駕駛員駕駛特征辨識方法與應用綜述

中圖分類號：U491.25 文獻標志碼：A DOI：10.19822/j.cnki.1671-6329.20230250

【歡迎引用】，等.駕駛員駕駛特征辨識方法與應用綜述[J].汽車文摘，2025（5）：9-15.

【Citethispaper】LIWN，LILRZHANGJetal.AnOverviewonDrivingMethodsandAplicatinsof Characteristics Identification[J]. Automotive Digest （Chinese）， 2025（5）： 9-15.

An Overview on Driving Methods and Applications of Characteristics Identification

【Abstract】This paper focuses on hot topics of driving characteristics，outlining the basicconcepts and three identification methods： methods based on head movements and facial features，methods grounded in physiologyand psychology，and methodsrelying onoperational behavior.Itelaborates onthe applications ofdriving characteristic identificationinenergymanagement strategiesfor hybridvehicles，safetywarning systems，and personalized driving assistancesystemsFinallthecurrentstatus andlimitationsofresearchesondrivingcharacteristicsare summarizedand prospects for future research work are proposed.

Key words： Automotive engineering， Driving characteristics， Characteristics identification， Safety warning， Personalized driving assistance system

0引言

駕駛員是人-車-環境閉環系統中最薄弱和最復雜的組成部分，目前駕駛員因素是引發道路交通事故的主要原因。受限于駕駛員駕齡、情感以及性別差異，個體駕駛員在駕駛過程中通常表現出各異的駕駛特征，主要包括駕駛狀態、駕駛風格和駕駛技能。駕駛特征是在人-車-環境中直接影響交通安全的最主要因素。目前，圍繞駕駛員駕駛特征的主流熱點研究主要包括基于頭部動作和面部特征的駕駛特征辨識、基于生理學和心理學的駕駛特征辨識和基于駕駛行為的駕駛特征辨識。

本文重點研究上述3個方面的駕駛特征以及駕駛特征辨識的相關應用。目前，基于辨識得到的駕駛員駕駛特征一般可以實現以下3種功能：（1）考慮到不同駕駛風格駕駛員對車輛經濟性、動力性的重視程度存在差異，個性化地調整混合動力車輛的能量管理策略，滿足不同類型駕駛員的駕駛需求。（2）通過分析駕駛員的頭部、面部特征以及駕駛行為是否存在異常判斷駕駛員的駕駛狀態，最終實現一套考慮駕駛員駕駛狀態的高精度的安全預警系統。（3）基于辨識得到的差異化的駕駛風格，自適應地調節修正駕駛輔助系統的控制參數以貼合駕駛員的心理預期。

考慮到駕駛員本身狀態的復雜性和不確定性，駕駛員表現出的駕駛特征易受到各種因素的影響，受限于采集信息不全、不精的因素，現階段國內外的相關研究難以完全闡明駕駛員在各種交通條件下表現出駕駛特征的深層次機理以及駕駛特征演化規律，一個標準化的駕駛員駕駛特征劃分方案仍有待提出。本文將圍繞以駕駛員駕駛特征的基本概念，闡述基于不同手段實現的駕駛員駕駛特征辨識策略和駕駛員駕駛特征辨識應用，總結并提出現階段存在的問題與未來發展趨勢。

1駕駛特征

駕駛員的駕駛特征是駕駛員生理、心理、能力、交通情景以及車輛性能等多時空因素綜合作用以及動態演化的結果，駕駛員具有獨特的駕駛特征。不同駕駛員的駕駛特征既具有共性的內在本質關聯，也具有特色鮮明的個性化差異。駕駛員駕駛特征表征方法以及辨識策略的相關研究是未來實現智能汽車在不同自動化程度下人-車-環境和諧交互與協同共駕的重要基礎。

駕駛特征在本質上蘊含著駕駛狀態、駕駛風格和駕駛技能3個不同維度的表征體系。其中，駕駛狀態是指駕駛員駕駛過程中的生理、心理等機能狀態，是駕駛員在特定條件下表現出的動態屬性，具有一定的隨機性和不確定性。駕駛風格是指個體駕駛員較為固定的、自然性的內在心理思維和行為模式的綜合體現，在駕駛員間存在明顯的駕駛風格區別，典型的駕駛風格包括激進型和保守型。駕駛技能是指駕駛員駕駛車輛的能力和水平，是駕駛員通過學習以及反復的實踐所鞏固掌握的技能成熟度表現，不同類型駕駛技能具有顯著差異3。

