公路景觀色彩對駕駛員腦電δ波成分的影響

王琳虹, 李世武, 高振海

(1.吉林大學 交通學院， 長春 130025； 2.吉林大學 汽車工程學院， 長春 130025)

?

公路景觀色彩對駕駛員腦電δ波成分的影響

王琳虹1, 2, 李世武1, 高振海2

(1.吉林大學 交通學院， 長春 130025； 2.吉林大學 汽車工程學院， 長春 130025)

為量化高速公路路側景觀色彩與駕駛員腦電δ波成分之間的關系，在吉琿高速公路進行道路試驗，采集所需數據. 首先基于冪函數建立景觀色彩值與腦電δ波成分的關系模型,然后考慮駕駛時間對駕駛員腦電δ波的累積影響，基于高斯函數建立駕駛時間與腦電δ波成分的關系模型. 最后采用聯合建模的方式建立駕駛時間、景觀色彩值對腦電δ波成分的影響關系模型. 模型分析結果表明：路側景觀色彩均值與駕駛員腦電δ波成分呈負相關，而δ波多在駕駛疲勞時出現，即景觀色彩越鮮亮，越能有效避免駕駛疲勞的加劇；駕駛員腦電的δ波成分隨著駕駛時間t呈現波動，但是整體仍處于上升趨勢，即駕駛員為規避因疲勞導致的行車危險而強制自己處于警醒狀態，其自身會存在疲勞與抗拒疲勞的博弈過程.

交通運輸安全工程；高速公路；景觀色彩；駕駛時間；δ波成分

高速公路景觀對駕駛員的影響體現在兩方面. 一方面是偶發性的影響，如道路上設置的非交通標志廣告牌、強反射光、進出隧道時光強的突變等均易對駕駛員造成視覺干擾，分散其注意力，帶來安全隱患. 另一方面是累積性的影響，如路側景觀的色彩、連續性、植被造型及間距等通過長時間作用于駕駛員的生理、視覺，可能引起駕駛員注意力、反應速度等疲勞特性的變化，進而影響駕駛員的操縱能力. 無論是累積性還是偶發性的影響，最后均有可能誘發交通事故. 偶發性影響因素所導致的交通事故常常易被發現，能夠引起管理者的關注，并進行控制或者預防. 而高速公路路側景觀通過長時間作用對駕駛疲勞所產生的累積性影響導致操縱能力下降卻不易被發現，遭到管理者的忽視. 腦電常作為評價駕駛疲勞的主要生理指標，因此研究高速公路路側景觀對駕駛員腦電特征參數的影響規律具有重要的科學意義，可為考慮駕駛疲勞的高速公路景觀的設計提供合理依據.

人體任何細微的動作及心理變化均可以在腦電中有所體現，利用腦電(electroencephalograph，EEG)監測駕駛員是相對客觀、精確的方法之一. 高速公路上路側景觀的色彩對駕駛員視覺及心理產生刺激，進而反映在腦電波中. 人類腦電圖中腦波頻率一般在1～30 Hz，根據頻帶不同可以將腦電波劃分為α、β、θ、δ 4個節律，δ波多在駕駛員疲勞時出現[1-2]. 因此，有學者選擇能夠表征疲勞程度的腦電δ波成分作為駕駛員腦電特征參數. 本文通過研究路側景觀對駕駛員腦電δ波成分的影響，研究路側景觀對駕駛疲勞的影響.

當前高速公路景觀色彩等景觀自身特性對駕駛員的心電、腦電等生理指標的研究較少. 李香紅等對不同景觀路段下心率、心率增長率變化規律，并對心率增長率與行駛時間、心率增長率與行駛速度進行相關性分析，結果表明不同景觀路段導致駕駛員在相同實驗條件下的生理指標存在差異[3]；朱翠翠通過行車試驗，研究了道路圓曲線半徑和坡度與腦電信號β波絕對功率值的相關性，結果表明駕駛員在從直線路段進入到圓曲線路段和上坡坡度時，駕駛員的β波絕對功率值與圓曲線半徑呈負相關，與上坡坡度值呈正相關[4]；而國外沒有相關文獻對此進行報道. 目前針對景觀對駕駛員生理的影響也僅局限于定性分析景觀植被間距、公路彎道半徑對駕駛員生理特性的影響[5-10]，而沒有從景觀色彩等其自身特性角度出發進行研究. 路側景觀只有在長時間尺度內才會對駕駛疲勞產生累積影響，在累積過程中無法忽略駕駛時間的作用. 因此本文建立駕駛持續時間、景觀的色彩均值共同影響下的腦電δ波成分預測模型,為后續研究考慮駕駛疲勞的高速公路景觀設計提供依據.

