人進行了一項電話調查，結果顯示41.0%的駕駛人承認在駕駛過程中曾“睡著或打瞌睡”[2]。根據中國公安部交通管理局公布的數據，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%，死亡人數占6.21%[3]。

引發疲勞駕駛的主要原因包括長時間注意力高度集中、缺乏睡眠、駕駛環境單一等。疲勞會增加駕駛人的反應時間，并降低其駕駛過程中的警覺程度[4]。在進行長時間駕駛時，駕駛人若在駕駛過程中缺乏刺激，則可能導致疲勞和危險駕駛行為的發生。

國內外關于疲勞駕駛的研究主要集中在以下四個方面：（1）疲勞駕駛狀態判別；（2）疲勞駕駛致因因素研究；（3）疲勞駕駛安全影響分析；（4）疲勞駕駛干預研究。目前，疲勞駕駛的研究方式主要利用自然駕駛數據或設計實驗的手段對駕駛人行為數據進行采集。侵入性測量方式（即采集駕駛人生理數據的儀器會對駕駛行為產生影響，如頭戴式腦電儀等）或非侵入性測量方式（即儀器采集駕駛人生理數據時不影響駕駛人行為及舒適度，如桌面式眼動儀等）常被用于進行駕駛人生理特征數據采集。在對疲勞駕駛數據分析方法方面，現狀研究主要利用統計學分析方法（如相關性分析、差異性分析以及統計學模型等）以及機器學習等數據挖掘算法（如隨機森林、人工神經網絡、動態貝葉斯網絡等）來對數據進行分析。

本文對近兩年在TRB會議及Accident Analysis & Prevention等交通安全類期刊中有關疲勞駕駛的內容進行總結，以展示當前國際上關于疲勞駕駛研究的最新進展。

1 疲勞駕駛狀態判別

研究疲勞駕駛的手段主要包括通過駕駛模擬器實驗、實車實驗以及自然駕駛等方式分析駕駛人在疲勞狀態下的駕駛行為，并利用眼動儀、生理儀、視頻識別或主觀問卷調查的方式來評估駕駛人的疲勞狀態。

同濟大學王雪松等人[5]利用駕駛模擬器實驗對駕駛人的駕駛行為及眼動特征數據進行數據采集，結合駕駛人的主觀疲勞等級（Karolinska Sleepiness Scale，KSS）進行對比分析，并建立混合效應有序Logit模型對疲勞狀態進行判別。該模型中同時考慮了駕駛人之間的個體差異，以及疲勞隨時間逐步累積的效應（Time Cumulative Effect，TCE）。為對比疲勞累積效應在模型中的顯著作用，研究中同時建立了未考慮TCE的混合效應有序Logit模型進行對比分析。結果表明，駕駛時長顯著影響駕駛人疲勞等級，且考慮了TCE的模型對疲勞狀態判別準確率達80%以上，遠高于未考慮TCE的模型精度。

Zandi等人[6]利用駕駛模擬器實驗的方式，采集了駕駛人在疲勞狀態下的眼動狀態數據，包括注視、掃視、眨眼、瞳孔直徑以及眼瞼開合度（PERCLOS）等信息。該研究輔以駕駛人實時腦電（EEG）數據作為判別疲勞狀態的參考標準，來評估眼動參數對疲勞狀態的判別準確性。為探討眼動參數的不同歷元長度（epoch length）對疲勞駕駛檢測性能的影響，選取了多種歷元長度進行分析，對結果進行了比較。此外，文中使用分類器（隨機森林、支持向量機）對駕駛人疲勞狀態進行評估。結果表明，采用短歷元長度（即該方法具有較高的時間分辨率和較低的檢測延遲）數據處理方法結合非侵入性測量方式，可對駕駛人進行有效長期實時疲勞檢測。眼部特征數據可有效評估駕駛疲勞，且使用隨機森林分類器對駕駛疲勞判別的準確性高達88.37%～91.18%。