2駕駛特征及辨識策略

駕駛員駕駛特征辨識是一種模式識別過程，蘊含駕駛狀態、駕駛風格和駕駛技能于一體的駕駛特征通常表現出復雜多變的特征。目前，圍繞駕駛員駕駛特征辨識領域，相關學者的研究手段主要可以歸納為基于頭部動作和面部特征的駕駛特征識別、基于生理學和心理學的駕駛特征識別以及基于駕駛員的操作行為的駕駛特征識別等。

2.1基于頭部動作和面部特征的駕駛特征辨識

基于頭部動作和面部特征的駕駛特征辨識主要是指對駕駛員駕駛狀態的識別，典型需避免的駕駛狀態包括駕駛疲勞和瞌睡[4-5]。若駕駛員陷入駕駛疲勞狀態，其生理和心理機能將產生失調，同時駕駛能力下降。駕駛疲勞狀態下的駕駛員可能出現意識不清、瞌睡現象，頭部如后仰、頻頻點頭等不正常動作，面部器官出現如眨眼頻率、閉眼時長等異常現象。駕駛員頭部動作和面部特征監控是有效辨識駕駛員是否處于疲勞狀態駕駛特征的重要方法。

2007年，Park等在駕駛員疲勞檢測方面提出了一種有效的眨眼檢測算法，基于支持向量機算法辨識人眼，通過優化算法核心參數，確保了算法在光照條件變化干擾下的檢測精度。Bergasa等提出了一套基于機器視覺的駕駛員疲勞監測系統，該系統在分析眨眼動作的基礎上，同時引入人了對閉眼時長、點頭頻率、人臉位置、視線方向等駕駛員的頭部動作及面部特征的綜合考慮，實現了一套融合化的駕駛員疲勞辨識策略，辨識精度達到 90% 以上。 Du等9根據一段時間內駕駛員眼睛閉合次數、眨眼次數以及哈欠次數頻次所占的比例，對駕駛員是否處于疲勞狀態進行判斷。鄭永濤等[設計了一種基于 的駕駛員疲勞特征識別系統，利用微型電腦作為處理核心，通過攝像機獲取駕駛員的眼動、嘴型及頭部姿勢特征，綜合分析后進行駕駛員疲勞狀態判斷，若處于疲勞駕駛狀態，則發出語音警告。

上述的這些駕駛員疲勞監測系統均通過攝像機設備對駕駛員的頭部動作和面部特征進行實時監控和分析，根據分析疲勞特征的數量，可以將檢測劃分為單特征檢測和多特征融合檢測2個類別。若駕駛員處于駕駛疲勞等異常狀態，系統將發出警告提示。

2.2基于生理學和心理學的駕駛特征辨識

近年來，隨著生理學、心理學以及交叉學科領域的快速發展，相關學者將生理學和心理學理論引人駕駛員駕駛特征辨識領域并取得了相當可觀的研究成果[11]。

2.2.1基于生理學的駕駛特征辨識

基于生理學的特征辨識主要基于駕駛員腦電測量、心電測量、肌電測量等方法判斷駕駛員是否處于疲勞駕駛狀態[12]

（1）腦電測量。腦電圖是指對腦部的自發性生物電位放大記錄的圖形，由于不同睡眠階段下對應的腦電圖特征存在顯著差異，腦電圖被視為檢測駕駛員疲勞的黃金標準。

Lal等[13]經過多次試驗分析，在大量的人體生理指標中篩選出腦電信號是最佳的駕駛疲勞評價指標。Schier4對模擬駕駛過程中駕駛員的腦電信號與注意力情況進行分析，發現兩者呈現的變化規律是一致的，證明了基于腦電信號分析駕駛員注意力是否發散的可行性。Gao等5基于多通道腦電圖的時空結構特點，通過時空卷積神經網絡算法對駕駛員疲勞狀態進行檢測，檢測精度能夠達到 90% 以上。呂超等通過小波包分解法提取特征向量，使用基于密度峰值的聚類算法對特征向量進行分析訓練，同時使用貝葉斯準則對聚類簇數進行輔助判定，實現了對駕駛疲勞狀態等級的客觀性定義。丁洋等針對傳統方法對駕駛疲勞狀態辨識穩定性不足的問題，通過注意力來描述駕駛員清醒與瞌睡狀態過程中的腦電特征，利用小波包分解法提取腦電信號的非線性特征作為特征向量，將融合特征向量送入支持向量機完成辨識，準確率超過 95%。

