基于眼動實驗的物流駕駛員疲勞程度研究

田夢情 汪傳雷 秦琴

摘?要：研究物流駕駛員疲勞程度及其影響因素可提高貨物運輸的安全性和效率。通過眼動實驗收集反映物流駕駛員駕駛疲勞程度的眼動數據，融合多種疲勞特征指標和受試者主觀疲勞程度打分，評估和K-means聚類分析駕駛員的疲勞程度。研究結果表明，物流駕駛員疲勞程度的評價指標可由瞳孔、眼跳、掃視和注視4?類構成，結合F值貢獻度排序為掃視>眼跳>注視>瞳孔，進而將物流駕駛員疲勞分為4?個級別并提出緩解疲勞之策略。

關鍵詞：公路運輸；疲勞程度；眼動實驗；物流駕駛員；K-means分析

中圖分類號：F25?????文獻標識碼：A??????doi：10.19311/j.cnki.16723198.2024.12.014

0?引言

駕駛員因素是導致交通事故的主要原因之一，其中疲勞駕駛引發的事故占所有交通事故的?35%～45%。監測和評估物流駕駛員的疲勞程度，有助于提前察覺駕駛疲勞的跡象，因此研究駕駛員疲勞程度的監測和量化具有必要性。

近年來，國內外研究人員嘗試多種疲勞檢測方法，主要的駕駛員疲勞檢測方法包括基于車輛信息、生理信息和行為特征的方法。然而，現有方法大多數是直接觀察駕駛員行駛狀態并分析駕駛員不同時段的面部特征，分析結果容易出現較大偏差。研究表明駕駛過程約70%的信息是通過視覺感知來獲取，視覺感知是駕駛員獲取信息的主要途徑，且反映駕駛員的精神和生理狀態。同時，實驗照片中人物的疲勞情緒可以通過情緒傳染和共情的心理學機制影響觀察照片的人，使其呈現類似的疲勞情緒；情緒傳染是指人們在觀察他人情緒表達時，自身也會感受到類似的情緒體驗；共情是指當受試者看到疲勞的人物時感受到類似的疲勞和疲勞引起的情緒。

因此，選擇間接通過受試者的眼動特征了解物流駕駛員駕駛過程的疲勞程度，融合多種疲勞特征指標和受試者主觀疲勞程度打分，進行評估和K-means聚類分析量化評估駕駛員的疲勞程度。

1?實驗設計

1.1?實驗目的

本實驗的目的有三：挖掘受試者眼動數據的特征與主觀疲勞程度之間的關系；確定外在特征反映疲勞程度的排序及重要性；判斷物流駕駛員的主觀疲勞程度。

1.2?儀器材料

實驗研究采用aSee?Pro遙測式眼動跟蹤設備以及使用配套的aSee?Studio分析軟件。本實驗所采用的圖片是從《疲勞駕駛-國民交通安全系列公益宣傳教育片》截取獲得。為方便分析，實驗截取按時間序列、疲勞程度遞增的7張圖片，將所有實驗圖片隨機打亂，進行7s定時播放。在受試者查看全部后對圖片顯示的疲勞程度進行排序。

1.3?實驗程序

實驗開始前，請受試者在等待區接受實驗內容及其要求的詳細介紹，完成實驗基本信息登記和實驗知情書填寫，同時接受實驗指導。校準過程如下：首先，要求受試者坐在座椅上，調整座椅與顯示器之間的距離，使受試者正對顯示器，并且保持眼睛與顯示器的距離在60?cm左右。其次，采用5?點瞳孔校對法進行眼動校準，若吻合度高，則將實施實驗；若吻合度不夠，則重新進行校準，直至達到要求為止。

實驗正式開始，屏幕上隨機呈現7張實驗圖片，受試者按照觀察習慣隨意自然查看。實驗材料播放完畢時錄制自動結束，受試者填寫問卷，收集表征疲勞狀態的面部和肢體特征的主觀數據與眼動儀客觀數據結合分析。

2?結果與分析

2.1?指標定義

本實驗共收集30?份實驗數據，，在反映實驗有效性上具有一定代表性。觀察發現實驗3和實驗21注視時長分別為2985?s和4724?s，與設定的觀察時間7000?s相差過大，判定為無效數據剔除，最終確定28份為有效數據，后續數據分析均默認28份數據開展。

本實驗統計4類眼動指標，共9個變量，4類指標分別為瞳孔、眼跳、掃視、注視，9個變量包括平均瞳孔直徑、眼跳次數、總眼跳時長、回看次數、總停留時長、注視次數、平均注視時長、首次注視時長和總注視時長。

2.2?計算處理

在數據預處理基礎上，本研究采用某張刺激材料上所有受試者的一個指標數據均值代表某種疲勞程度的某個眼動變量大小。具體計算公式如下：

pi=∑UijN（1）

式中pi表示第i張刺激材料的眼動變量值，∑Uij表示所有受試者在第i張刺激材料的眼動數據總和，j表示第j位受試者，N表示受試者總人數，即j的總和。

匯總各指標后，將同類指標中各變量賦平均權重求和得到四類指標得分。瞳孔、眼跳、掃視和注視四類指標存在不同量綱，且各指標間存在較大差異，故需要將各個指標進行?min-max?歸一化處理得到相同的取值范圍。采用下式進行歸一化處理：

