駕駛疲勞在人機共駕環境中的檢測與緩解研究綜述

【摘要】為減少人機共駕環境下駕駛員駕駛疲勞對駕駛安全的影響，首先闡述了人機共駕環境下駕駛疲勞產生的機理，然后從主觀和客觀兩個方面分析駕駛疲勞的檢測方法，從主動疲勞和被動疲勞兩個方向介紹疲勞的緩解方法，最后提出了當前駕駛疲勞檢測與緩解研究的不足，并從多特征、多模態融合的角度對人機共駕環境下駕駛員駕駛疲勞檢測與緩解進行了展望。

關鍵詞：智能汽車；人機共駕；疲勞檢測；疲勞緩解

中圖分類號：U463.6""""""""""""""""" 文獻標志碼：A"""""""""" DOI：10.19822/j.cnki.1671-6329.20240110

A Review of Driver Fatigue Detection and Mitigation in Man-Machine Co-Driving Environment

Tang Bangbei "Li Yan Wang Shengxue Zhu Mingxin Chen Shengnan Hu Zhian

（1.School of Intelligent Manufacturing Engineering， Chongqing University of Arts and Sciences， Chongqing 402160; 2.Physiology Teaching and Research Section， Army Medical University， Chongqing 400038;3. School of Mechanical Engineering， Sichuan University of Science amp; Engineering， Yibin 643002）

【Abstract】In order to reduce the influence of driving fatigue on drivers in man-machine co-driving environment， thispaper elaboratesthe mechanism of driving fatigue in man-machine co-driving environment， then it analyzes the detection methods of driving fatigue from subjective and objective aspects， and introduces the alleviation methods of driving fatigue from active fatigue and passive fatigue， finally， the deficiency of current research on driving fatigue detection and alleviation in man-machine co-driving environment is pointed out， and the prospect of research on driving fatigue detection and alleviation in man-machine co-driving environment is presented from the perspective of multi-feature and multi-mode fusion.

Key words： Intelligent vehicle， Man-machine co-driving， Fatigue detection， Fatigue relief

0引言

自動駕駛在提升駕駛效率、減少能源消耗等方面發揮積極作用，未來自動駕駛將成為汽車領域的重要發展趨勢^[1]。美國汽車工程師學會（SAE）將自動駕駛系統（Autonomous Driving System，ADS）分為6級，L0級到L5級逐漸從手動駕駛到完全自動駕駛過渡，主要區別在駕駛員的監控任務逐漸減少直至完全智能駕駛中無須駕駛員進行監控與參與^[2-4]。然而，受制于技術、法規等諸多因素，L3級自動駕駛即人機共駕階段，依然屬于較長時間內汽車領域研究及發展重心。L3級自動駕駛系統能夠在其設定的操作設計域內執行動態駕駛任務，但當自動駕駛系統發生故障或失效時，需要駕駛員立即進行人工接管^[5]。在人機共駕環境下，駕駛員的主要任務是監視自動駕駛系統工作，駕駛員會更容易進入疲勞駕駛的狀態，進而影響駕駛行為和接管反應時間，導致嚴重交通事故^[6-7]。因此，研究人機共駕環境下駕駛疲勞檢測、駕駛疲勞緩解方法，對于提高駕駛安全性、減少交通事故、推動智能汽車的普及具有重要意義。馮舒等^[8]通過模擬駕駛試驗，發現長時間單調駕駛會增加駕駛員的生理、心理疲勞，并降低操控效率，進而對行車安全構成威脅。Kirber等^[9]研究表明自動駕駛的單調性會導致駕駛員警覺性降低、產生被動疲勞，這可能對駕駛安全構成威脅。Schmig等^[10]發現高度自動駕駛與駕駛員嗜睡相互影響，長時間的自動駕駛可能使駕駛員嗜睡，而嗜睡又可能影響駕駛員接管車輛的反應時間和決策能力。Vogelpohl等^[11]利用先進的視頻處理技術、機器學習方法和生物信號監測技術、分析駕駛員面部特征、生理信號和駕駛行為。研究發現與手動駕駛相比，監督自動駕駛車輛的駕駛員更容易感到困倦，并出現更多的無意識睡眠過渡現象。目前大多數學者對人機共駕模式下駕駛疲勞的研究主要聚集中在疲勞的產生機制與監測手段上，但在探討疲勞緩解方面仍有不足，在主動疲勞與被動疲勞方面進行的研究也相對匱乏。