上述基于腦電測量的駕駛特征辨識方法主要通過特征提取方法對腦電信號的時刻特征進行挖掘，進而通過神經網絡等機器學習算法分析挖掘得到的腦電特征以及對駕駛疲勞狀態的辨識結果。

（2）心電測量。除了腦電波信號外，心率、心率變異性等心電信號也是判斷駕駛疲勞的重要生理指標[18-19]。

Persson%通過分析駕駛員進入疲勞狀態后，心率信號低頻成分和高頻成分的比值明顯下降的特征實現對駕駛員疲勞狀態的識別。Wang等[21根據樣本計算心率變異性變化特征來表征連續駕駛過程中的駕駛疲勞狀態，并結合主觀問卷的結果進行對比。蔣鵬等2基于擴張殘差網絡模型將駕駛過程中的路側景觀歸類為不同的刺激等級，結合駕駛員心率變化對駕駛員在單調路側景觀下駕駛的疲勞情況進行了分析。曹景勝等基于偏聚氟乙烯壓電薄膜發明了一種非接觸式的心電監測方法，通過電壓抬升和信號調理電路精準計算出駕駛員的心率和呼吸率，并傳輸到手機應用軟件實現疲勞監控。王玉化等4通過生理信號采集儀記錄20名駕駛員在長時間模擬駕駛作業后的心電信號并分析信號表征的疲勞信息，闡明了駕駛員性別對疲勞恢復期的影響，證明了心理疲勞恢復時間通常早于生理疲勞恢復時間。

綜上所述，現階段基于心電測量的駕駛特征辨識方法主要通過分析心率、心率變異性等心電信號的成分占比變化情況實現對駕駛疲勞狀態的表征。在此基礎上，研究了外部環境、心理作用等因素對駕駛疲勞的影響。

（3）其他測量方法。除了腦電、心電信號之外，駕駛員的肌電、皮溫、人體阻抗等生理指標也被用于疲勞狀態監測。其中，肌電信號主要用于對被測人員局部肌肉疲勞程度的測試，駕駛員皮溫和人體阻抗可以在一定程度上反應駕駛員的心情狀態，但易受到環境因素的影響，因此主要在實驗室內應用[25]。

2.2.2基于心理學的駕駛特征辨識

在交通領域，通常采用可以反映駕駛員心理狀態的某些參數來聯系交通安全性，Wang等2提出駕駛員的心理特征、基因類型與交通事故的發生存在復雜的因果關系，若駕駛員表現出不耐煩情緒，道路交通事故發生的可能性將大幅增加。尚婷等[27]從心理學角度分析了隧道內的駕駛員換道行為特征，結果表明駕駛員心理狀態因素對隧道內換道行為存在顯著影響。吳會珍等28對宏觀因素與我國各城市駕駛員路怒水平之間的關聯進行了研究，從經濟、交通環境等方面選取指標構建了路怒水平影響因素評價體系，證明了宏觀因素對路怒水平存在一定程度的影響，宏觀因素中經濟發展的影響程度最為明顯。

2.3基于駕駛行為的駕駛特征辨識

駕駛行為是駕駛員在人-車-道路閉環系統下對駕駛操縱機構比如轉向盤和踏板進行的操作行為的總稱。當駕駛員駕駛車輛時，駕駛員根據其駕駛意圖選擇一系列最適合當前的行駛工況的駕駛行為，即使對于同一駕駛員，駕駛操作行為也可能因駕駛情況不同而存在差異[29]。

駕駛行為的分析研究同樣也可以應用于有關駕駛疲勞狀態監測的領域。美國Electronic SafetyProduct公司研發了車輛轉向盤監測裝置。當裝置檢測到轉向盤一段時間內沒有任何動作，系統就會發出報警聲提示駕駛員盡快操縱或接管轉向盤。然而，目前大多數學者將提取的駕駛行為數據應用于駕駛員駕駛風格、駕駛技能的辨識3]。Wahab等[31]認為，針對不同的駕駛任務，不同駕駛員的潛在反應方式存在差異，駕駛員具有不同個性特征。Cao等32針對這一問題建立了考慮車輛側翻穩定性的駕駛員模型，設計一種考慮駕駛員駕駛風格特征的汽車防側翻協同控制策略。Wang等33]提取跟車過程中駕駛員釋放加速踏板和踩下制動踏板對應的碰撞時間數據，通過聚類算法將駕駛風格歸類為侵略型、正常型和謹慎型3個類型。

