特長隧道出入口駕駛員生理負荷與行車安全性研究

梁 波， 文 森， 肖 堯， 劉 濤

(1. 重慶交通大學土木工程學院， 重慶 400074； 2. 重慶交通大學 省部共建山區橋梁與隧道工程國家重點實驗室， 重慶 400074； 3. 重慶市軌道交通(集團)有限公司， 重慶 400042； 4. 瀘州市交通建設工程服務中心， 四川 瀘州 646000)

0 引言

公路隧道作為一種半封閉結構，由于其洞內外有巨大的亮度差，存在“黑洞效應”和“白洞效應”等現象。駕駛員在進出隧道過程中會出現暗適應和明適應，其生理負荷會急劇增加。根據人的工作績效與生理負荷呈倒U型關系，較高的生理負荷使駕駛員的反應時間延長，增大發生交通事故的概率[1]。因此，對隧道各區段，尤其是對出入口段的駕駛員生理負荷進行研究，明確負荷值的變化規律及其相應參數，對保障交通安全有著重要的意義。

目前，國內外關于駕駛員生理負荷的評價方法主要有主觀評價法和客觀評價法2種。主觀評價法大多采用問卷調查或者評價量表的方式，如精神負荷評估量表和任務負荷指數量表等[2-3]，可以直接反映出駕駛員的生理負荷情況。然而，主觀評價法受不同駕駛員的個體差異影響較大，且具有較強的主觀性，因此，較少被采用。客觀評價法主要分為駕駛績效法和生理反應法。駕駛績效法主要通過對駕駛員在道路上行駛時的換道、加減速和剎車頻率等情況來判斷駕駛員的生理負荷。生理反應法主要通過對駕駛員的生理指標進行測量，如瞳孔面積、心率、呼吸頻率、心率變異性等[4-5]，并觀察指標的變化規律，來確定駕駛員的生理負荷。由于大部分隧道內禁止變道，對駕駛行為要求較嚴格，所以本文擬采用生理反應法對駕駛員的生理負荷進行研究。

在關于生理反應法的研究中，Wang等[6]選擇瞳孔面積最大瞬態速度值(MTVV)對隧道出入口不同時間段的生理負荷進行評價，結果表明夜晚隧道出口段的生理負荷最大，白天隧道出入口段的生理負荷相差不大； He等[7]通過測試駕駛員的反應時間和錯過目標率，對不同照明段和照明參數下駕駛員的生理負荷進行評價，結果表明不同的光環境參數對駕駛員視覺感知存在顯著影響，且駕駛員在不同照明段的生理負荷也不同； 焦方通等[8]基于實車試驗研究了駕駛員的瞳孔變動特性，構建了瞳孔面積最大瞬態速度值與瞳孔面積的函數模型，并對出入口段駕駛員的生理負荷進行比較； 朱彤等[9]以心率和心率變異性指標分析為基礎，通過數據挖掘構建了基于因子分析的生理負荷計算模型，分析了熟練駕駛員和不熟練駕駛員在隧道中的生理負荷。

然而，已有的研究大多基于城市隧道或者普通公路隧道，缺乏對駕駛員在特長隧道出入口段明暗適應性及生理負荷的深入研究，而已有研究表明隨著隧道長度的增加，駕駛員在隧道出入口段的明暗適應時間也會延長[10]； 因此，有必要對駕駛員在特長隧道出入口段的明暗適應性及生理負荷進行研究。此外，在以往的研究中，往往只選擇一種或一類評價指標對駕駛員的生理負荷進行評價，沒有綜合不同的指標進行建模分析，缺乏一定的客觀性和說服力。因此，本文以大灣隧道為試驗隧道，以在隧道出入口采集到的不同生理指標數據為研究對象，結合模糊綜合分析法等評價方法量化并比較特長隧道出入口不同區段的駕駛員生理負荷，并根據生理負荷對規范中的相應安全參數進行驗證。

