基于擴張殘差網絡的半荒漠化地區高速公路駕駛疲勞研究

蔣鵬，葛洪成，符鋅砂，胡嘉誠

（1.中交基礎設施養護集團，北京 100102；2.華南理工大學 土木與交通學院，廣東 廣州 510640；3.中交第四航務工程勘察設計院有限公司，廣東 廣州 510000）

0 引言

我國半荒漠化地帶主要分布于華北、西北地區，其氣候環境常年干燥、路側植被稀少，地勢平坦，是草原與沙漠的過渡區域。半荒漠化地區公路往往線形指標較高、道路設施形式及路側環境單調乏味，容易誘使駕駛人超速駕駛，也易導致駕駛人進入疲勞狀態，進而造成不同程度的駕駛風險[1]。因此，明確單調路側景觀對于駕駛人的駕駛疲勞影響過程，對于在半荒漠化地區高速公路景觀設計中如何刺激駕駛人的行駛注意力、緩解駕駛疲勞、降低駕駛風險至關重要。

駕駛疲勞是指駕駛人在經歷長時間駕駛后，生心理機能發生失調，難以對駕駛環境和狀態進行正確判斷致使駕駛能力下降的狀態[2]。長期以來，針對駕駛人疲勞狀態的評估方法一般分為主觀問卷、生理指標評估等。在不借助任何儀器設備的情況下，對駕駛人收集壓力問卷與量表可以快速地了解其主觀疲勞感受，相關研究有：閻瑩等使用KSS 主觀疲勞量表衡量駕駛人在單調道路環境下的疲勞狀態[3]；張代發對國外廣泛應用的瑞典職業疲勞量表（SOFI-C）進行了修訂完善，并應用于駕駛疲勞評估[4]。還有一些學者嘗試采用多項生心理指標對駕駛人的疲勞狀態進行量化，通過采集駕駛環境、車輛狀態等多模態參數來評估駕駛人在行車過程中的疲勞程度，如：Li等開發了一個實時主動監測駕駛人疲勞程度的系統，利用SVM 方法識別基于心理特征的駕駛人疲勞狀態[5]；Lal 等提出了一種基于腦電指標的疲勞檢測方法，利用疲勞期間所有主要腦電波段的變化來判斷不同疲勞程度[6]；王艷玲提出了一個基于BP 神經網絡的駕駛疲勞實時識別系統，該系統利用生理數據、眼動數據和車輛運行數據來判斷駕駛人疲勞狀況[7]。針對單調路側環境對駕駛人疲勞狀態影響的研究主要集中在疲勞特征和疲勞發生時間分析等方面[8]，如：劉建蓓等選取3個高海拔點，通過駕駛模擬方式探究了駕駛人在高原環境下的疲勞特征[9]；秦偉等通過實駕試驗探究了駕駛人在草原公路上駕駛時的疲勞發生時間[10]；陳婷婷等通過模擬駕駛，研究了荒漠草原景觀對駕駛疲勞的影響[11]。

綜上所述，既有成果通過主觀量表與模擬駕駛評估等方法，對駕駛疲勞檢測和評估方法進行了研究，也探討了高原、草原等單調道路景觀對駕駛疲勞的影響，但并未對該類型道路的景觀元素進行量化表征。為了量化單調路側景觀對駕駛疲勞過程的影響，本研究選取半荒漠化地區的3條高速公路開展試驗，通過設計自然駕駛試驗的方式進行路側景觀、駕駛人心電指標等數據的采集，選取行車視野中占比最大的“天空”元素作為路側環境的量化指標，通過“天空”元素比例變化量定義路側景觀刺激等級和強度；選取心率表征駕駛人在行車過程中的疲勞度，通過分析駕駛人心率隨景觀刺激等級和強度的變化規律，探究半荒漠化地區單調路側景觀對駕駛人駕駛疲勞的影響過程。

1 自然駕駛試驗數據采集與處理

1.1 數據采集

半荒漠化地區地廣人稀，用地限制較少，因此所建高速公路往往線形指標較高，以長直線和大半徑曲線為主，極易誘使駕駛人產生疲勞。本研究選擇我國西北半荒漠化地區具有代表性的青銀、定武、黑海3 條高速公路進行試驗。試驗路段長度分別為60.5km,63.1km 與56.5km，設計速度均為100km/h，與大多數半荒漠化地區高速公路設計速度保持一致。3 條試驗路段均為長直線或大半徑曲線，日常車輛稀少，平均車頭時距大于8s，可視為自由流狀態。本研究不考慮線形、交通量及突發事件等因素對駕駛疲勞的影響。試驗招募了13 名駕駛人，包括9 名男性、4 名女性，年齡分布和性別分布與我國目前駕駛人比例一致[12]（年齡跨度26～40 歲，平均年齡31.1 歲，標準差4.6），駕齡在3～15 年不等（均值為7.3 年，標準差3.9），所有被招募者都持有中華人民共和國機動車駕駛C1 執照，視力或矯正視力均達到5.0。