李宗華等[35]通過分析加速踏板標準差、速度標準差等數據，對駕駛員的駕駛風格與駕駛技能熟練程度進行了表征，使用K-means算法實現了對用戶畫像的刻畫。張磊等34通過人機界面獲取駕駛行為數據，基于神經網絡算法構建了駕駛員駕駛風格分類模型，模型能夠對駕駛員駕駛風格進行自動化分類，并自適應匹配汽車動力學參數。

上述基于駕駛行為的駕駛特征辨識方法均通過聚類方法實現對駕駛風格、駕駛技能的表征，同時基于神經網絡等機器學習算法分析不同駕駛員的駕駛行為數據，實現對駕駛特征的辨識。

2.4小結

國內外相關學者基于不同設備、不同采集參數實現了對于駕駛特征如駕駛狀態、駕駛風格以及駕駛技能的有效辨識。然而，目前尚未出現權威性的統一標準。上述3種不同的駕駛狀態辨識手段特點歸納如表1所示。

3駕駛特征辨識應用

目前，駕駛員駕駛特征辨識已受到較大范圍的應用，如基于駕駛員駕駛風格的混合動力車輛能量管理策略、考慮駕駛員駕駛狀態的安全預警系統以及個性化的駕駛輔助系統。

3.1能量管理

混合動力汽車的混合動力系統由多種驅動能源組成，即混合動力系統存在多種的運行模式，不同的運行模式對應不同燃油經濟性和駕駛員風格需求。如圖1所示，駕駛風格粗暴的駕駛員對車輛動力性要求更高，而駕駛風格柔和的駕駛員對車輛經濟性要求更高。目前的整車控制策略缺少對駕駛風格的有效識別，無法根據駕駛員駕駛風格進行調整以滿足不同駕駛員的駕駛需求[3]。

為充分挖掘混合動力系統的節油潛力，規避駕駛員風格對燃油經濟性的不良影響。如圖1所示，最先進的能量管理策略能夠對辨識得到的駕駛員駕駛風格進行自適應調節，即建立駕駛員駕駛風格自適應策略。

林歆悠等3綜合考慮駕駛風格和行駛環境等因素對混合動力車輛燃油經濟性的影響，構建了馬爾科夫模型用于表征駕駛員需求功率，通過隨機動態規劃算法實現能量管理，制定了以進一步提高新型混聯式混合動力車輛燃油經濟性為目標的駕駛員風格自適應能量管理控制策略。秦大同等通過分析汽車行駛過程中駕駛員駕駛操作導致的車體沖擊度，提出了不同行駛工況下的駕駛員駕駛風格區分方法，綜合考慮行駛工況、能量管理策略等信息，計算考慮駕駛風格差異的最佳需求功率分配策略，燃油經濟性提高8.47%。

3.2 安全預警

傳統的汽車安全預警系統通常忽略了對駕駛員駕駛特征的考慮，因此普遍存在誤報警等問題，將對駕駛員產生不良的負面干擾。隨著近年來駕駛員特征辨識研究的不斷進步成熟，研究人員在設計汽車安全預警閾值時引入了對駕駛特征的考慮。

Wang等3提出了一套考慮駕駛特征的個性化車輛碰撞預警系統，該系統可以基于辨識得到的駕駛特征智能生成差異化的系統控制參數。以縱向駕駛場景為例，系統可以基于不同的駕駛特征確定差異化的安全聞值、警告規則和警告邏輯。崔格格等4提出一種數據驅動的智能車個性化場景風險圖構建方法，首先通過圖核方法對圖表征數據進行相似性度量，基于支持向量機訓練識別模型，建立駕駛員個性化危險評價機理與場景特征之間的映射關系，以模型輸出的危險程度評價標簽與真實值進行試驗對比，結果表明，基于場景風險圖構建的駕駛員個性化危險場景識別模型識別準確率可達 95.8% 。朱冰等41通過模糊聚類算法對實車駕駛數據進行分析，基于廣義回歸神經網絡模型構建駕駛風格辨識模塊，進而設計基于差異化車道偏離時間聞值的車道偏離預警系統，提高車道偏離預警系統的適用性。伍毅平等[42]以駕駛員在草原公路連續駕駛時的易疲勞點為基礎，參照應激反應理論和神經語言程序理論將駕駛員劃分為視覺型、聽覺型和觸覺型刺激偏好類型，進而構建了滿足駕駛員刺激選擇偏好的車載差異化駕駛防疲勞預警策略，并通過對比駕駛模擬試驗驗證了策略的有效性，即隨著疲勞程度加深，給予駕駛員所偏好的預警刺激信號能夠更加有效地緩解駕駛疲勞。

