张旭欣 王雪松
摘 要：疲劳驾驶影响驾驶人的驾驶能力，为道路交通安全带来严重威胁。研究表明，疲劳驾驶是造成交通事故的主要原因之一，且驾驶人的驾驶能力会随着疲劳程度的增加而下降。本文從疲劳驾驶状态判别、疲劳驾驶致因因素研究、疲劳驾驶安全影响分析及疲劳驾驶干预研究这四个方面对国际最新研究进行总结，介绍目前疲劳驾驶领域的研究现状。
关键词：疲劳驾驶；驾驶行为；疲劳判别；交通事故；驾驶模拟器
Recent progress in research of drowsy driving and prevention
ZHANG Xuxin， WANG Xuesong
（Key Laboratory of Road and Traffic Engineering of the Ministry of Education， Tongji University， Shanghai 201804， China）
Abstract： Drowsy driving affects drivers driving ability and poses a serious threat to road traffic safety. Research shows that drowsy driving is one of the main causes of traffic crashes， and the driving ability of drivers will decrease with the increase of drowsiness level. This paper summarizes the latest international research from four aspects： driver drowsiness detection， drowsy driving causes， safety impact of drowsy driving and drowsy driving intervention， in order to introduce the current research status in the field of drowsy driving.
Keywords： Drowsy driving； driving behavior； drowsiness detection； traffic crash； driving simulator
疲劳驾驶是导致交通事故的重要原因之一。数据显示，美国每年约有30万起交通事故与疲劳驾驶有关，其中包括10.9万起致伤事故以及6400起死亡事故[1]。美国汽车学会在2010年对美国驾驶人进行了一项电话调查，结果显示41.0%的驾驶人承认在驾驶过程中曾“睡着或打瞌睡”[2]。根据中国公安部交通管理局公布的数据，疲劳驾驶是2015年高速公路交通事故的主要原因，由疲劳驾驶引起的交通事故占其中的8.41%，死亡人数占6.21%[3]。
引发疲劳驾驶的主要原因包括长时间注意力高度集中、缺乏睡眠、驾驶环境单一等。疲劳会增加驾驶人的反应时间，并降低其驾驶过程中的警觉程度[4]。在进行长时间驾驶时，驾驶人若在驾驶过程中缺乏刺激，则可能导致疲劳和危险驾驶行为的发生。
国内外关于疲劳驾驶的研究主要集中在以下四个方面：（1）疲劳驾驶状态判别；（2）疲劳驾驶致因因素研究；（3）疲劳驾驶安全影响分析；（4）疲劳驾驶干预研究。目前，疲劳驾驶的研究方式主要利用自然驾驶数据或设计实验的手段对驾驶人行为数据进行采集。侵入性测量方式（即采集驾驶人生理数据的仪器会对驾驶行为产生影响，如头戴式脑电仪等）或非侵入性测量方式（即仪器采集驾驶人生理数据时不影响驾驶人行为及舒适度，如桌面式眼动仪等）常被用于进行驾驶人生理特征数据采集。在对疲劳驾驶数据分析方法方面，现状研究主要利用统计学分析方法（如相关性分析、差异性分析以及统计学模型等）以及机器学习等数据挖掘算法（如随机森林、人工神经网络、动态贝叶斯网络等）来对数据进行分析。
本文对近两年在TRB会议及Accident Analysis & Prevention等交通安全类期刊中有关疲劳驾驶的内容进行总结，以展示当前国际上关于疲劳驾驶研究的最新进展。