1 特長隧道環境實車試驗

1.1 試驗隧道

根據JTG D70—2004《公路隧道設計規范》，特長隧道為長度大于3 km的隧道。選擇設計速度為80 km/h的大灣隧道(3 250 m)作為本次的試驗隧道。隧道的出入口均為直線，且坡率在2%以下，能夠確保駕駛員的生理負荷不受線形、坡度等光環境以外的因素干擾。現場試驗如圖1所示。

圖1 現場試驗

1.2 測試指標

針對特長隧道黑暗封閉的環境對人的生理影響，選擇瞳孔面積、心率及呼吸頻率作為測試指標，并使用眼動儀和生理儀對相應指標進行采集。瞳孔面積、心率、呼吸頻率3個指標均能反映駕駛員的生理負荷，其負荷大小隨著指標數值的增加而增大[11-12]。

1.3 試驗設備及試驗者

本次試驗采用德國SMI眼動儀采集駕駛員的瞳孔面積。該眼動儀采樣頻率為50/60 Hz，視線追蹤精度小于0.1°，瞳孔追蹤精度為0.5°～1°。采用美國BIOPAC公司生產的MP150生理記錄儀采集駕駛員的心率和呼吸指標，采樣頻率為400 kHz，通過配備的AcKnowledge軟件來分析其心電指標的變化情況。在測試時駕駛員需要按照指示在胸前不同位置貼上心電貼片，并用相應的導線連接到心電模塊，以采集到準確的心電指標。

選取10位駕駛員進行現場實車試驗，其中包括7位男性和3位女性，年齡在20～50歲，且均有1年以上駕齡。為了避免偶然誤差帶來的影響，每位駕駛員至少做3次有效試驗。因為本次試驗是采集駕駛員的生理指標，所以在試驗前每位駕駛員都需保證有充足的休息時間和平穩的心態。

1.4 試驗流程

為了避免早晚高峰出行時較大的車流量對駕駛員生理指標帶來的影響，選擇天氣狀況良好且車流量較小的時間段進行實車試驗。駕駛員全程按照設計速度行駛，為了避免駕駛員長時間行駛產生疲勞感，每位駕駛員每次試驗至少間隔20 min。試驗的主要流程如圖2所示。

圖2 試驗的主要流程

1.5 數據預處理

試驗結束后，選擇隧道出口處和入口處前后20 s的測試值作為本次試驗的研究對象，其中隧道出口和入口位置的測試值對應的時間點為0 s，根據時間段將隧道出入口分為4個部分： -10～0 s對應的是入口外(出口內)，0～10 s對應的是出口外(入口內)。從0 s開始，前、后每隔1 s提取該時間段內的平均值作為測試值，如果該時間段內有數據和平均值之差超過3倍標準差時，則需在剔除該數據后重新求平均值。

2 試驗結果和分析

瞳孔面積、心率、呼吸頻率3個指標在隧道出入口不同區段的測試結果如表1和圖3—5所示。為了對駕駛員在隧道不同區段的生理指標進行顯著性分析，首先對其進行正態分布檢驗，結果表明，經Shapiro-wilk檢驗，各組數據均符合正態分布。因此，采用單因素方差分析對其進行差異性檢驗。

由表1可知，駕駛員在隧道不同區段的瞳孔面積存在總體顯著性差異。由圖3可知，駕駛員在隧道出口內的瞳孔面積最大，其次是入口內，入口外和出口外的瞳孔面積整體相差不大且均較小。說明駕駛員在隧道內行駛時由于光線較弱，瞳孔面積較隧道外增大，進而增加了駕駛員的生理負荷。

圖3 不同區段的瞳孔面積

由表1可知，駕駛員在隧道不同區段的心率和呼吸頻率存在總體顯著性差異。由圖4和圖5可知，駕駛員在隧道入口內的心率和呼吸頻率整體最大，入口內和入口外的心率存在顯著性差異。因為進入隧道后，駕駛員由于暗適應無法在較短時間內看清前方的交通狀況，導致生理負荷上升。而隧道出口內和出口外的心率和呼吸頻率均小于入口內，說明相比于明適應，暗適應會給駕駛員帶來更高的生理負荷。