本文首先研究人機共駕模式下駕駛疲勞中主動疲勞和被動疲勞的產生機理，并從主觀、客觀兩個方面分析駕駛疲勞的檢測方法，最后從主動疲勞和被動疲勞2方面介紹了駕駛疲勞緩解方法。

1 人機共駕模式下駕駛疲勞的產生原因

1.1手動駕駛模式下駕駛疲勞的產生原因

引起手動駕駛疲勞的原因很多，睡眠不充足、晝夜規律改變、劇烈運動、長時間持續駕駛均是引起駕駛疲勞的潛在因素^[12]。

我國職業人群每天睡眠不足的比例為11.6%^[13]。睡眠不足已成為手動駕駛疲勞的重要原因，對駕駛安全有嚴重影響。研究表明，缺乏睡眠駕車和酒后駕車一樣存在風險，一個17～19 h沒有睡眠的駕駛員，其行為能力與一個血液中酒精濃度為0.05%的駕駛員相差無幾（在許多國家，這種濃度的酒精含量已經達到了醉駕的標準）^[14]。

其次，晝夜節律改變會影響人體的活動能力、體溫、睡眠/覺醒機制、血壓、工作效率等，從而使人的警覺性、工作效率、情緒下降，出現疲勞感^[15]，對駕駛安全也有很大的影響。

在睡眠充足和晝夜節律良好的前提下，駕車時長也是導致疲勞駕駛的重要原因，隨著駕車時間的延長會增加駕駛員駕駛疲勞程度，駕駛風險也隨之增大。

最后，駕駛員在駕駛前若進行了劇烈運動，運動性疲勞不僅會導致外周疲勞，還會影響中樞神經細胞代謝，進而產生中樞疲勞和疲勞感。當駕駛員疲勞或即將入睡時，控制車輛的能力將大大降低。

2.2 人機共駕環境下駕駛疲勞的產生原因

2020年5月，滬武高速發生了一起單方事故，駕駛員開啟自動駕駛模式，因路障太小汽車沒有成功感應，導致車輛沖入施工區域，當時駕駛員認為自動駕駛正常都會自動制動，并沒有進行接管操作，導致車輛在沖入施工區域后，前擋風玻璃破碎，車頭部位受損，高速路上施工設施也被撞壞。現階段的自動駕駛技術還不夠成熟，所以，按照現行法規的規定，駕駛員在自動駕駛過程中仍有必要對車輛進行監視，隨時對車輛進行人工接管。而當駕駛員進行自動駕駛監管任務時，持續的低負荷工作、缺乏刺激和激勵，可能會因為長時間單調乏味的監管任務而產生被動疲勞。Larue等^[16]發現，無外界刺激時，駕駛員警覺度下降，其警覺度下降可引起被動疲勞。Vogelpohl等^[17]的研究顯示，在自動駕駛模式下，大多數司機在15～35 min內就會感覺到明顯的疲勞，甚至有可能直接進入睡眠狀態。Feldhütter等^[18]的研究表明，25%的受試者在自動駕駛模式下運行15min后，顯示出了明顯的疲勞跡象。

Desmond^[19]在2001年提出了主動疲勞和被動疲勞概念。主動疲勞是由駕駛員長期超負荷駕駛所致，被動疲勞是由駕駛員長期低負荷駕駛所致。主動疲勞和被動疲勞都會削弱駕駛員的注意力。

手動駕駛會因為不同的駕駛環境和路況產生不同類型的駕駛疲勞，在城區等交通擁堵的區域中駕駛會產生主動疲勞，在高速等單調區域下駕駛會產生被動疲勞。在駕駛員采用自動駕駛模式時，一般產生被動疲勞，但在切換駕駛模式人為控制車輛駕駛之后，也有可能出現主動疲勞。當路面條件較好且自動駕駛時，由于監控條件下作業量較少，駕駛員會出現被動疲勞。在復雜的道路環境中，駕駛員往往會因工作負荷過大而出現主動疲勞。所以，在人機協同駕駛的狀態下，會出現被動疲勞，也有可能會出現主動疲勞，但是大多產生被動疲勞。

有時被動疲勞所造成的傷害要大于主動疲勞。Saxby ^[20]等通過仿真試驗表明，在無人駕駛條件下，駕駛員的被動疲勞加劇，警惕性下降，危險反應能力下降。Feldhütter等發現在被動疲勞狀態下面臨接管任務時，駕駛員將會承擔更多的負荷與壓力，并且在接管后駕駛的安全性會降低。Linehan等^[21]的研究表明，當駕駛員收到接管請求并試圖重新手動操控時，被動疲勞會導致駕駛員反應遲鈍，從而可能導致嚴重的交通事故，而主動疲勞容易讓駕駛員快速地反應，降低事故的概率。雖然主動疲勞跟高載荷、高強度相關，但其對駕駛安全性的影響相對較小。