1　實車道路實驗與數據預處理

為研究高速公路路側景觀色彩與腦電δ波的關系，在吉琿高速公路進行實車道路試驗，采集路側景觀圖像及相關駕駛員腦電相關參數.

1.1實驗設計

為確保路側景觀色彩的多樣性，本文在夏季與秋季分別在吉琿高速公路進行為期兩天的實車道路實驗，每天的試驗時間為6:00—18:00，路側景觀如圖1所示. 要求駕駛員狀態良好，駕駛經驗豐富，年齡范圍為35～45歲. 采用美國Biopac公司的MP100 16導生理記錄儀對駕駛員的生理指標進行采集；利用數碼相機采集高速公路路側景觀視頻. 實車道路試驗相關情況如圖2所示.

(a)夏季的路側景觀

(b)夏季帶有灰色邊坡的景觀

(c)秋季的路側景觀

影響駕駛疲勞的3個主要因素包括：駕駛持續時間、公路景觀及道路交通狀態. 由于吉琿高速公路上的交通量很小，駕駛員受高速公路上相鄰車輛的影響較小，因此道路交通狀態因素可以忽略不計. 根據經驗可知，在駕駛員行車過程中，短時(如幾秒或者幾分鐘)的路側景觀變化難以對駕駛員的生理特性產生影響，但是隨著駕駛時間的逐漸增加，路側景觀的單調性或者色彩突變將會對駕駛員產生作用，甚至造成駕駛員疲勞. 因此本次實車道路試驗時間較長，采集的景觀視頻及駕駛員腦電生理指標數據量較多.

1.2數據預處理

實驗采集的景觀視頻速率30 幀/s，而景觀色彩對駕駛員的影響是長時間的累積作用，不會幾秒之內便對駕駛員產生影響. 因此選擇30 s作為圖像采集間隔，即每半分鐘提取一副景觀圖像. 基于Biopac的生理記錄儀采集頻率為1 000 Hz，為了使得兩組數據一一對應，也選擇每半分鐘提取一組腦電指標.

(a)實車實驗裝置

(b)駕駛員生理指標變化曲線

(c)相機擺放位置

視頻圖像處理. 將采集的景觀視頻解壓為圖片序列并每半分鐘提取一副圖片. 基于圖像分割中的紋理分析方法提取高速公路路側景觀，并基于K-均值聚類提取路側景觀主體色彩并計算景觀色彩值[11]. 用符號c表示景觀的色彩值，c的計算方法：c=(65 536×B)+(256×G)+(R)， R、G、B為景觀色彩中的紅色、綠色、藍色3個通道的色彩分量[12].

生理數據處理. 人體任何細微的動作及心理變化均可以在腦電中有所體現，利用腦電(EEG)監測駕駛員是相對客觀、精確方法之一. 高速公路上路側景觀的色彩對駕駛員視覺及心理產生刺激，進而反映在腦電波中. 人類腦電圖中腦波頻率一般在1～30 Hz，根據腦電中不同頻帶可將腦電波劃分為α、β、θ、δ 4個節律. α波的頻率為8～13 Hz，通常駕駛員較放松時的腦電圖以α波為主；β波的頻率為14～30 Hz，在駕駛員處于警醒狀態時β波會大量出現；θ波的頻率為4～7 Hz，δ波的頻率為1～4 Hz，多在駕駛員疲勞時出現[13-15].

由上可看出腦電δ波的成分能夠不同程度表征駕駛員的疲勞程度. 而腦電δ波的功率譜密度積分成分與腦電總的功率譜密度積分之比(以下均簡稱為腦電δ值)可量化表達腦電δ波的成分. 因此選擇腦電δ值表征駕駛員的生理特性. 因數據量較大，選擇MATLAB對腦電數據進行波形處理. 試驗中采集的腦電信號均為時域信號，為了獲取腦電不同波形的功率譜密度，需要利用傅里葉變換將腦電時域信號轉換為頻域信號. 然后根據腦電δ波節律及人腦電波形的頻率范圍不同(δ波的頻率為1～4 Hz，人腦電波的頻率為1～30 Hz)進行濾波. 最后對過濾后的波形進行功率譜密度分析，進而利用微分的思想求得不同節律腦電波的功率譜密度積分.