圖4 不同區段的心率

圖5 不同區段的呼吸頻率

由上述結果可知，不同指標在特長隧道不同區段的值均具有顯著性差異。為了能夠綜合不同的指標進行評價，量化駕駛員的整體生理負荷，引入基于熵權法的模糊綜合分析法建立駕駛員的整體生理負荷模型，并比較隧道不同區段的生理負荷大小。

3 模糊綜合分析

現有的評價方法主要有回歸分析、因子分析、灰色關聯分析和模糊綜合分析等[13-14]。模糊評價模型的作用是將某些邊界不清、不易定量的評價對象定量化，適合對含有不同屬性或受不同指標影響的評價對象進行整體評價[15]。因此，本文采用模糊評價模型對駕駛員的生理負荷進行分析評價。

本文選擇瞳孔面積、心率和呼吸頻率作為評價指標，為了能夠使用模糊綜合分析法對駕駛員的生理負荷進行評價，建立評價指標集合為U={u1,u2,u3}，每個評價指標又可以劃分為5個評價等級，評價等級集合為V={v1,v2,v3,v4,v5}，通過建立隸屬度矩陣來確定每個區段的每種指標對不同等級的“貢獻度”，再通過熵權法確定不同指標的權重，從而使用模糊綜合分析法確定生理負荷的大小。

3.1 確定評價等級的取值范圍

采用模糊評價之前需要對不同指標進行等級劃分，由于現有規范缺乏相關劃分參考，因此，采用k-means聚類分析對不同指標的樣本數據進行聚類，從而得到不同等級的取值范圍[16]。具體過程如下。

1)指定需要劃分的簇的個數k值，從樣本矩陣Ti中隨機選擇k個樣本數據作為初始聚類中心si(i=1, 2,…,k)。

2)令Ti的每行元素為pi，計算出pi到聚類中心si的距離，計算公式為

(1)

式中：dis(pi,si)為計算距離；pin和sin為第n個指標對應的第i個樣本的值。

3)計算出所有的樣本到各中心點的距離后，將樣本分配到距離最近的中心點對應的類別中。

4)重新分配類別后，再計算出每個類別對應的中心點，計算公式為

(2)

式中：si為重新聚類后的第i個聚類中心；N為該聚類中心對應的類別的樣本個數。

5)重復步驟3)和步驟4)，直到迭代結束，可得到各項測量指標評價等級的取值范圍，如表2所示。

表2 不同指標的等級取值范圍

3.2 確定隸屬度矩陣

隸屬度矩陣的建立是模糊綜合分析中最重要的部分，隸屬度代表不同區段的不同評價指標樣本數據在各等級中的“占比”，因此，隸屬度函數的選擇對評價結果有決定性影響。基于本文所采用的評價指標和評價方法，采用式(3)的隸屬度函數[17]來計算隸屬度矩陣。本文以隧道入口內區段為計算案例。

(3)

其中：

ρ1=|λi-1/2(aij+bij)|-1/2(bij-aij)；

ρ2=|λi-1/2(api+bpi)|-1/2(bpi-api)。

式中：rij為評價指標Ui對應于不同等級Vj的隸屬度；ρ1、ρ2為隸屬度衡量值；λi為評價指標樣本數據的平均值，取值范圍為[api,bpi]，api為該評價指標的最小值，bpi為該評價指標的最大值； 評價指標對應的各評價等級的取值范圍為[aij,bij]，aij為該評價等級的最小值，bij為該評價等級的最大值。

本文經過隸屬度函數計算，得到每項指標對應于各等級的隸屬度，隧道入口內區段的隸屬度矩陣如表3所示。

表3 隸屬度矩陣

3.3 確定指標權重

為了能夠客觀地綜合不同指標，從而對整體生理負荷進行評價，需對不同指標進行權重計算。現有的權重計算方法有層次分析法、熵權法和主成分分析法等。熵權法通過計算各指標樣本數據信息熵的大小來確定權重，能很好地反映出隧道不同區段內駕駛員的各項生理指標所包含的信息量，并將各項指標融合到一起進行整體評價，因此，采用熵權法來計算指標權重，計算過程如下[18]。