綜上所述，手動駕駛與人機共駕在疲勞致因方面既有區別又有聯系。手動駕駛的疲勞主要由直接駕駛行為引起（如長時間駕駛和在復雜環境駕駛），而人機共駕環境下產生的疲勞則更多由自動駕駛模式下的持續監控和低負荷工作導致，產生被動疲勞。兩者共同受駕駛員生理、心理狀態、駕駛環境和任務負荷的影響，且疲勞類型可能互相轉化。因此，針對人機共駕環境下駕駛疲勞的研究應聚焦于駕駛員狀態監測、駕駛員主導權切換機制，以提高駕駛安全性。

3 人機共駕環境下駕駛疲勞檢測方法

目前，國內外學者主要從主觀、客觀兩個方面來評估駕駛員的疲勞狀態。主觀方法主要通過疲勞量表來測量疲勞程度，而客觀方法則涵蓋了基于生理信號、行為特征和面部特征的檢測技術。這些方法于同樣也適用于在人機共駕環境下檢測駕駛員的疲勞狀態。人機共駕既包含手動駕駛也包含自動駕駛，不同的檢測方法對于手動駕駛和自動駕駛適用場合不一樣，所以仍需分情況分析。

3.1 主觀檢測法

主觀評價檢測是通過問卷量表讓被試者根據當下的精神狀態以一定的方式表達自己的主觀感受，從駕駛安全的角度考慮，相對更適用于自動駕駛。這種測量方法既可用于定量測量，也可用于定性測量。在實踐中，主觀評價檢測方法有著簡單易懂、成本低、有效性高，對駕駛員正常操作的干擾少等優點，常見的疲勞量表簡述如下。

3.1.1艾斯沃斯困倦量表

艾斯沃斯困倦量表（Epworth Sleepiness Scale，ESS）共有8個假設場景，對應8個問題，每個問題有4個選項：不打瞌睡，打瞌睡的概率低，打瞌睡的概率適中，打瞌睡的概率高。4個選項分別對應0分、1分、2分、3分。量表總分為24分，被試者填完量表合計總分為0～5分時，為不嗜睡；合計總分為6～10分時，為輕度嗜睡；合計總分為11～16分時，為中度嗜睡；合計總分為17～24分時，為嚴重嗜睡。分數較低代表被試者白天嗜睡的可能性較低，分數較高則代表被試者白天嗜睡的可能性較高。

3.1.2 斯坦福嗜睡量表

斯坦福睡意量表旨在衡量受試者在某一時刻的睡眠狀況，它讓受測者從7種最適宜于他們現在清醒著的狀態中做出選擇。從“醒著”到“困”、“醒”、“不睡”到“迅速睡著”等7種選擇，得分也會隨之提高。這個量表的總得分從1到7分不等。分數越高代表被試者當時就越無精打采，而分數越低代表被試者越清醒，見表2。

3.1.3 日間嗜睡感知量表

日間嗜睡感知量表主要測量被試者睡眠的主觀感知。量表總共有4個問題，每個問題分別對應著5個選項：從來沒有、很少有、經常有、幾乎總是、一直都是。5個選項同樣也分別對應著5個等級：0分、1分、2分、3分、4分。量表的總分為16分，總分越高，表示被試者的困意越明顯；總分越低，表示被試者越清醒，見表3。

除以上3個量表之外，常見量表還有睡眠質量量表、匹茲堡睡眠質量指數、Karolinska嗜睡量表和清晨型-夜晚型量表等。

3.2 客觀檢測法

3.2.1基于生理信號的檢測方法

生理指標能反映人的精神狀態^[22]，利用被試的腦電圖（Electroencephalography，EEG）、皮膚導電率（Electrodermal Activity，EDA）、光電容積脈搏（PhotoPlethysmo，GraphyPPG）和呼吸頻率（Respiration，RESP）等生物電信號可以有效地檢測駕駛者的疲勞狀態。這些生物電信號能夠反映駕駛者的生理變化，從而評估其疲勞程度，為駕駛安全提供重要依據，其中駕駛員腦電采集如圖1所示。