1 疲劳驾驶状态判别
研究疲劳驾驶的手段主要包括通过驾驶模拟器实验、实车实验以及自然驾驶等方式分析驾驶人在疲劳状态下的驾驶行为，并利用眼动仪、生理仪、视频识别或主观问卷调查的方式来评估驾驶人的疲劳状态。
同济大学王雪松等人[5]利用驾驶模拟器实验对驾驶人的驾驶行为及眼动特征数据进行数据采集，结合驾驶人的主观疲劳等级（Karolinska Sleepiness Scale，KSS）进行对比分析，并建立混合效应有序Logit模型对疲劳状态进行判别。该模型中同时考虑了驾驶人之间的个体差异，以及疲劳随时间逐步累积的效应（Time Cumulative Effect，TCE）。为对比疲劳累积效应在模型中的显著作用，研究中同时建立了未考虑TCE的混合效应有序Logit模型进行对比分析。结果表明，驾驶时长显著影响驾驶人疲劳等级，且考虑了TCE的模型对疲劳状态判别准确率达80%以上，远高于未考虑TCE的模型精度。
Zandi等人[6]利用驾驶模拟器实验的方式，采集了驾驶人在疲劳状态下的眼动状态数据，包括注视、扫视、眨眼、瞳孔直径以及眼睑开合度（PERCLOS）等信息。该研究辅以驾驶人实时脑电（EEG）数据作为判别疲劳状态的参考标准，来评估眼动参数对疲劳状态的判别准确性。为探讨眼动参数的不同历元长度（epoch length）对疲劳驾驶检测性能的影响，选取了多种历元长度进行分析，对结果进行了比较。此外，文中使用分类器（随机森林、支持向量机）对驾驶人疲劳状态进行评估。结果表明，采用短历元长度（即该方法具有较高的时间分辨率和较低的检测延迟）数据处理方法结合非侵入性测量方式，可对驾驶人进行有效长期实时疲劳检测。眼部特征数据可有效评估驾驶疲劳，且使用随机森林分类器对驾驶疲劳判别的准确性高达88.37%～91.18%。
艾克斯马赛大学的Naurois等人[7]利用人工神经网络（Artificial Neural Networks，ANN）对驾驶人的疲劳状态进行判别及预警。研究者通過驾驶模拟器实验记录了驾驶人的驾驶行为及生理指标，并在模型中考虑了驾驶人之间的个体差异。文中使用了两个不同的ANN模型，分别用于检测驾驶人每分钟的疲劳程度以及预测每分钟驾驶人达到特定的疲劳程度（中度疲劳）需要的时间。研究者利用一组驾驶人的数据来训练ANN模型来提高模型的性能并将其应用在新的个体上以检测模型的有效性。结果表明，模型对特定驾驶人数据的适应性在疲劳预测精度方面提高了40%，疲劳的判别精度提高了80%。该研究所用方法显著提高了模型对特定驾驶人的适应性，并为解决不同驾驶人在疲劳状态下的个体差异提供了一个初步解决方案。
2 疲劳驾驶致因因素研究
疲劳驾驶是指在困倦或身体疲劳的状态下驾驶，可由许多潜在原因引起，如过度嗜睡、睡眠剥夺、轮班工作引起的昼夜节律变化、疲劳、服用镇静剂药物以及劳累时饮酒。除此之外，长途驾驶时由于道路环境单一，也容易使得驾驶人产生疲劳的状况。
Mahajan等人[8]通过问卷调查的方式调查了印度的三个城市中男性货运驾驶人的工作-休息模式及其驾驶行为。当驾驶人的工作收入与驾驶日程的繁忙程度相关时，往往会为驾驶人带来工作压力。这种持续的工作压力会促使他们违反交通规则和工作时间的规定。结果表明，被试者的危险驾驶行为如违规行为、错误行为等与驾驶人的缺乏睡眠情况显著相关。此外，研究强调了驾驶人因疲劳、困倦或工作压力而未能满足休息要求时，对长途货车驾驶人违反交通规则方面的促进作用。根据研究模型结果，过去因违规行为受到过处罚的驾驶人其再次违规的风险更大。这可能意味着现有惩罚措施效率低下，无法遏制普遍存在的不安全驾驶行为。
Farahmand 和Boroujerdian[9]利用驾驶模拟器探究了单调环境下不同道路几何线形对驾驶人疲劳状态的影响。实验中使用了三条具有不同数量水平弯道的不同道路进行场景建模，见图1。研究采集并分析了驾驶人在行驶过程中的方向盘运动状态及驾驶人车道保持能力，以及在完成驾驶任务前后的警觉程度。结果表明，道路设计对驾驶人车道保持能力有显著影响。更多的道路线形变化可以提高驾驶人的驾驶性能及警惕性。因此，通过增加道路平曲线设计可以被认为是在单调和欠载道路条件下增加驾驶人心理负荷的有效方法。