1)設有m個評價指標、n個評價對象的初始樣本矩陣為X=(xij)m×n，xij為矩陣中的具體元素(i=1, 2,…,m;j=1, 2, …,n)。首先需要消除各項指標量綱的不同，構建標準化矩陣Y=(yij)m×n。由于本文中的3個指標均為極大型指標，所以采用式(4)對初始數據矩陣X=(xij)m×n進行標準化。

(4)

式中：yij為xij標準化后的值； max(xj)和min(xj)為第j個指標的最大值和最小值。

2)按照式(5)計算第i個評價對象的特征比重pij。

(5)

在得到pij的基礎上，按照式(6)計算第j個評價指標的信息熵值ej。

(6)

3)在信息熵值ej的基礎上計算信息效用值dj=1-ej，信息效用值越大則表示對應的信息量就越大，熵權值也就越大。通過式(7)將信息效用值歸一化得到熵權wj。

(7)

由上述公式可計算得到各項指標的權重值，如表4所示。

表4 指標權重

3.4 確定生理負荷大小

在得到隸屬度矩陣和指標權重的基礎上，使用matlab對兩者進行矩陣計算，如式(8)所示。

t=WR[19]。

(8)

式中：t為模糊綜合評價結果向量；W為歸一化后的隸屬度矩陣；R為指標權重向量。

計算得到模糊綜合評價結果向量t=(t1,t2, …,tn)，t中的元素tj表示駕駛員在隧道某一區段的生理負荷依附于等級Vj的程度。對生理負荷的不同等級進行賦值，定義分數向量S=(50, 60, 70, 80, 90)T，t和S的乘積即為最后的綜合得分F，表示駕駛員整體生理負荷的大小。使用上述方法計算出隧道4個區段的整體生理負荷得分情況，如圖6所示。

圖6 生理負荷得分結果

由圖6可知，駕駛員在隧道不同區段行駛的生理負荷綜合評分中，入口內的生理負荷最大，其次是出口內，然后是出口外和入口外。入口內和出口內的評分很接近，證明駕駛員在隧道黑暗封閉的環境中容易產生較高的生理負荷。

4 基于生理負荷的特長隧道行車安全性研究

由上文可知，駕駛員在隧道入口內的生理負荷是隧道所有區段中最大的，對駕駛員行駛的安全性會產生一定影響。由于隧道洞內外巨大的亮度差，駕駛員在進入隧道時會出現暗適應現象而導致無法看清前方交通狀況，需在入口段設置加強照明來保證駕駛員的安全行駛，因此，入口段長度的設置決定了駕駛員行駛的安全性，而目前規范依賴物理指標進行設計，需根據暗適應距離對其安全性進行驗證。

根據JTG/T D70/2-01—2014《公路隧道照明設計細則》，隧道入口段的設計長度

(9)

式中：D為隧道入口段的設計長度；Ds為停車視距；h為隧道內凈空高度。

由式(9)可知，該設計參數只是考慮了部分物理指標，并沒有考慮駕駛員的暗適應距離，而隧道入口段長度決定了加強照明的長度，會影響隧道入口段的交通安全。本文選取試驗隧道入口段駕駛員的生理數據來計算暗適應距離，并驗證其是否能滿足行車安全。

目前，國內研究人員通過暗適應時間來確定暗適應距離[20]。為了得到準確的暗適應時間，選取駕駛員瞳孔面積變化率較上一時刻平均波動小于15%的時間點作為暗適應的完成[8]，再根據暗適應時間來確定暗適應距離。駕駛員的瞳孔面積變化率如圖7所示。

圖7 駕駛員的瞳孔面積變化率

由圖7可得，駕駛員的平均暗適應時間為8.6 s，在隧道入口段的行駛速度為80 km/h，換算單位后與暗適應時間的乘積即為暗適應距離，為191 m。而根據式(9)計算可知，《公路隧道照明設計細則》中規定的特長隧道入口段長度為147 m。所以驗證結果表明： 駕駛員的暗適應距離大于規范中規定的特長隧道入口段長度，即加強照明長度會導致較高的行車安全風險。