3.3 駕駛輔助系統

隨著汽車智能駕駛輔助系統的發展與普及，考慮駕駛員駕駛特征的駕駛輔助系統逐漸引起了廣大研究人員的重視。在駕駛輔助系統的開發中愈來愈倡導以人為本的設計理念，使系統盡可能的貼合駕駛員的心理預期。

宋敏[43對駕駛員在彎道行駛過程中的駕駛數據進行了分析，提取車輛行駛速度、側向加速度、橫擺角速度等參數來實現對駕駛員行為特征的表征，分析得到的駕駛員行為特性能夠為設計個性化駕駛輔助系統提供有效的數據支撐。呂凱光等設計了一種個性化的自動緊急制動系統，根據危險工況下駕駛員反應時間和危險程度提煉得到駕駛風格識別的關鍵指標，將駕駛風格歸類為激進型、謹慎型和普通型3類，并根據危險系數定量化輸出差異的制動減速度實現車輛安全制動。測試結果表明，不同駕駛風格駕駛員對制動時機以及安全距離的心理預期是不一致的，考慮駕駛風格的自動緊急制動控制策略能夠顯著提升用戶的使用滿意度。Yoshida等45]研究了在緊急情況下駕駛員的制動操作行為，通過采集駕駛員對各個執行器的操控量，分析出駕駛員的個性制動行為表征參數，提出了駕駛員縱向跟車模型。利用試驗中的駕駛數據對模型中的參數進行選擇進而模擬不同駕駛員對車輛的制動控制行為特性，實現對駕駛員的踏板操作特征的自學習，并將其應用于自動緊急制動系統。Zheng等募集多名駕駛員在駕駛模擬器上對自適應巡航系統進行仿真測試研究，試驗中不斷調整模型控制參數、交通工況場景和跟車時距等參數，對比了系統控制下的制動減速度與駕駛員的實際減速度的差異，以此來研究駕駛員與系統之間的協調性問題。結果表明，通過對模型參數的適當自適應調整可以滿足不同駕駛員控制預期。蔣淵德通過分析駕駛員駕駛數據分布特性建立了駕駛風格的差異性度量方式，引人高斯混合模型建立統計模型，針對駕駛風格進行量化表征，提出了一種能夠考慮駕駛風格和前車運動特點的個性化縱向輔助駕駛算法，建立了基于深度強化學習的個性化側向輔助駕駛算法，并通過多目標優化控制方法實現了基于數值優化的車輛底盤集成控制策略。

綜上，個性化的駕駛輔助系統的控制原理結構如圖2所示。辨識模型基于駕駛員操作行為以及環境信息辨識得到的駕駛員駕駛風格，進而自適應地調節修正駕駛輔助系統的控制參數以貼合駕駛員的心理預期，最終實現個性化的駕駛輔助系統。

4展望與建議

（1）駕駛員本身作為非常復雜的非線性系統，同一駕駛員在不同時刻、不同工況下可能表現出完全不同的駕駛特征。此外，外界的交通環境、天氣條件等也將對駕駛員駕駛特征產生影響。因此，對被測駕駛員進行全方位的駕駛信息精準采集個有重要意義，未來的研究需將各個方面可能會對駕駛特征產生影響的駕駛信息歸納人駕駛員駕駛特征辨識模型之中，能夠有效保障在各種實際駕駛工況下模型的魯棒性。

（2）現階段國內外的相關研究對駕駛員在各種交通條件下表現出駕駛特征的深層次機理以及駕駛特征演化規律探究不足，現有的駕駛員駕駛特征劃分標準仍有待商榨，標準化的、統一化的分類方案仍未提出。現有的分類標準也較為粗糙，難以實現從駕駛技能到駕駛風格的統一的衡量，全新的、全方面的駕駛特征劃分標準仍有待提出。

（3）目前，駕駛員駕駛特征已經受到了較大范圍的應用，如基于駕駛員駕駛風格的混合動力車輛能量管理策略、考慮駕駛員駕駛狀態的安全預警系統以及個性化的駕駛輔助系統等。隨著汽車的智能化進程的不斷推進，以“人”為核心的駕駛特征的相關研究將得到更為廣泛的應用。

參考文獻

[1]蔣印.基于駕駛員因素的道路交通安全管理對策研究[D].