然而，采集生理信號需要在駕駛員身上安裝監測傳感器，不利于駕駛員安全行車，所以這種方法更適用于人機共駕中的自動駕駛。研究表明，疲勞駕駛會導致駕駛員的生理指標異常^[23]。因此，駕駛員的生理信號完全可以作為有效衡量駕駛疲勞狀態的重要指標。通過監測這些信號，可以更準確地評估駕駛員的疲勞程度，從而確保駕駛安全。Lal等^[24]發現腦電圖與駕駛疲勞程度有很高的相關性。研究表明，駕駛員出現駕駛疲勞時，其δ波和θ波增加，α波和β波變化不明顯。Wang等^[25]研究了基于無線干腦電的疲勞檢測方法，提出了一種結合譜密度和樣本熵的疲勞檢測方法。王玉化等^[26]通過模擬駕駛后休息時的心電信號變化研究，發現心電圖的心率、間隔標準差、低高頻率比率及樣本熵等指標與駕駛員疲勞狀態恢復時間存在關聯。Cai等^[27]提出了一種前額葉眼信號采集方法，將水平眼信號和垂直眼信號從前額葉眼信號中分離出來。生理信號測量是評估駕駛員真實狀態的有效手段，其準確性和可靠性高，有助于及早發現駕駛疲勞。

3.2.2 基于駕駛員行為特征的檢測方法

駕駛員從駕駛模式轉為人工接管車輛駕駛后，也可以通過分析駕駛員行為特征對其疲勞狀態進行檢測。通過檢測汽車行駛速度、加速度、轉向盤角度、車道偏離及制動踏板變化，來精準判斷駕駛員是否存在疲勞駕駛。石磊^[28]開發了駕駛員疲勞報警程序，通過對轉向盤轉速、加速度、駕駛艙聲音和車輛位置進行分析，可以成功識別、報警駕駛員疲勞。牛清寧^[29]等通過采集轉向盤參數，運用Fisher線性判別算法實時識別駕駛員疲勞狀況，算法準確率高達82%。Li^[30]等通過分析不同駕駛階段握力的差值及標準差，有效判斷駕駛員的疲勞程度。

基于駕駛員操作行為的疲勞檢測方法具有數據采集和處理簡便、客觀的優點，能實時監測汽車運行中的各項數據（如制動、油門、轉向盤轉角、速度和加速度等），有效預防交通事故發生。

3.2.3 基于面部特征的檢測方法

當駕駛員進入疲勞狀態時，其面部會出現很多視覺特征顯示其疲勞程度，例如瞳孔大小和視線方向的變化、頭部姿勢和面部表情的變化、眨眼和打哈欠以及局部運動的其他面部特征。王富強等^[31]提取了駕駛員的眼睛和嘴巴特征，并通過這些特征來檢測駕駛員的疲勞狀態。Liu^[32]等提出了一種基于深度學習和模糊推理系統的疲勞檢測算法，該算法主要聚焦于通過面部表情分析來評估駕駛員的疲勞程度，能夠在實時條件下快速、準確地檢測駕駛員的疲勞程度，為疲勞駕駛預警系統提供了一種有效且準確的技術手段。Chen^[33]等提出了一種基于人臉疲勞狀態識別算法，該方法通過結合多任務卷積神經網絡（Convolutional Neural Networks， CNN）和長短期記憶（Long Short-Term Memory， LSTM）網絡，實現了對駕駛員人臉疲勞狀態的準確識別，平均準確率高達93%，運行時間不到普通開發學習圖像庫方法的一半。Fang等^[34]建立基于面部特征的駕駛員疲勞評估系統，提出了一種新的駕駛員和控制器權限分配策略，用于構建駕駛員與車輛交互系統，所提策略能夠根據疲勞狀態對人機權限進行自適應優化，全面提升車輛性能。

通過實時檢測駕駛員的疲勞狀態并自適應調整人機權限，可以使自動駕駛系統更加智能、高效，推動自動駕駛技術的發展和應用。未來的人機交互系統將能夠更加智能地感知和適應駕駛員狀態的變化，從而提供更加安全、高效和舒適的駕駛體驗。

基于駕駛員面部特征的檢測方法屬于非接觸式檢測，不干擾正常駕駛，適合在接管操作手動駕駛的情況下使用，也適合在自動駕駛時使用。且駕駛員面部運動的特征是疲勞的一些最明顯的癥狀，更加直觀、實用，因而倍受關注。

綜上，主觀評價檢測和基于駕駛員生理信號的檢測方法更適合在自動駕駛的情況下使用，基于駕駛員行為特征的檢測方法更適合在手動駕駛的情況下使用，基于駕駛員面部特征的檢測方法在2種駕駛情況下都能很好的檢測駕駛員的疲勞狀態。