5 結論與討論

1)駕駛員的瞳孔面積、心率和呼吸頻率在隧道不同區段均具有顯著性差異。瞳孔面積在出口內最大，其次是入口內，出口外和入口外相差不大，反映出駕駛員在隧道內黑暗環境行駛時瞳孔面積會急劇擴大。心率和呼吸頻率均在入口內最大，反映出駕駛員剛進入隧道時會因為暗適應而無法看清周邊狀況，從而產生恐慌心理，增加生理負荷。

2)基于模糊綜合評價模型對生理負荷進行量化，結果顯示，特長隧道入口內駕駛員的生理負荷最大，其次是出口內，出口外和入口外的生理負荷均較低。表明暗適應會比明適應帶來更大的生理負荷，而在隧道外明亮的環境下，駕駛員的生理負荷較低。

3)對駕駛員生理負荷影響最大的隧道入口段的行車安全性進行研究，結果顯示，駕駛員在特長隧道入口段的暗適應時間為8.6 s，根據暗適應時間確定暗適應距離為191 m，大于規范規定的入口段加強照明長度，會增加行車安全風險。

4)駕駛員生理負荷與行車安全有著密切的關系，故還需增加隧道數量及評價指標類型，以得到更準確的生理負荷值，并通過生理負荷改善隧道交通安全設計。

參考文獻(References)：

[1] DE WAAR D. The measurement of drivers′ mental workload[M]. Netherlands: Groningen University of Groningen, 1996.

[2] RECARTE M A, ELISA P, CONCHILLO A, et al. Mental workload and visual impairment: Differences between pupil, blink, and subjective rating[J]. Spanish Journal of Psychology, 2008, 11(2): 374.

[3] RUBIO S, DIAZ E, MARTIN J, et al. Evaluation of subjective mental workload: a comparison of SWAT, NASA-TLX, and workload profile methods[J]. Applied Psychology, 2004, 53(1): 61.

[4] JIAO Fangtong, DU Zhigang, WANG Shoushuo, et al. Research on drivers′ visual characteristics in different curvatures and turning conditions of the extra-long urban underwater tunnels[J]. Tunnelling and Underground Space Technology, 2020(99): 22.

[5] FENG Zhongxiang, YANG Miaomiao, ZHANG Weihua, et al. Effect of longitudinal slope of urban underpass tunnels on drivers′ heart rate and speed: a study based on a real vehicle experiment[J]. Tunnelling and Underground Space Technology, 2018(81): 525.

[6] WANG Shoushuo, DU Zhigang, JIAO Fangtong, et al. Drivers′ visual load at different time periods in entrance and exit zones of extra-long tunnel[J]. Traffic Injury Prevention, 2020, 21(8): 539.

[7] HE Shiyong, LIANG Bo, PAN Guobing, et al. Effects of transient adaptation on drivers′ visual performance in road tunnel lighting[J]. Tunnelling and Underground Space Technology, 2017(70): 42.

[8] 焦方通， 杜志剛， 王首碩， 等. 城市水下特長隧道出入口視覺及舒適性研究[J]. 中國公路學報， 2020， 33(6)： 147.

JIAO Fangtong, DU Zhigang, WANG Shoushuo, et al. Visual characteristic and comfort at the entrance and exit of the extra-long urban underwater tunnel[J]. China Journal of Highway and Transport, 2020, 33(6): 147.

[9] 朱彤， 吳玲， 胡月琦， 等. 基于因子模型的高速公路特長隧道駕駛人心理負荷特性研究[J]. 中國公路學報， 2018， 31(11)： 165.

ZHU Tong, WU Ling, HU Yueqi, et al. Research on characteristics of drivers′ mental workload in extra-long expressway tunnels based on the factor model[J]. China Journal of Highway and Transport, 2018, 31(11): 165.

[10] 杜志剛， 黃發明， 嚴新平， 等. 基于瞳孔面積變動的公路隧道明暗適應時間[J]. 公路交通科技， 2013， 30(5)： 98.