采用3 項設備進行試驗及數據采集：①大眾朗逸（1.6T 排量，三廂自動擋小汽車）被選作試驗車用于自然駕駛試驗；②BIOPAC MP160 生理采集儀用于收集駕駛人在駕駛任務中的心電信號；③行車記錄儀被固定在與駕駛人視角平齊的車輛前擋風玻璃中央，用于記錄行駛過程中駕駛員視角的路側景觀。自然駕駛試驗場景如圖1所示。

圖1 自然駕駛試驗場景

既有理論研究表明，駕駛人在單調景觀道路上行駛20～40min 后將進入疲勞狀態[13]，故本研究為了確保被試人的疲勞數據得到有效記錄，選取90min 作為研究時長，即單個駕駛人在單條試驗路段連續完成兩個上下行的行駛，單次試驗總里程約為226～252km，總時長約為100～120min。單次試驗過程共分為4 個步驟：①試驗前安裝行車記錄儀，繞試驗車一圈，檢查有無漏油、車輛指標是否正常等；②在被試人員身體指定位置安裝電極片進行心電信號采集，并在正式試驗前進行10min 適應性駕駛；③在目標路段進行單次試驗數據采集，為了保持試驗數據的準確性，告知駕駛人不允許在車內交談或出現大幅度的肢體晃動；④重點檢查試驗路段試驗數據收集情況，取下駕駛人身上的電極片，完成單次采集。

1.2 疲勞指標選擇

根據以往研究結果，常用于反映疲勞的駕駛人生心理指標以腦電波信號[14]與心電信號[15]為主。心電信號與腦電波等信號在檢測疲勞時存在一定的相關性[16]，由于心電信號在采集方式上較腦電波信號更為便捷，故本文選用心電指標來表征駕駛人的疲勞狀態。心電信號中的心率（Heart Rate,HR）和心率變異性信號（Heart Rate Vari?ability,HRV）會因自主神經系統活動的波動而變化，當人們處于緊張、興奮狀態時，自主神經系統相對活躍，心率提高；在疲勞狀態下，神經系統活動較為低迷，心率也較低。HRV 分為時域和頻域指標，本試驗擬提取的時域信號為相鄰R-R（心電圖中兩個相鄰R 波的時間差）間隔之差的均方根RMSSD；頻域信號為低頻（Low Frequen?cy,LF）、高頻（High Frequency,HF）、低高頻比值LF/HF。

在進行疲勞過程分析之前，為了探究各指標間是否適合進行相關性分析，首先應進行KMO（Kaiser-Meyer-Olkin）檢驗和Bartlett′s 球狀檢驗。在數理統計分析中，KMO 檢驗[17]用于探究變量之間的簡單相關系數和偏相關系數之間的關系，其具體計算方法見式（1）。KMO 取值范圍對應結果見表1。

表1 KMO取值度量標準表

式（1）中：rij為第i,j個變量間的簡單相關系數；aij為第i,j個變量間的偏相關系數。

Bartlett′s 球狀檢驗通過判定變量的相關系數矩陣是否為單位陣來衡量指標間是否存在相關性，其零假設為相關系數矩陣是一個單位陣。當Sig.<0.05（即p值<0.05）時，拒絕零假設，表明指標間存在相關性，反之則接受零假設，指標間不存在相關性。表2 為各項心電指標的Bartlett′s球狀檢驗結果，計算得出KMO 值為0.824，表明分析的適用性較好，球狀檢驗顯著性水平0.000<0.05，拒絕零假設，指標間存在相關性，可以進行指標間的相關性分析。