4 人機共駕環境下駕駛疲勞緩解研究

在人機共駕環境下，駕駛員既會產生被動疲勞，也有產生主動疲勞的可能性，從主動疲勞和被動疲勞2個角度來分析緩解駕駛疲勞的方法。

4.1 主動疲勞的緩解研究

基于耶基斯·多德森定律和“疲勞自控”理論，提出睡眠不足、連續駕駛、超載駕駛等因素誘發的持續高喚醒需求，引發機體抗疲勞，進而造成身心機能的衰退，也就是持續時間長的高注意能耗，高生理喚醒程度，誘發腦內抵抗，使機體的生理機能受到永久性損害。

當頻繁的手操縱和腳操縱使駕駛員在駕車過程中感覺到疲憊時，駕駛員需要立馬去服務區睡覺、休息，通過睡覺、休息來消除主動疲勞。在開長途車之前，駕駛員也要保證充足的睡眠時間，保證睡眠時間充足是及時消除主動疲勞、恢復體力和精力的重要保證，也是最有效避免疲勞駕駛的方法。

此外，可以通過制定相應的法律、規章來降低因駕駛而引發的意外事故。柴曉軍^[35]在對比分析了國內外有關疲勞駕駛的相關法律和政策后，就如何細化駕駛員的行車時長，如何對疲勞駕駛進行有效管理與控制等方面，提出了相應對策，并對乘客進行了相關的培訓與教育，增強駕乘人員安全意識。

4.2 被動疲勞的緩解研究

多巴胺疲勞生成理論也可解釋被動疲勞的發生機制。當人在執行一項任務時，大腦會先對任務進行評估，如果結果是高投入低回報，多巴胺活動減少，大腦就會進入疲勞狀態。在自動駕駛模式下，駕駛員雖然不用手動控制車輛行駛，但需要一直處于監管狀態，時刻準備接管操作，長時間自動駕駛時，駕駛員不用接手，容易導致多巴胺活動減少，駕駛員進入被動疲勞狀態。此時可以對駕駛員各感覺器官進行刺激，使駕駛員保持清醒狀態。當前，國內外研究人員對于被動疲勞刺激緩解的研究大致可分為聽覺、視覺、嗅覺等。

4.2.1 通過聽覺刺激緩解被動疲勞的研究

運用音樂來刺激緩解被動疲勞十分便捷，用音樂刺激來緩解疲勞的研究也比較廣泛。胡佳斌^[36]等選取10名駕駛員進行模擬駕駛試驗，疲勞時分別給予流行樂和搖滾樂刺激，以瞳孔直徑和眨眼時間均值作為疲勞程度評價指標，發現，流行音樂和搖滾音樂對緩解駕駛疲勞的效果差異不大。胡志剛^[37]等研究發現，駕駛員在單調聲音環境下易疲勞，但可通過放松的旋律或中高音刺激來緩解疲勞，但如果沒有外部刺激就不能緩解疲勞。Yokoyama等^[38]研究發現響度對駕駛疲勞有影響，高響度音樂能緩解駕駛疲勞。周春遠等^[39]研究在不同道路上音樂對于疲勞駕駛的喚醒作用，發現音樂對駕駛員疲勞狀態下的喚醒作用顯著，鄉村道路和城市道路駕駛疲勞的喚醒作用沒有明顯差異。

4.2.2 通過視覺刺激緩解被動疲勞的研究

駕駛員在行駛時，視覺是獲取外界環境信息的主要方式。通過輸入可視信息可以減輕駕駛疲勞，繼而降低道路事故的發生率。國內外多名學者對疲勞喚醒機理進行了研究，根據相關文獻統計分析^[40]，駕駛員在行駛過程中從感官上獲得的交通信息量所占的比例分布，視覺占了80%，目前高速公路采用的疲勞喚醒技術方案大多是從刺激駕駛員視覺的角度出發設計的。周建等^[41]提出了針對環境單調地區公路駕駛疲勞的安全對策，這些對策主要在不直接影響駕駛操作和車輛行駛軌跡的情況下，通過改善安全設施與路側環境，包括安裝彩色護欄、劃彩色標線等，形成對駕駛員的視覺刺激，從而緩解駕駛疲勞。解松芳等^[42]研究草原公路景觀下駕駛員的眼動特性，采用眼動儀收集相關指標，并進行了統計分析。研究發現，單調的景觀對駕駛員的視覺刺激較小，容易引起視覺疲勞。Larue^[43]等分析了路面結構、路面結構等因素對駕駛員疲勞及行車表現的影響。單調的路面及路旁環境可使司機感到疲勞。