2　模型建立

首先考慮駕駛時間、景觀色彩對腦電δ值的影響建立模型；然后研究高速公路路側景觀、駕駛時間對駕駛員腦電δ值的聯合影響規律，選擇路側景觀的色彩值、駕駛時間作為自變量，腦電δ值作為因變量建立三者之間的聯合關系模型.

2.1駕駛時間對腦電δ值的影響

景觀色彩值與腦電δ值的數量級相差非常大，導致建模中存在很多問題. 因此對數據進行歸一化處理，計算公式為

(1)

式中xi為第i組樣本變量值.

1)數據分析. 為了建立駕駛時間對駕駛員腦電δ值的影響關系模型，首先繪制二者之間的散點圖，如圖3所示. 駕駛員腦電δ波多在疲勞的時候出現，因此選擇腦電δ波的功率譜密度積分成分占人腦總的功率譜密度積分之比(定義為腦電δ值)表征駕駛員的疲勞. δ值越大，代表駕駛員越疲勞.

圖3　駕駛時間與駕駛員腦電δ值的散點圖

觀察圖3發現在駕駛過程的前30 min，δ值由0.7下降至0.2. 原因在于實車道路試驗通常在早晨6：00左右出發，駕駛員在實驗初期還處于輕微瞌睡狀態，之后隨著逐漸進入駕駛狀態，精神變得警惕，δ值逐漸下降. 而在30 min過后，隨著駕駛任務的加劇，駕駛員越來越疲勞，δ值逐漸變大. 在60 min之后，由于疲勞易導致行車危險，駕駛員的主觀意識強迫自己要時刻處于警醒狀態，駕駛員自身會存在疲勞與抗拒疲勞的博弈過程. 因此駕駛員腦電的δ值會呈現波動，但是整體仍處于上升趨勢，最后達到0.8左右，說明此時駕駛員已經處于疲勞狀態.

2)模型建立及檢驗. 觀察駕駛時間與腦電δ值的散點圖，發現二者的變化趨勢符合三次高斯函數形式. 三次高斯函數的形式為

(2)

式中ai、bi、ci均為待擬合參數，i=1，2，3.

因此嘗試利用三次高斯函數對二者的關系式進行擬合，擬合模型參數結果：a1=1.16，b1=238，c1=104.6；a2=0.649，b2=3.21，c2=21.18；a3=0.506，b3=66.05，c3=31.69. 則駕駛時間t對腦電δ值的影響關系模型為

(3)

擬合模型的判定系數R2=0.737，表明自變量與因變量的相關性較大，模型的回歸效果較好. 擬合模型中自變量與因變量的關系曲線如圖4所示.

圖4　駕駛時間與腦電δ值影響關系擬合曲線

2.2景觀色彩對腦電δ值的影響

1)數據分析. 為了建立景觀色彩對腦電δ值的影響關系模型，首先繪制二者之間的散點圖，如圖5所示. 從圖5可看出隨著路側景觀色彩值的增加(即顏色越加明亮、鮮艷)，駕駛員腦電δ值呈下降趨勢，根據前面的分析可知，腦電δ值越小，駕駛員越不疲勞，即景觀色彩的鮮亮程度與駕駛疲勞程度呈反比關系，隨著色彩值的增加駕駛疲勞等級逐漸減小；即色彩明亮、鮮艷的路側景觀具有緩解駕駛員疲勞的作用. 該結論也與實車道路試驗過程中的情況相符.

圖5　景觀色彩值與駕駛員δ值的散點圖

夏季的吉琿高速公路沿途多為綠色的植被，色彩明亮，則駕駛過程中駕駛員處于比較興奮的狀態，而當經過長時間灰色的水泥邊坡時，駕駛員會感覺到景觀過于單調，提早進入疲勞狀態. 深秋時節的吉琿高速公路絕大部分路段的植被或者莊家為暗黃色的，因此駕駛員較早就進入疲勞狀態，當經過少部分的橙黃色樹葉的植被時，駕駛員比較興奮. 散點圖中間波動部分可能是受到外界突發的刺激而產生的，比如超車、換道等.

2)模型建立及檢驗.觀察景觀色彩與腦電δ值的散點圖，發現二者關系可以采用冪函數進行表達，即

(4)

式中a，b均為待擬合參數.