表2 Bartlett′s球狀檢驗和KMO檢驗結果

指標間的Pearson 相關性分析結果見表3，表明心率HR 與其他各項指標均具有較顯著的相關性，故本研究選取心理信號HR 作為駕駛疲勞的評價指標。

表3 心電指標相關性分析

1.3 基于擴張殘差網絡的路側環境量化方法

為了對半荒漠化地區高速公路行車路側景觀進行量化，基于深度學習中的擴張殘差網絡（Di?lated Residual Networks,DRN）算法對行車記錄儀收集到的圖像進行語義分割。DRN 是一種基于ResNet 進行擴張卷積的算法，可降低圖像分辨率損失，最大程度地保留細節[18]。DRN 模型設置了7 組卷積網絡，以ResNet 為基礎且移除了下采樣層，維持了特征圖的空間分辨率。另外，該模型在第4 組和第5 組設置了擴張卷積，較大程度地減少了圖像像素細節丟失，且在網格末端加入第6組和第7組以避免產生過度膨脹。

DRN 模型根據半荒漠化高速公路場景，將圖像劃分為道路、天空、轎車等10種元素，模型具體量化過程及圖像語義分割結果如圖2所示。

從圖2 中語義分割結果來看，半荒漠化地形中“天空”場景在駕駛員的行駛視野中所占比例最大，故本研究將“天空比例”視作試驗路段路側環境單調性的量化指標，其量化計算過程見式（2）。

圖2 路側景觀圖像語義分割過程圖

式（2）中：Props為天空元素占比（%）；pixelsj為天空元素的第j個像素；pixelij為第i種元素的第j個像素。

2 單調路側環境對駕駛疲勞的影響

2.1 路側景觀刺激定義及分級

如前文所述，本文以天空比例作為路側環境單調性的衡量指標：對于駕駛人而言，相鄰時段天空比例變化越小，表明路側景觀越保持單調的變化態勢，對駕駛人的感官刺激就越微弱，致使駕駛人很快進入疲勞狀態。本研究以1s為時間間隔，計算路側景觀圖像前后天空比例的變化量，將其作為路側景觀的刺激程度。以青銀高速為例，在連續的天空比例變化量時間序列中，定義C為一次有效刺激，其篩選方法見式（3）：

式（3）中：C為青銀高速試驗路段有效刺激次數集合；ci為第i時刻與i-1 時刻天空比例的差值絕對值（%）；avec為試驗路段ci的均值（%）；σc為標準差（%）；T為天空比例變化量的刺激閾值（%）。

經計算，青銀高速avec=0.9%，σc=3.7%，故其路側天空比例變化量的刺激閾值為4.6%。圖3為青銀高速2050～2215s 時間段的天空比例變化量與主要刺激景觀分布狀況。

圖3 青銀高速路側景觀刺激分布圖

圖3 中，有4 處明顯逾越閾值線的景觀變化點：跨線橋在該路段的天空比例變化量為31.4%，是整個路段影響最大的刺激類型；其次是跨線橋龍門架等組合設置，約為17.6%；較為常見的高速公路情報板和標志牌天空比例變化量為12.4%和5.6%。通過以上方式對3 條試驗路段的主要刺激景觀進行計算篩選，結果如表4所示。

表4 試驗路段刺激閾值及主要刺激景觀次數統計表

為了分析不同類型景觀刺激對駕駛人的影響程度，研究通過k-means 聚類方法對采集到的3條路段共計201 個主要刺激點的天空比例變化量進行聚類分級。聚類設置了3 個中心，將刺激等級劃分為低、中、高3 級，具體劃分標準和聚類結果如表5 所示，其中，低刺激等級景觀最多，占試驗路段總刺激景觀的71.14%；中刺激等級景觀次之；高刺激等級景觀較少。為了探究不同景觀刺激等級之間有無明顯差別，對聚類得到的3 類景觀刺激等級進行了單因素方差分析，具體結果見表6。結果表明，聚類得到的不同景觀刺激等級之間存在顯著差異，表明在不同天空比例變化量的影響下，景觀對駕駛人的刺激程度具有統計學意義，可用于進一步疲勞分析。

表5 景觀刺激等級聚類結果表

表6 不同景觀刺激等級單因素方差檢驗表

2.2 不同路側景觀刺激頻率對駕駛疲勞的影響

心率在臨床上指1min內的心跳次數，故本文以1min為時間單元進行生理指標與景觀刺激狀況的對齊映射。將景觀刺激頻率Lf定義為被試人員在每分鐘駕駛過程中主要刺激景觀的累計次數（次/min），計算方法見式（4）：

式（4）中：gi表示低（i=1）、中（i=2）、高（i=3）等級景觀刺激出現的次數。

為了探尋駕駛過程中心率的變化狀況，選取連續時間序列數據中前后單元間心率差值dif(HRi)來表征駕駛人生理信號，其計算方法見式（5）：

式（5）中：dif(HRi)為相鄰時間單元間心率差值（bpm）；ave(HRi)為第i時刻單元內的心率均值（bpm）；ave(HRi-1)為第i-1 時刻單元內的心率均值（bpm）。