4.2.3 通過嗅覺刺激緩解被動疲勞的研究

隨著汽車的普及，汽車不再是一種簡單的交通工具，而是繼家庭和辦公之后的第三居住空間，汽車消費者對汽車內部環境質量的要求也在不斷提高^[44]，車主一般會使用車載香氛來改善汽車內部的空氣環境，以此提升嗅覺的愉悅感。梁浩明^[45]等研究鼻吸入薄荷油對小鼠精神疲勞行為和腦內氨基酸類神經遞質的作用，發現鼻吸入薄荷油能緩解精神疲勞，具有顯著抗疲勞效果，其機制在于通過嗅覺系統調節相關腦區氨基酸類神經遞質的含量。趙燕琳^[46]等人通過腦電波測試，分析了受試者在嗅吸不同配方香檸檬精油前后的腦電波變化，發現檸檬精油可以在一定程度上影響人的腦電波，幫助減輕大腦疲勞，提升精神。賈毅超^[47]等人提出了一種針對提神香氛有效性的科學驗證方法，通過人體主觀感受和人體腦電波信號客觀數據變化綜合驗證思路，提升了試驗結果的準確性，也確保了香氛提神的可靠性。重慶交互科技有限公司發明了一種嗅覺體驗測試儀^[48]，唐幫備等人^[49]則使用嗅覺體驗儀研究了一種基于嗅覺等刺激的駕駛疲勞喚醒方法，采用主觀疲勞問卷和心電圖（Electrocardiogram， ECG）、光電容積脈搏（PhotoPlethysmoGraphy， PPG）以及呼吸頻率（Respiration， RESP）生理信號作為疲勞喚醒有效性判斷指標，發現使用薄荷氣味能有效干預駕駛疲勞。

嗅覺體驗測試儀如圖2所示，擁有8個通道可根據需求自動或手動釋放香氛。

5 結束語

本文對人機共駕中駕駛疲勞的產生原因、檢測及緩解方法進行了全面分析，總結了現有的理論、方法和技術，并得出以下結論與展望。

首先，在人機共駕環境下，駕駛員在自動駕駛階段容易陷入被動疲勞狀態，而在接管操作后，高任務要求會迅速引發主動疲勞。被動疲勞可能會導致駕駛員反應遲鈍，增加事故風險；而主動疲勞雖與高載荷、高強度相關，但駕駛員能迅速應對，降低事故概率。人機共駕環境下駕駛疲勞的演化規律已成為當前研究焦點。其次，在駕駛疲勞的檢測方法上，主觀檢測法適用于自動駕駛階段，但可靠性較差；生理信號測量法準確可靠，但相對不適用于行車過程中；基于駕駛員行為特征的檢測方法適用于人機共駕下的手動駕駛模式；基于面部特征的檢測方法則適用于各種駕駛模式，但在受光照強度大、駕駛員佩戴墨鏡或臉部有遮擋等情況下的影響較大。采用多特征融合的檢測方法將成為人機共駕環境下檢測駕駛員疲勞狀態的有效手段。這種方法結合多種生理信號和駕駛行為特征，能夠全面分析駕駛員狀態、為駕駛安全提供更全面的保障。同時，將檢測設備的便攜化也非常值得研究。

在駕駛疲勞的緩解方式上，充足的睡眠和及時休息是避免主動疲勞的關鍵，但在特定駕駛環境下可能受限。通過聽覺、視覺、嗅覺等多種感官刺激可以緩解疲勞，但每種方法都有其局限性。因此，未來研究應進一步探索多感官聯合刺激的緩解調控方法，為人機共駕環境下的駕駛疲勞問題提供更有效的解決方案。