[2]陳琪.駕駛員行為識別技術研究[J].汽車文摘，2019（3）：59-62.

[3]李偉男.考慮駕駛人駕駛習性的個性化車道保持輔助策略研究[D].長春：吉林大學，2020.

[4]張偉.基于機器視覺的駕駛人疲勞狀態識別關鍵問題研究[D].北京：清華大學，2011.

[5]華強.混行網聯環境下駕駛人分心識別及風險補償方法研究[D].長春：吉林大學，2022.

[6]于立嬌，吳振昕，王文彬，等.駕駛員疲勞狀態監測系統綜述[J].汽車文摘，2019（3）：24-30.

[7] PARK I， AHN J H， BYUN H. Efficient Measurement of theEye Blinking by Using Decision Function for IntelligentVehicles[J]. Lecture Notes in Computer Science， 2007： 546-549.

[8] BERGASA L M， NUEVO J， SOTELO M A， et al. Real-TimeSystem for Monitoring Driver Vigilance[J]. IEEE Transac-tions on Intelligent Transportation Systems， 2006， 7（1）： 63-77.

[9] DU G L， LIT， LIC Q， et al. Vision-Based Fatigue DrivingRecognition Method Integrating Heart Rate and FacialFeatures[J]. IEEE Transactions on Intelligent TransportationSystems， 2021， 22（5）： 3089-3100.

[10]鄭永濤，謝偉豪，陳逸群，等.基于OpenCV的駕駛員疲勞特征識別系統的設計[].電子設計工程，2023，31（1）： 65-68.

[11] ZHU M， CHEN J， LI H， et al. Vehicle Driver DrowsinessDetection Method Using Wearable EEG Based onConvolution Neural Network[J]. Neural Computingamp;Applications， 2021， 33（20）： 13965-13980.

[12] ZHENG W L， GAO K P， LI G， et al. Vigilance EstimationUsing a Wearable EOG Device in Real Driving Environ-ment[J]. IEEE Transactions on Intelligent TransportationSystems， 2020， 21（1）： 170-184.

[13] LAL S K， CRAIG A.A Critical Review of the Psychophysi-ologyof Driver Fatigue[J]. Biological Psychology.2001， （55）： 173-194.

[14] SCHIER M A. Changes in EEG Alpha Power during Simu-lated Driving： A Demonstration[J]. International Journal ofPsychophysiology. 2000， （37）： 155-162.

[15] GAO Z， WANG X， YANG Y， et al. EEG-Based Spatio-Temporal Convolutional Neural Network for Driver FatigueEvaluation[J]. IEEE Transactions on Neural Networks andLearning Systems， 2019， 30（9）： 2755-2763.

[16]呂超，閆超，徐亞茹，等.基于BDPCA的駕駛員腦疲勞等級劃分研究[J].計算機仿真，2022，39（11）：208-214.統[J].自動化與儀表，2023，38（8）：115-119.

[18]張佐營，葉桂荀.駕駛疲勞監測技術研究綜述[J].汽車科技，2022（1）： 8-14.

[19] ARAKAWA T.Trends and Future Prospects of the Drowsi-ness Detection and Estimation Technology[J]. Sensors，2021，21（23）： 7921-7941.

[20] PERSSON A， JONASSON H， FREDRIKSSON I， et al.Heart Rate Variability for Driver Sleepiness Classificationin Real Road Driving Conditions[C]/ 4lst AnnualInternational Conference of the Engineering in Medicineand Biology Society. Berlin： IEEE， 2019.

[21] WANG F，WANG H，FU R.Real-Time ECG-BasedDetection of Fatigue Driving Using Sample Entropy[J].Entropy （Basel）. 2018， 20（3）： 196-211.

[22]蔣鵬，葛洪成，符鋅，等.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[J].交通運輸研究，2022，8（5）： 56-63.

[23]曹景勝，李剛，石晶，等.非接觸式汽車駕駛員心電監測系統設計[J].科學技術與工程，2019，19（3）：112-117.

[24]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.

[25]趙小平，龔俊，萬平，等.基于生理信號分析的不同風格駕駛人疲勞特性[J].中國科技論文，2022，17（10）：1111-1119.