艾克斯馬賽大學的Naurois等人[7]利用人工神經網絡（Artificial Neural Networks，ANN）對駕駛人的疲勞狀態進行判別及預警。研究者通過駕駛模擬器實驗記錄了駕駛人的駕駛行為及生理指標，并在模型中考慮了駕駛人之間的個體差異。文中使用了兩個不同的ANN模型，分別用于檢測駕駛人每分鐘的疲勞程度以及預測每分鐘駕駛人達到特定的疲勞程度（中度疲勞）需要的時間。研究者利用一組駕駛人的數據來訓練ANN模型來提高模型的性能并將其應用在新的個體上以檢測模型的有效性。結果表明，模型對特定駕駛人數據的適應性在疲勞預測精度方面提高了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特定駕駛人的適應性，并為解決不同駕駛人在疲勞狀態下的個體差異提供了一個初步解決方案。

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律變化、疲勞、服用鎮靜劑藥物以及勞累時飲酒。除此之外，長途駕駛時由于道路環境單一，也容易使得駕駛人產生疲勞的狀況。

Mahajan等人[8]通過問卷調查的方式調查了印度的三個城市中男性貨運駕駛人的工作-休息模式及其駕駛行為。當駕駛人的工作收入與駕駛日程的繁忙程度相關時，往往會為駕駛人帶來工作壓力。這種持續的工作壓力會促使他們違反交通規則和工作時間的規定。結果表明，被試者的危險駕駛行為如違規行為、錯誤行為等與駕駛人的缺乏睡眠情況顯著相關。此外，研究強調了駕駛人因疲勞、困倦或工作壓力而未能滿足休息要求時，對長途貨車駕駛人違反交通規則方面的促進作用。根據研究模型結果，過去因違規行為受到過處罰的駕駛人其再次違規的風險更大。這可能意味著現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環境下不同道路幾何線形對駕駛人疲勞狀態的影響。實驗中使用了三條具有不同數量水平彎道的不同道路進行場景建模，見圖1。研究采集并分析了駕駛人在行駛過程中的方向盤運動狀態及駕駛人車道保持能力，以及在完成駕駛任務前后的警覺程度。結果表明，道路設計對駕駛人車道保持能力有顯著影響。更多的道路線形變化可以提高駕駛人的駕駛性能及警惕性。因此，通過增加道路平曲線設計可以被認為是在單調和欠載道路條件下增加駕駛人心理負荷的有效方法。

清華大學Li等人[10]采用問卷調查的方式對駕駛人進行數據采集及建模，對影響出租車駕駛人疲勞相關事故風險（Fatigue-Related Accident Risk，FRAR）的因素進行探究。研究分別使用Logistic Ridge Regression（LRR）、Logistic Regression（LR）和Support Vector Machine（SVM）三種模型對數據進行分析，發現LRR模型對FRAR的預測精度最高。模型結果表明，高風險出租車駕駛人其表現出工作時間長、休息時間少、駕駛經驗少以及對自己的抗疲勞能力更有信心的特征。出租車駕駛人的駕駛休息習慣、疲勞駕駛經驗和疲勞駕駛意圖是影響疲勞駕駛的關鍵因素，在很大程度上決定了疲勞駕駛行為的FRAR。調整駕駛人的休息習慣和與這些預測因素相關的自我評估，有助于降低高風險駕駛人的事故風險。

3 疲勞駕駛安全影響分析

在有關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險作為側重點，提出相應的有效措施來減少因疲勞駕駛所導致事故的發生。

弗吉尼亞理工大學Owens等人[11]利用第二項高速公路自然駕駛研究計劃（the Second Strategic Highway Research Plan Naturalistic Driving Study）對疲勞駕駛進行了研究。利用在自然駕駛過程中所采集到的視頻數據對駕駛人的PERCLOS進行分析，判別其疲勞狀態，并分析了疲勞駕駛在日常駕駛及發生交通事故時存在的普遍性。研究中利用了與視頻錄像及時間序列數據有關的時間戳，可以精確定位與安全相關因素和事件發生的時間，以便對特定活動和駕駛情境的風險使用流行病學方法進行分析。該研究對駕駛人在臨撞時和正常駕駛期間的狀態提供了一種客觀的評估方法，避免了因駕駛人不記得或不愿意承認其疲勞駕駛所造成的數據結果偏差，與傳統的疲勞駕駛風險評估方法相比體現出了顯著優勢。