Pm=pi－pminpmax－pmin（2）

式中pm、pi、pmax、pmin分別為瞳孔、眼跳、掃視和注視四類指標經過歸一化后的值、原始值、最大值和最小值。歸一化處理后的結果見表1。

2.3?問卷分析

實驗收到28?份有效實驗的量化問卷量表，采用IBM?SPSS?Statistics?26對回收問卷進行統計分析。由問卷第一部分結果可知，眼睛張開程度最能反映疲勞程度的外在特征，說明采用眼動實驗研究疲勞程度的思路可行。由問卷第二部分得到受試者對各實驗圖片材料表現的疲勞程度主觀排序結果，排序結果為p1（617）>p7（517）>p2（413）>p3（37）>p4（347）>p5（317）>p6（22），兩者結合獲得綜合得分。

3?疲勞程度分類與評價

3.1?聚類分析

3.1.1?指標變量的相關性

使用K-Means聚類分析數據時，相關性過大的變量可能會在計算歐氏距離時帶入冗余信息，使得聚類結果不夠準確，故先采用IBM?SPSS?Statistics?26軟件分析變量的相關性，結果顯示4類變量之間相關性較小，變量之間不存在顯著相關性，可以進行K-Means聚類分析。

3.1.2??確定k值并分類

根據K-Means聚類原理，聚類個數k的取值范圍一般在2～10。由于實驗個案數為7較少（這里設定p1～p7分別為個案1～7），故初選取k值為2、3、4。比較分析不同k值的結果，發現當k=4時各聚類間的顯著性水平最高，且聚類中的個案數分布較為均勻合理，因此確定本實驗聚類數為4，得到聚類中心，見表2。

3.1.3?聚類結果與問卷得分的相關性

根據問卷綜合得分，將p1～p7的疲勞程度進行分類，設定p1～p7分別為個案1～7，結果如表3所示。K-means與綜合得分的分類結果的相關性分析，得到皮爾遜相關性指標值為0867，兩者存在較強的相關性，說明使用K-Means?聚類可行。根據F值對各指標進行貢獻度排序，得到：掃視>眼跳>注視>瞳孔，這些指標對聚類過程均有貢獻。

3.2?分類評價

根據各個受試者的聚類結果，按照所屬聚類組計算各物流駕駛員疲勞程度特征評價指標的均值，統計各聚類中個案的數量，結果見表4。

通過分析聚類類別，可得：第一類物流駕駛員的眼動數據特征為瞳孔較大、眼跳活動較少、掃視和注視時間長；第二類物流駕駛員的眼動數據特征為瞳孔大、眼跳活動少、掃視時間較短、注視時間短；第三類物流駕駛員的眼動數據特征為瞳孔較小、眼跳活動較多、掃視時間短、注視時間較短；第四類物流駕駛員的眼動數據特征為瞳孔小、眼跳活動多、掃視時間較長、注視時間較短。

按照疲勞發展的次序和問卷主觀疲勞程度的判斷，從一到四的順序顯示疲勞程度的逐漸加重，駕駛員一旦出現疲勞跡象應及時休息，以確保行車安全。物流駕駛員應定期進行疲勞程度的評估，根據評估結果采取相應的防護和休息措施。

4?結論

第一，觀察疲勞程度的受試者的瀏覽路徑圖和熱點圖等眼動特征數據，論證眼動數據在疲勞程度研究中的可行性，突破傳統直接模擬駕駛環境的限制，為基于眼動特征指標的物流駕駛員疲勞程度研究開拓新思路。

第二，基于眼動實驗的數據分析，開發用于監測物流駕駛員疲勞程度的實時預警系統，監測眼動特征提前預測疲勞駕駛的風險，進而及時向物流駕駛員發出警報或建議休息的建議。

參考文獻

［1］Sahayadhas?A，Sundaraj?K，Murugappan?M，Detecting?driver?drowsiness?based?on?sensors：?a?review[J].Sensors，2012，12（12）：1693716953.

[2]任建新，許鋒.多特征融合的駕駛員疲勞程度量化方法研究[J/OL].電子測量技術：111[20230903].http：//kns，cnki，net/kcms/detail/11，2175，tn，20230718，1210，004，html.

[3]張瑞，朱天軍，鄒志亮，等.駕駛員疲勞駕駛檢測方法研究綜述[J].計算機工程與應用，2022，58（21）：5366.

[4]王政，李延軍，嚴曲，等.監控作業腦力疲勞綜合評定方法研究[J].航天醫學與醫學工程，2010，23（01）：2024.

[5]吳維庫.不良情緒傳染的“蝴蝶效應”與防避之策[J].領導科學，2016，（22）：1819.

[6]吳奇，譚惠中.我看不到你的疼痛：隱性自戀特質與疼痛共情的關系[J].心理科學，2023，46（05）：12121219.

[7]史恭龍.校園招聘廣告的眼動研究[D].西安科技大學，2015.

[8]王莉莉，許凌鵬.基于眼動數據的管制員注意力特征評價[J].中國安全科學學報，2023，33（02）：217224.

[9]張琛.基于KMeans的特高頻局部放電定位誤差校正[J].電氣自動化，2017，（5）：106108.