參考文獻

1. 李磊磊. 自動駕駛汽車產業發展研究及展望 [J]. 汽車文摘， 2023（9）： 1-10.
2. 智能汽車人機交互專題介紹 [J]. 同濟大學學報（自然科學版）， 2024， 52（6）： 826.
3. 張暉，倪定安，曾科，等. 人機共駕環境下駕駛疲勞研究綜述 [J]. 中國安全科學學報， 2023， 33（3）： 204-211.
4. "SAE International. Taxonomy and Definitions for Terms Related to Driving Automation Systems for On-Road Motor Vehicles： J3016_202104[S/OL]. [2021-04-30]（2024-05-28）. https：//www.sae.org/standards/content/j3016_202104/.
5. 張文鏑，周詩婕，金海亮，等. 自動駕駛系統中人機協同的認知決策一體化機制研究[J]. 汽車文摘， 2023， （9）： 11-18.
6. 陳虹，郭露露，邊寧. 對汽車智能化進程及其關鍵技術的思考[J]. 科技導報，2017，35（11）：52-59.
7. 張大權，張惠，楊冬雨，等. 關于L3自動駕駛的人機交互設計研究[J]. 汽車文摘， 2020（1）： 32-35. DOI：10.19822/j.cnki.1671-6329.201912-0-9.
8. 馮舒，段靚瑜，江朝暉，等. 長時間單調模擬駕駛對疲勞的影響研究[J]. 中國安全科學學報，2007，17（2）： 66-71.
9. Kirber M， Cingel A， Zimmermann M， et al. Vigilance Decrement and Passive Fatigue Caused by Monotony in Automated Driving[J]. Procedia Manufacturing， 2015， 3： 2403-2409.
10. Schmig N， Hargutt V， Neukum A， et al. The Interaction between Highly Automated Driving and the Development of Drowsiness[C]//6^thInternational Conference on Applied Human Factors and Ergonomics （AHFE 2015） and the Affiliated Conferences， 2015.
11. Vogelpohl T， Kuehn M， Hummel T， et al. Asleep at The Automated Wheel—Sleepiness and Fatigue During Highly Automated Driving [J]. Accident Analysisamp; Prevention，2018，126：70-84.
12. 向洪義. 駕駛疲勞生理特征及識別方法研究[D]. 重慶：中國人民解放軍陸軍軍醫大學，2023.
13. Zheng W L， Gao K， Li G， et al. Vigilance Estimation Using a Wearable EOG Device in Real Driving Environment[J]. IEEE Transactions on Intelligent Transportation Systems，2020，21（1）： 170-184.
14. 原鳴. 睡眠不足駕駛與酒駕同樣危險[N]. 中國科學報，2014-03-21（013）.
15. Momose H， Morimitsu N， Ikeda E， et al. Eyes Closing and Drowsiness in Human Subjects Decrease Baseline Galvanic Skin Response and Active Palmar Sweating： Relationship Between Galvanic Skin and Palmar Perspiration Responses[J]. Frontiers in Physiology， 2020， 11： 558047.
16. Gimeno T P， Pastor G， Choliz M. On the Concept and Measurement of Driver Drowsiness， Fatigue and Inattention： Implications for Countermeasures[J]. International Journal of Vehicle Design， 2006， 42（1-2）： 67-86.
17. Vogelpohl T， Kitihn M， Hummel T，et al. Asleep at the Automated Wheel-Sleepiness and Fatigue During Highly Automated Driving [J]. Accident Analysis amp; Prevention， 2019，126：70-84.
18. Feldhitter A， Hecht T， Kalb L， et al. Effect of Prolonged Periods of Conditionally Automated Driving on the Development of Fatigue： with and without Non-Driving-Related Activities[J]. Cognition Technology and Work，2019，1（21）： 33-40.
19. Desmond P A， Hancock P A. Active and Passive Fatigue States[M]//Hancock P A， Desmond P A. Stress， Workload， and Fatigue. London： LEA Publishers， 2001： 455-465.
20. SAXBY D， MATTHEWS G， WARM J， et al. Active and Passive Fatigue in Simulated Diving： Discriminating Styles of Workload Regulation and Their Safety Impacts[J]. Journal of Experimental Psychology： Applied， 2013，19（4）： 287-300.
21. LINEHAN C，MURPHY G，HICKS K， et al. Handing Over the Keys： a Qualitative Study of the Experience of Automationin Driving[J]. International Journal of Human-Computer Interaction， 2019，35（18）： 1681-1692.