東南大學馬永鋒等人[12]利用實車實驗對大型貨運車輛駕駛人的疲勞駕駛進行研究，采集駕駛人的車速、加速度等參數，并利用PERCLOS指標對駕駛人疲勞狀態進行判別，以探究駕駛人發生交通事故的風險。研究結果表明，速度和加速度可以作為評價重型卡車駕駛人駕駛性能的重要指標。當駕駛人達到高疲勞水平時，其平均車速、最大及最小車速都會增加，且車速穩定性降低。當駕駛人受到疲勞的影響時，他們的反應能力將會下降。如果駕駛人在高疲勞駕駛狀態下保持高速行駛將更容易發生交通事故。此外，隨著疲勞程度的增加，加速度的均值及標準差會減小，但加速度的最大值和最小值會增加。表明駕駛人在疲勞狀態下更容易做出緊急或劇烈的駕駛動作，且疲勞將導致駕駛人的反應能力受損。

南阿拉巴馬大學的Kang和Rahman[13]對美國阿拉巴馬州I-65公路中的兩個包含休息區的路段設置疲勞駕駛勸告系統（Drowsy Driving Advisory System，DDA），分析這兩條路段在設置DDA系統前后的事故情況。DDA系統共包含三類標志，分別為：（1）提示進入疲勞駕駛勸告區域標志；（2）疲勞駕駛警告標志（如：疲勞駕駛危及生命安全）；（3）疲勞駕駛勸告標志（如：若感到疲勞請及時休息）。結果表明，在設置DDA系統后，路段休息區交通量增加10%，且事故降低65%。設置DDA后事故率明顯降低，表明該系統對駕駛人起到了提醒警示的效果，顯著降低了發生事故的風險。

韓國漢陽大學Jung等人[14]對因疲勞駕駛導致的高速公路事故進行研究。為了防止因疲勞駕駛而引發的撞車事故，韓國高速公路系統增設了輔助休息區，使得道路使用者可以休息。這些輔助休息區是非常小的休息設施，它通常位于較大的常規休息區之間，如圖2所示。研究旨在評估輔助休息區對減少因疲勞駕駛所引發碰撞事故的影響。結果顯示，設置輔助休息區域可以減少14%的由疲勞駕駛引發的高速公路碰撞事故。

由于營運車輛駕駛人通常會面臨睡眠不足、輪班影響其生理節律等問題，更容易引發疲勞駕駛。臺灣國立交通大學的吳昆峰等人[15]通過研究對城際公交車駕駛人進行重新排班，來降低其發生交通事故的風險。調查結果顯示，下列兩種類型的排班時間表將可能導致更高的事故風險：（1）連續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小時后安排凌晨的班次。為了在保持不間斷服務的同時降低交通事故風險，研究者開發了數學程序對駕駛人進行合理排班。算法結果表明，城際公交公司應避免駕駛人連續兩天均在下午或凌晨駕駛，且應安排夜班駕駛人在相鄰兩個工作班次之間休息24小時以上。這種通過避免高碰撞事故風險的工作班次組合安排可以減少高達30%的碰撞事故。

4 疲勞駕駛干預研究

針對疲勞駕駛的干預措施研究主要從預防及預警兩個方面進行干預。主動預防措施包括對駕駛人進行安全教育以及服用含咖啡因等產品進行干預。而疲勞預警則是在車內對駕駛人從聽覺、視覺及觸覺等方面進行疲勞干預。