采用散點圖中的數據擬合景觀色彩值c與腦電δ值的關系式，擬合參數：a = 0.253，b = -0.367. 那么二者的關系模型為

(5)

擬合模型的判定系數R2=0.768，表明擬合效果較好. c與腦電δ值的擬合曲線如圖6所示.

圖6　景觀色彩值對駕駛員δ值的影響關系擬合曲線

2.3考慮駕駛時間的景觀色彩對腦電δ值的影響關系建模

1)基于迭代的模型融合. 在實際情況中，駕駛時間與景觀色彩共同作用于腦電δ值. 因此還需建立以駕駛時間、景觀色彩為自變量，駕駛員δ值為因變量的關系模型. 在2.1和2.2節已經分別建立了駕駛時間、景觀色彩對δ值的影響關系模型，在這兩個模型中自變量與因變量呈現出非線形關系，因此無法通過簡單的線性疊加融合兩個模型. 采用變量替換法將非線性問題線性化.

(6)

式中βi為待擬合參數,i=1，2，…,5.

計算出x1，x2，…,x5之后，根據式(6)結構進行多元非線形擬合，得出擬合模型的參數為β1=1.0，β2=0.994，β3=0.999，β4=0.046，β5=-0.02.

則最終的擬合模型為

f(x)=1.0x1+0.994x2+0.999x3+0.046x4-0.02.

將擬合模型中的x1，x2，…,x5還原為t、c，得到景觀色彩、駕駛時間與腦電δ值的關系模型為

(7)

2)模型驗證. 為了評價模型擬合效果，分別對模型擬合優度進行相關性檢驗和F檢驗. 能夠檢驗通過，方可應用擬合模型. 回歸模型的相關性檢驗是對模型的精度進行驗證，并決定擬合模型是否可應用于研究中， 擬合模型的R2=0.857，表明判定系數較大、模型的回歸效果較好. F檢驗通過利用變量z的總離差平方和中剩余平方和與回歸平方和的比值，檢驗回歸模型整體的顯著性. F檢驗是為了判別擬合模型輸出的腦電δ值與實際采集到的腦電δ值是否存在顯著差異，對兩組數據進行F檢驗,選擇顯著性水平0.05，4自由度的擬合函數，樣本量為168，查表得F0.05(4,∞)=2.37. 而根據兩組數據方差計算得到的F值為114.33，遠大于F臨界值，擬合方程通過F檢驗. 綜上，可判斷所建模型可有效地表達高速公路路側景觀色彩值、駕駛時間與腦電δ值的關系.

3　敏感性分析

3.1敏感性分析方法選擇

為了研究隨著路側景觀色彩值c，駕駛時間t的變化，駕駛員腦電δ值變化的幅度，對所建模型進行敏感性分析. 敏感性分析包括單因素敏感性分析和多因素敏感性分析. 單因素敏感性分析僅研究某一個參數變化對目標的影響；而多因素敏感性分析需要考慮各種因素組合變動對目標的影響. 單因素與多因素敏感性分析的區別在于是否考慮各參數之間的相互作用[16]. 因駕駛時間與景觀色彩無相互作用，因此選擇單因素敏感性分析.

3.2單因素敏感性分析

敏感度系數是在影響因素作用下目標值變化百分數與該影響因素變化百分數的比值. 敏感度系數高代表目標對影響因素的敏感程度高，反之敏感程度低. 敏感度系數計算公式為

式中：E為敏感度系數；ΔF為影響因素F的變化率；ΔH為影響因素發生變化時目標的相應變化率.

E>0表示目標與影響因素同方向變化，E<0表示目標與影響因素朝相反方向變化. 在本節將駕駛員生理指標腦電δ值作為評價指標，駕駛時間、景觀色彩作為影響因素；以擬合關系模型(7)為基礎，研究在固定一個影響因素的情況下，各個指標對另一個影響因素的敏感程度.

腦電δ值對景觀色彩c、駕駛時間t的敏感系數如表1、2所示. 以一個場景為例測試了景觀色彩值c、駕駛時間t以10%為步長，上下變化30%情況下腦電δ值的變化率，進而得到腦電δ值指標對影響因素的敏感系數Ec(δ)和Et(δ). 表1中隨著駕駛時間t增幅的變化，腦電δ值的增量幅度相對較大，即腦電δ值對駕駛時間t的敏感程度較大，表明腦電δ值可以有效表征駕駛員的疲勞. 通過表2可看出景觀色彩值c與駕駛員腦電δ值呈負相關. δ波多在駕駛員疲勞時出現，隨著c的增大，景觀色彩越加明亮，腦電δ值逐漸下降，駕駛員越不易產生疲勞. 且隨著c的變化，腦電δ值的增量幅度相對較小，即腦電δ值對景觀色彩值c的敏感程度相對較小.