通過對3 條試驗道路路側環境刺激次數與心率變化狀況在單元時間尺度內對齊，統計了不同刺激頻率與心率變化狀況的對應情況，如表7 所示。從表中可知，單位時間內景觀刺激集中在每分鐘0,1,2 次3 種較低的頻率，共占總計時間單元的80.83%。這表明路側景觀大多數時間對于駕駛人的刺激程度很低，符合半荒漠化地區荒蕪的路側景觀特性。

表7 景觀刺激頻率與單元間心率差值映射統計表

表7 （續）

為了更直觀地挖掘心率變化狀況和景觀刺激頻率的潛在聯系，繪制單元間心率差值隨刺激頻率的變化柱狀圖，如圖4 所示。從該圖可見，駕駛人的單元間心率差值隨刺激頻率的增大而增大。其中，路側景觀刺激頻次從3 次/min 起，單元間心率差值由負值轉化為正值，這表明3次/min的刺激頻率是打破駕駛人的疲勞狀態、激活駕駛意識的起點頻次，且刺激頻率越高，駕駛人對周圍景觀注意力集中的時間越長、單元間心率差值越大，從而愈發不易疲勞。

圖4 單元間心率差值隨路側景觀刺激頻率變化柱狀圖

2.3 不同路側景觀刺激強度對駕駛疲勞的影響

景觀刺激頻率表征單位時間內對駕駛人駕駛疲勞有顯著影響的刺激景觀次數，然而該指標并未明確不同刺激強度的路側景觀對駕駛人的駕駛疲勞影響是否一致。為了從刺激強度的角度探究其對駕駛疲勞的影響，根據前文聚類得到的景觀刺激等級劃分結果，對每分鐘所有景觀的刺激強度進行累加得到單位時間景觀刺激強度Ls，其計算公式見式（6），如青銀高速第25 分鐘有1 處高刺激等級和2 處低刺激等級，則定義該單位分鐘內的刺激強度為3×1+2×1=5。

式（6）中：Ls為單位時間景觀刺激強度（級/min）；i=1,2,3 分別代表景觀的刺激等級為低、中、高；gi的含義同式（4）。

與刺激頻率分析過程類似，對景觀刺激強度與單元間心率差值進行映射統計，結果見表8。通過對統計表進行分析，發現刺激強度等級大多集中在0,1,2,3 這4 個等級，合計占總時間單元的84.02%。

表8 景觀刺激強度與單元間心率差值映射統計表

繪制單元間心率差值隨刺激強度的變化柱狀圖，如圖5所示。

圖5 單元間心率差值隨路側景觀刺激強度變化柱狀圖

從圖5 可以看出，單元間心率差值隨刺激強度的增大而增大。其中，路側景觀刺激強度從4 級/min 起，單元間心率差值由負值轉化為正值，這表明4 級/min 的刺激強度是將駕駛人從疲勞狀態喚醒的最小等級，更高的刺激等級對應更大的單元間心率差值，表征駕駛人將投入更多的注意力在行駛上。

3 結論

為研究半荒漠化地區的路側單調景觀對駕駛人疲勞狀態的影響，本文設計并實施了自然駕駛試驗，提取了行車視野圖像、駕駛人心電變化等指標，主要研究成果和結論如下：

（1）基于擴張殘差網絡模型對行車記錄儀采集的圖像進行語義分割，提取了天空比例隨駕駛進程的時間序列數據；基于相鄰時刻圖像間的天空比例變化量數據進行聚類，將景觀刺激等級劃分為低、中、高3級；

（2）駕駛人的單元間心率差值隨景觀刺激頻率的提升而增大，3 次/min 的刺激頻率是打破駕駛人的疲勞狀態、激活駕駛意識的最低頻次，刺激頻率越高，駕駛人對周圍景觀的注意力集中的時間越長；

（3）駕駛人的單元間心率差值隨景觀刺激強度的增強而增大，4 級/min 的刺激強度是將駕駛人從疲勞狀態喚醒的閾值，越大的刺激強度表征駕駛人將投入越多的行駛注意力，越不容易產生駕駛疲勞狀態。

需要說明的是，本研究為了確保實車試驗的安全性，僅考慮了小客車在自由流下的實車場景，未考慮其他車型和多車交互下的場景，故仍存在一些不足和優化空間。此外，針對單調景觀選取的試驗路段集中在我國西北的半荒漠化地區，未來的研究中可提升試驗場景的豐富性。