澳大利亞的Aidman等人[16]使用駕駛模擬器實驗，對駕駛人在強制50小時無休息后的駕駛行為進行記錄。駕駛人被隨機分為兩組，一組使用含咖啡因的口香糖作為實驗組，另一組使用不含咖啡因的口香糖作為對照組。該研究探究了駕駛人在積累睡眠損失的情況下，通過重復多次咀嚼口香糖來攝入咖啡因對疲勞和駕駛表現的影響。結果表明，通過每隔2小時咀嚼口香糖重復攝入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駕駛失誤的影響，從而減小因疲勞導致的駕駛性能受損。

奧斯丁健康中心的Alvaro等人[17]通過對青年駕駛人進行教育干預，將34名參與者（18-26歲）隨機分為兩組，一組接受為期四周的關于睡眠和駕駛的教育，內容包括與疲勞相關的科學內容（什么是疲勞、充足睡眠的定義、睡眠疾病及人體節律與了解自己的生物鐘）、疲勞對駕駛的影響、如何避免疲勞駕駛；另一組接受與疲勞駕駛內容無關的對照條件的教育。在為期四周的教育計劃前后，研究人員對影響駕駛人睡眠和駕駛的因素進行了一系列問卷調查。且被試者需要在保持清醒17小時后于凌晨1點完成一項2小時的駕駛模擬器任務，以評估其對駕駛行為的影響。結果表明，對青年駕駛人進行關于睡眠和駕駛的教育可提高駕駛人睡意意識，且可以降低青年駕駛人出現疲勞駕駛及相關事故的風險。

在疲勞駕駛預警方面，愛荷華大學Gaspar等人[18]通過設計駕駛模擬器實驗（如圖3所示），根據駕駛人注視位置探究了不同前向碰撞預警（Forward collision warnings，FCW）對中至重度疲勞駕駛人的預警有效性。在前方出現靜止車輛并且此時主車即將發生碰撞的情況下，設置了三種警告條件：聽覺警告、座椅振動警告及無警告。結果表明，僅當疲勞駕駛人在前向碰撞事件開始時處于閉眼或低頭的狀態時，FCW能有效提高疲勞駕駛人的反應能力。

目前市場上有關疲勞駕駛預警系統的裝置主要通過對駕駛人進行生理信號（如駕駛人面部特征等）以及非生理信號（如駕駛行為數據等）的采集、分析和處理，來判斷駕駛人當前的疲勞狀態。此外，圖像處理技術也常被應用于疲勞駕駛預警系統設計。基于圖像處理的疲勞駕駛預警系統通常包含四個模塊：圖像采集模塊、圖像處理模塊、中央處理器以及報警顯示模塊。通過對駕駛人面部特征、眼動特征等進行不間斷采集，并對圖像進行數字化及降噪等處理，傳輸至中央處理器利用圖像處理算法不斷優化結果，最終輸出結果并通過指示燈、聲音或振動等方式進行疲勞駕駛預警。

5 總結

本文總結了近兩年TRB年會及Accident Analysis & Prevention等交通安全類期刊中有關駕駛疲勞的研究進展，梳理了國際上關于駕駛疲勞的研究內容、研究方法及研究結果。目前疲勞駕駛研究領域的最新文獻主要圍繞交通安全、駕駛行為、醫學等方面進行開展，且在疲勞的檢測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，如何提高模型對駕駛人疲勞狀態的判別準確性是未來研究需要更進一步探究的內容。在對于疲勞駕駛的研究手段上，自然駕駛數據是最為精準可以反應駕駛人行為的一種方式。但如何對自然駕駛數據中的駕駛人的疲勞狀態進行有效識別，發現其疲勞狀態下的行為規律，從而進行更有針對性的預警是未來研究中可以探究的方向。

對于疲勞等級的劃分標準目前尚未有成熟的參考依據，如何對疲勞等級進行更加精確的劃分也是未來研究中值得繼續探索的內容。此外，在Level 5的自動駕駛尚未完全實現前，在自動駕駛車輛需要駕駛人接管的條件下，如何對接管狀態下駕駛人的疲勞駕駛進行有效地干預同樣值得思考。

參考文獻

[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. 中華人民共和國道路交通事故統計年報（2015年度）. 公安部交通管理科學研究所，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.