表1駕駛員腦電δ值對駕駛時間的敏感性分析

Tab.1The sensitive analysis of the δ of driver’s EEG to driving time

Δt/tΔδ/δEt(δ)0.100.05700.57010.200.05390.26960.30-0.00270.0019-0.10-0.10911.0911-0.02-0.24831.2413-0.30-0.38341.2781

表2駕駛員腦電δ值對景觀色彩值的敏感性分析

Tab.2The sensitive analysis of the δ of driver’s EEG to landscape color

Δc/cΔδ/δ Ec(δ)0.10-0.0009-0.00920.20-0.0016-0.00820.30-0.0024-0.0079-0.100.0009-0.0092-0.200.0022-0.0110-0.300.0035-0.0116

對比駕駛員腦電δ值對景觀色彩值、駕駛時間的敏感度系數絕對值，發現腦電δ值對駕駛時間t的敏感程度比對景觀色彩值c的敏感程度要大，說明駕駛時間是影響駕駛疲勞的更重要因素.

4　結　論

1)基于冪函數建立景觀色彩值與腦電δ波成分的關系模型. 然后考慮到駕駛時間對駕駛員腦電δ波的累積影響，基于高斯函數建立駕駛時間與腦電δ波成分的關系模型. 最后采用聯合建模的方式建立駕駛時間、景觀色彩值對腦電δ波成分的影響關系模型.

2) 路側景觀色彩c與駕駛員腦電δ波成分呈負相關，δ波多在駕駛疲勞時出現. 因此隨著色彩亮度的增加，腦電δ值逐漸下降，駕駛員越不易產生疲勞.

3) 駕駛員腦電的δ波成分隨著駕駛時間呈現波動，但是整體仍處于上升趨勢. 原因是疲勞易導致行車危險，駕駛員的主觀意識強迫自己要時刻處于警醒狀態，駕駛員自身會存在疲勞與抗拒疲勞的博弈過程.

4)敏感性分析結果表明駕駛時間、景觀色彩對駕駛員腦電δ波成分存在不同程度的影響，其中前者的影響程度要高于后者的影響程度. 后續將研究基于腦電信號的駕駛疲勞判別方法、高速公路路側景觀對駕駛疲勞的綜合影響機理，為科學設計高速公路路側景觀提供參考.

[1] 李影潔，邱意弘，朱貽盛．腦電信號分析方法及其應用[M]．北京：科學出版社，2009．

LI Yingjie, QIU Yihong, ZHU Yisheng. Analysis method for EEG signal and its application [M]. Beijing: Science Press, 2009.

[2] 王琳虹，李世武，高振海，等. 基于粒子群優化與支持向量機的駕駛員疲勞等級判別[J]. 哈爾濱工業大學學報，2015，46(12): 102-107.

WANG Linhong, LI Shiwu, GAO Zhenhai, et al. A driver fatigue level recognition model based on particle swarm optimization and support vector machine [J]. Journal of Harbin Institute of Technology, 2015, 46(12): 102-107.

[3] 李香紅，朱守林，戚春華．基于不同公路景觀環境的駕駛員生理反應實驗研究[J]．內蒙古農業大學學報，2010，31(4)：172-176.

LI Xianghong, ZHU Shoulin, QI Chunhua. Experiment research on influence about the different road environment on drivers’ physiology reaction [J]. Journal of Inner Mongolia Agricultural University, 2010, 31(4):172-176.

[4] 朱翠翠. 駕駛員腦電特性與山區雙車道公路線形相關性研究[D]. 成都： 西南交通大學, 2013.

ZHU Cuicui. Correlation studies of driver EEG characteristics and two-lane highway line-type in mountainous area[D]. Chengdu: Southwest Jiaotong University,2013.

[5] 吳紹斌, 高利, 王劉安. 基于腦電信號的駕駛疲勞檢測研究[J]. 北京理工大學學報, 2009 (12): 1072-1075.

WU Shaobin, GAO Li, WANG Liuan. Detecting driving fatigue based on electroencephalogram [J]. Transactions of Beijing Institute of Technology, 2009,29 (12): 1072-1075.

[6] 莫雄強. 基于腦電的疲勞度檢測方法研究[D]. 秦皇島: 燕山大學, 2009.