22. 陳哲見. 疲勞駕駛檢測方法研究進展 [J]. 汽車實用技術， 2023， 48 （21）： 179-186.
23. Shen K Q， LiX P， Ong CJ， et al. EEG-Based Mental Fatigue Measurement Using Multi-Class Support Vector Machines with Confidence Estimate[J]. Clinical Neurophysiology， 2008，119（7）：1524-1533.
24. Lal S K L， Craig A. Driver Fatigue： Electroencephalography and Psychological Assessment[J]. Psychophysiology， 2002， 39（3）： 313-321.
25. Wang H T， Dragomir A， Abbasi N I， et al. A Novel Real- Time Driving Fatigue Detection System Based on Wireless Dry EEG[J]. Cognitive Neurodynamics，2018，12（4）： 365-376.
26. 王玉化， 戚春華， 朱守林， 等. 駕駛疲勞恢復時間的心電信號分析[J]. 中國安全科學學報， 2017， 27（8）： 7-12.
27. Cai H， Ma J， Shi L， et al. A Novel Method for EOG Features Extraction from the Forehead[C]//Proceedings of 2011 Annual International Conference of the IEEE Engineering in Medicine and BiologySociety，2011：3075-3078.
28. 石磊. 基于Android智能移動終端的汽車疲勞駕駛預警系統的研究與實現[D]. 南京：南京郵電大學，2013.
29. 牛清寧. 基于信息融合的疲勞駕駛檢測方法研究[D]." 吉林：吉林大學，2014.
30. Li R， Chen Y V， Zhang L H. A Method for Fatigue Detection Based on Driver's Steering WheelGrip[J]. International Journal of Industrial Ergonomics， 2021， 82（3）： 103083.
31. 王富強，劉德勝，劉云鵬. 基于面部特征的疲勞駕駛檢測技術研究[J]. 現代計算機， 2021（7）：121-124.
32. Liu Z M， Peng Y X， Hu W J. Driver Fatigue Detection Based on Deeply-Learned Facial Expression Representation[J]. Journal of Visual Communication and Image Representation， 2020， 71： 102723.
33. CHEN L， XIN G J， LIU J W， et al. Driver Fatigue Detection Based on Facial Key Points and LSTM[J/OL]."Security and Communication Networks， 2021[2024-06-28]. https：//dl.acm.org/doi/10.1155/2021/5383573.
34. Fang Z W， Wang J X， Wang Z J， et al. Human–Machine Shared Control for Path Following Considering Driver Fatigue Characteristics[J/OL]. IEEE Transactions on Intelligent Transportation Systems， 2024[2024-06-28].https：//ieeexplore.ieee.org/document/10400980.
35. 柴曉軍. 客運駕駛員疲勞駕駛監管技術及政策研究[D]. 西安：長安大學， 2013.
36. 胡佳斌，胡志剛. 不同風格音樂對駕駛疲勞緩解試驗[J].明日風尚，2017（1）：135.
37. 胡志剛，胡佳斌，喬現玲. 不同響度音樂對單調聲音環境下駕駛疲勞緩解試驗研究[J]. 重慶交通大學學報（自然科學版），2017，36（9）：73-79.
38. YOKOY AMA M， OGURI K， MIYAJI M. Effect of Sound Pressure Levels of Music on Driver's Drowsiness[C]//Proceedings of the World Congress on Intelligent Transport Systems and IT'S America'sMeeting，2008： 16-20.
39. 周春遠，柯暢，肖冰，等. 基于音樂對不同道路駕駛疲勞的喚醒作用[J]. 人類工效學，2021，27（6）：46-51.
40. 安林軒，段陽陽. 疲勞喚醒技術在高速公路上的應用[J]. 大眾標準化，2022（20）：142-144.
41. 周建， 劉清霞， 柴華， 等. 環境單調地區公路駕駛疲勞外部致因與安全對策[J]. 公路， 2014， 59 （7）： 270-273.
42. 解松芳，朱守林，戚春華，等. 草原公路路側景觀對駕駛員眼動特性影響研究[J].中國安全科學報，2014，24（8）：62-67.
43. LARUE G S， RAKOTONIRAINY A， PETTITT A N. Driving Performance Impairments Due toHypo-Vigilance on Monotonous Roads[J]. Accident Analysis amp; Prevention，2011，43（6）：2037-2046.
44. 賈毅超，李俊賢，袁磊磊，等. 車內氣味設計研究[J]. 汽車實用技術，2018（21）：115-119.
45. 梁浩明，龍曉英，盧耀文，等. 鼻吸入薄荷油對小鼠精神疲勞行為及腦內氨基酸類神經遞質的影響[J]. 中藥新藥與臨床藥理，2015，26（5）：649-654.
46. 趙燕琳. 基于嗅吸法的香檸檬精油對人體腦電波的影響[D]. 上海：上海交通大學，2012.
47. 賈毅超，袁磊磊，李俊賢. 某車載提神香氛功效驗證及應用[J]. 汽車實用技術，2022，47（10）：28-32.
48. 唐幫備， 郭鋼， 夏進軍. 汽車內飾材料氣味的用戶嗅覺體驗測評及裝置[J]. 中國機械工程， 2017， 28 （2）： 206-214.
49. 朱明鑫， 唐幫備， 胡志安， 等. 基于嗅覺和聽覺刺激的駕駛員疲勞喚醒方法研究[J]. 汽車工程學報， 2024， 14（3）： 405-411.