[26] WANG X M， ZUO Y K， JIANG H. Relationship betweenthe Incidence of Road Traffic Accidents， PsychologicalCharacteristics， and Genotype in Bus Drivers in a ChinesePopulation[J]. Medical Science Monitor， 2018， 24： 5566-5572.

[27]尚婷，吳鵬，唐杰，等.基于Ex-TPB的駕駛人隧道內換道行為影響因素分析[J]江蘇大學學報：自然科學版，2022，43（5）： 497-503.

[28]吳會珍，湯子帆，盧昕瑋，等.基于值法的駕駛人“路怒癥\"宏觀影響因素研究[J].中國安全生產科學技術，2022， 18（3）： 211-216.

[29]李偉男，李林潤，孟祥哲．人機共駕型車道保持輔助控制策略[J].汽車實用技術，2023，48（24）：37-43.

[30] YANG W， ZHENG L， LI Y N， et al.Automated HighwayDriving Decision Considering Driver Characteristics[J].IEEE Transactions on Intelligent Transportation Systems，2020， 21（6）： 2350-2359.

[31] WAHAB A， WEN T G， KAMARUDDIN N. UnderstandingDriver Behavior Using Multi-Dimensional CMACInformation[C]// 6th IEEE International Conference onCommunicationsamp; Signal Processing. Singapore： IEEE，2007.

[32] CAO M C， WU G，YAN S， et al. Control Strategy ofVehicle Anti-Rollover Considering Driver’s Character-istic[J].IEEE Access，2020，8：128264-128281.

[33] WANG J，LU M，LI K. Characterization of longitudinalDriving Behavior by Measurable Parameters[J]. Transporta-tion Research Record， 2018， 2185（1）： 15-23.

[34]張磊.基于駕駛人特性自學習方法的車輛縱向駕駛輔助系統[D].北京：清華大學，2009.

[35]李宗華，翟鈞，刁冠通，等.基于車聯網數據的電動汽車用戶駕駛行為畫像應用研究[J].科技風，2022（18）：61-64.

[36] CAIRANO S D，BERNARDINI D， BEMPORAD A，et al.Stochastic MPC with Learning for Driver-PredictiveVehicle Control and Its Application to HEV EnergyManagement[J]. Transactions on Control SystemsTechnol0gy.IEEE，2014，22（3）：1018-1031.

[37]林歆悠，孫冬野，尹燕莉，等.基于隨機動態規劃的混聯式混合動力客車能量管理策略[J]汽車工程，2012，34（9）： 830-836+858.

[38]秦大同，詹森，曾育平，等.基于駕駛風格識別的混合動力汽車能量管理策略[J].機械工程學報，2016，52（8）：162-169.

[39] WANG J，CHI R，ZHANG L，et al.Study on forwardCollision Warning Avoidance Algorithm Based on DriverCharacteristics Adaptation[J]. Journal of Highway andTransportation Research and Development， 2009.

[40]崔格格，呂超，李景行，等.數據驅動的智能車個性化場景風險圖構建[J].汽車工程，2023，45（2）：231-242.

[41]朱冰，李偉男，趙健，等.考慮駕駛人駕駛習性的自適應車道偏離預警策略[J].同濟大學學報（自然科學版），2019，47（S1）： 171-177.

[42]伍毅平，趙子龍，彭志彪，等.草原公路車載個性化防疲勞預警策略[J].北京工業大學學報，2023，49（8）：884-895.

[43]宋敏.基于國外技術研究方法的彎道駕駛行為特征統計分析[J].汽車技術，2019（12）：18-22.

[44]呂凱光，李旋，韓天園，等.基于駕駛風格識別的AEB控制策略[J].汽車技術，2021（5）：16-21.

[45] YOSHIDA H，KAMADA T，Nagai M.Advanced DriverAssist System Based On Driving Characteristics Analysisfor Active Interface Vehicle[C]// 12th World Congress onIntelligent Transport Systems. San Francisco： CurranAssociates Inc，2005.

[46] ZHENG P， MC D M.Manual vs. Adaptive Cruise Control-Can Driver's Expectation be Matched？[J]. TransportationResearch Part C： Emerging Technologies， 2005， 13（5）：421-431.

[47]蔣淵德.智能汽車個性化輔助駕駛策略研究[D].長春：吉林大學，2019.（責任編輯梵玲）