MO Xiongqiang. Rearsearch of test method based on fatigue of EEG[D]. Qinhuangdao: Yanshan University,2009.

[7] QU Xiaobo, YANG Ying, LIU Zhiyuan, et al. Potential crash risks of expressway on-ramps and off-ramps: a case study in Beijing, China[J]. Safety Science, 2014, 70: 58-62.

[8] QU Xiaobo, KUANG Y, OH E, et al. Safety evaluation for expressways: a comparative study for macroscopic and microscopic indicators[J]. Traffic Injury Prevention, 2014, 15(1): 89-93.

[9] 鄭聲濤. 睡眠腦電的分析與應用研究[D]. 廣州: 廣東工業大學, 2014.

ZHENG Shengtao. The analysis and application research of sleep EEG[D]. Guangzhou: Guangdong University of Technology,2014.

[10]馬艷麗，裴玉龍. 基于實驗心理學的駕駛員駕駛特性及其綜合評價[J]. 哈爾濱工業大學學報，2008，40(12): 2003-2006.

MA Yanli, PEI Yulong. Driving characteristics and its synthetic appraisal based on experimental psychology [J]. Journal of Harbin Institute of Technology, 2008, 40(12): 2003-2006.

[11]李世武，王琳虹，楊志發，等.高速公路路側景觀提取及量化研究[J]．吉林大學學報(工學版)，2011, 41(4)：957-962.

LI Shiwu, WANG Linhong, YANG Zhifa, et al. Feature quantification method for freeway roadside landscape [J]. Journal of Jilin University (Engineering and Technology Edition), 2011, 41(4): 956-962.

[12]何韻旺.色彩基礎[M].北京: 北京理工大學出版社，2009.

HE Yunwang. The color foundation [M]. Beijing: Beijing University of Technology Press, 2009.

[13]JAP B T, LAL S, FISCHER P, et al. Using EEG spectral components to assess algorithms for detecting fatigue [J]. Expert Systems with Applications, 2009, 36: 2352-2359.

[14]JAP B T, LAL S, FISCHER P. Comparing combinations of EEG activity in train drivers during monotonous driving [J]. Expert Systems with Applications, 2011, 38: 45-53.

[15]PARTIN D L, SULTAN M F, THRUSH C M, et al. Monitoring driver physiological parameters for improved safety [R]. Detroit: SAE, 2006.

[16]秦偉，朱守林，戚春華.草原公路駕駛室噪聲與駕駛員心率變異指標敏感性研究[J]. 內蒙古農業大學學報，2011,32(3):246-249.

QIN Wei,Zhu Shoulin,QI Chunhua. The research about prairie road cab noise environment and sensitivity of driver heart rate variability[J]. Journal of Inner Mongolia Agricultural University, 2011, 32(3): 246-249.

(編輯魏希柱)

The impacts of roadside landscape color on the δ wave of driver’s EEG signal

WANG Linhong1,2, LI Shiwu1, GAO Zhenhai2

(1.College of Transportation, Jilin University, Changchun 130025, China;2.College of Automotive Engineering, Jilin University, Changchun 130025, China)

To quantify the relationship between roadside landscape and δ wave of driver’s EEG signal, real vehicle experiments were conducted in Jilin-Hunchun expressway to collect the required data. Firstly, the relationship model between landscape color and δ wave component of driver’s EEG was developed based on power function. Then considering the cumulative impact of driving time duration on δ wave component, their relationship model was developed based on Gaussian function. Finally, relationship model among driving time duration, landscape color and δ wave was brought forward using joint modeling method. The analysis results of the model show that: the landscape color is negatively correlated with δ wave component, namely the brighter of the landscape color, the lower of driver’s fatigue level. There is a fluctuating relationship between driving time and δ wave component of EEG signal and overall δ wave component would increase with the increase of driving time. Namely the driver will force him in alert state to avoid the driving risks caused by fatigue and there is a game between falling in fatigue and resisting fatigue. The study can provide theoretical foundation for the design of freeway landscape color by considering driving fatigue.

traffic and transportation safety engineering; freeway; landscape color; driving time duration; δ wave component

10.11918/j.issn.0367-6234.2016.09.007

2015-01-14

國家自然科學基金(51308251)；

王琳虹(1984—)，女，副教授，博士;

李世武(1971—),男，教授，博士生導師

李世武，lshiwu@163.com

U491.2

A

0367-6234(2016)09-0035-06

中國博士后科學基金(2013M541306)