DU Zhigang, HUANG Faming, YAN Xinping, et al. Light and dark adaption time based on pupil area variation at entrance and exit areas of highway tunnel[J]. Highway and Transportation Science and Technology, 2013, 30(5): 98.

[11] JOHAN E, GUSTAV M, TRENT V, et al. Effects of cognitive load on driving performance: The cognitive control hypothesis[J]. The Journal of Human Factors and Ergonomics Society, 2017, 59(5): 1.

[12] 李聰穎， 邵壯壯， 封少帥， 等. 自行車騎行者生理、心理與綜合負荷感知模型[J]. 交通運輸工程學報， 2020， 20(1)： 181.

LI Congying, SHAO Zhuangzhuang, FENG Shaoshuai, et al. Physiology, psychology and comprehensive loading perception model of cyclists[J]. Journal of Traffic and Transportation Engineering, 2020, 20(1): 181.

[13] 胡江碧， 李然， 馬勇. 高速公路隧道入口段照明安全閾值評價方法[J]. 中國公路學報， 2014， 27(3)： 92.

HU Jiangbi, LI Ran, MA Yong. Evaluation method of lighting safety threshold for threshold zone of expressway tunnel[J]. China Journal of Highway and Transport, 2014, 27(3): 92.

[14] 趙妮娜， 趙曉華， 林展州， 等. 基于駕駛行為的高速公路出口標志形式研究[J]. 中國公路學報， 2020， 33(4)： 137.

ZHAO Nina, ZHAO Xiaohua, LIN Zhanzhou, et al. Exit gore sign forms for freeway based on driving behavior[J]. Chinese Journal of Highway and Transport, 2020, 33(4): 137.

[15] 謝季堅， 劉承平. 模糊數學方法及其應用[M]. 4版. 武漢： 華中科技大學出版社， 2013.

XIE Jijian, LIU Chengping. Fuzzy mathematical methods and applications[M]. 4th ed. Wuhan: Huazhong University of Science and Technology Press, 2013.

[16] XIAO Qiang, HE Ruichun, YU Jianning. Evaluation of taxi carpooling feasibility in different urban areas through the K-means matter-element analysis method[J]. Technology in Society, 2018(53): 135.

[17] ZHOU Jibiao, CHEN Hong, YAN Bin, et al. Risk assessment of operation safety in freeway tunnels: an evaluation approach using multiple safety indices[J]. Journal of Transportation Safety & Security, 2014, 6(2): 93.

[18] 陳紅， 周繼彪， 王建軍， 等. 公路隧道運行環境安全評價指標與方法[J]. 長安大學學報(自然科學版)， 2013， 33(4)： 54.

CHEN Hong, ZHOU Jibiao, WANG Jianjun, et al. Safety evaluation index and method of highway tunnel operating environment[J]. Journal of Chang′an University (Natural Science Edition), 2013, 33(4): 54.

[19] 趙曉華， 鞠云杰， 李佳， 等. 基于駕駛行為和視覺特性的長大隧道突起路標作用效果評估[J]. 中國公路學報， 2020， 33(6)： 29.

ZHAO Xiaohua, JU Yunjie, LI Jia, et al. Evaluation of the effect of RPMs in extra-long tunnels based on driving behavior and visual characteristics[J]. China Journal of Highway and Transport， 2020， 33(6): 29.

[20] 杜峰， 劉輝， 翁季， 等. 基于視覺功效的公路隧道入口段長度研究[J]. 重慶交通大學學報(自然科學版)， 2020， 39(3)： 36.

DU Feng, LIU Hui, WENG Ji, et al. Threshold zone length of road tunnel based on visual performance[J]. Journal of Chongqing Jiaotong University (Natural Science Edition), 2020, 39(3): 36.

引用格式：黃俊， 董盛時， 季紅玲， 等. 基于能源樁的城市隧道路面融雪防結冰技術探究[J]. 隧道建設(中英文)， 2021, 41(9)： 1468.

HUANG Jun, DONG Shengshi, JI Hongling, et al. Exploration of deicing technology for urban tunnel pavements using geothermal energy piles[J]. Tunnel Construction, 2021, 41(9)： 1468.