清华大学Li等人[10]采用问卷调查的方式对驾驶人进行数据采集及建模，对影响出租车驾驶人疲劳相关事故风险（Fatigue-Related Accident Risk，FRAR）的因素进行探究。研究分别使用Logistic Ridge Regression（LRR）、Logistic Regression（LR）和Support Vector Machine（SVM）三种模型对数据进行分析，发现LRR模型对FRAR的预测精度最高。模型结果表明，高风险出租车驾驶人其表现出工作时间长、休息时间少、驾驶经验少以及对自己的抗疲劳能力更有信心的特征。出租车驾驶人的驾驶休息习惯、疲劳驾驶经验和疲劳驾驶意图是影响疲劳驾驶的关键因素，在很大程度上决定了疲劳驾驶行为的FRAR。调整驾驶人的休息习惯和与这些预测因素相关的自我评估，有助于降低高风险驾驶人的事故风险。
3 疲劳驾驶安全影响分析
在有关疲劳驾驶的安全影响研究中，研究者将探究疲劳驾驶的普遍性，以及如何降低疲劳驾驶事故风险作为侧重点，提出相应的有效措施来减少因疲劳驾驶所导致事故的发生。
弗吉尼亚理工大学Owens等人[11]利用第二项高速公路自然驾驶研究计划（the Second Strategic Highway Research Plan Naturalistic Driving Study）对疲劳驾驶进行了研究。利用在自然驾驶过程中所采集到的视频数据对驾驶人的PERCLOS进行分析，判别其疲劳状态，并分析了疲劳驾驶在日常驾驶及发生交通事故时存在的普遍性。研究中利用了与视频录像及时间序列数据有关的时间戳，可以精确定位与安全相关因素和事件发生的时间，以便对特定活动和驾驶情境的风险使用流行病学方法进行分析。该研究对驾驶人在临撞时和正常驾驶期间的状态提供了一种客观的评估方法，避免了因驾驶人不记得或不愿意承认其疲劳驾驶所造成的数据结果偏差，与传统的疲劳驾驶风险评估方法相比体现出了显著优势。
东南大学马永锋等人[12]利用实车实验对大型货运车辆驾驶人的疲劳驾驶进行研究，采集驾驶人的车速、加速度等参数，并利用PERCLOS指标对驾驶人疲劳状态进行判别，以探究驾驶人发生交通事故的风险。研究结果表明，速度和加速度可以作为评价重型卡车驾驶人驾驶性能的重要指标。当驾驶人达到高疲劳水平时，其平均车速、最大及最小车速都会增加，且车速稳定性降低。当驾驶人受到疲劳的影响时，他们的反应能力将会下降。如果驾驶人在高疲劳驾驶状态下保持高速行驶将更容易发生交通事故。此外，随着疲劳程度的增加，加速度的均值及标准差会减小，但加速度的最大值和最小值会增加。表明驾驶人在疲劳状态下更容易做出紧急或剧烈的驾驶动作，且疲劳将导致驾驶人的反应能力受损。
南阿拉巴马大学的Kang和Rahman[13]对美国阿拉巴马州I-65公路中的两个包含休息区的路段设置疲劳驾驶劝告系统（Drowsy Driving Advisory System，DDA），分析这两条路段在设置DDA系统前后的事故情况。DDA系统共包含三类标志，分别为：（1）提示进入疲劳驾驶劝告区域标志；（2）疲劳驾驶警告标志（如：疲劳驾驶危及生命安全）；（3）疲劳驾驶劝告标志（如：若感到疲劳请及时休息）。结果表明，在设置DDA系统后，路段休息区交通量增加10%，且事故降低65%。设置DDA后事故率明显降低，表明该系统对驾驶人起到了提醒警示的效果，显著降低了发生事故的风险。
韩国汉阳大学Jung等人[14]对因疲劳驾驶导致的高速公路事故进行研究。为了防止因疲劳驾驶而引发的撞车事故，韩国高速公路系统增设了辅助休息区，使得道路使用者可以休息。這些辅助休息区是非常小的休息设施，它通常位于较大的常规休息区之间，如图2所示。研究旨在评估辅助休息区对减少因疲劳驾驶所引发碰撞事故的影响。结果显示，设置辅助休息区域可以减少14%的由疲劳驾驶引发的高速公路碰撞事故。
由于营运车辆驾驶人通常会面临睡眠不足、轮班影响其生理节律等问题，更容易引发疲劳驾驶。台湾国立交通大学的吴昆峰等人[15]通过研究对城际公交车驾驶人进行重新排班，来降低其发生交通事故的风险。调查结果显示，下列两种类型的排班时间表将可能导致更高的事故风险：（1）连续两天下午或凌晨班次；（2）在前一次为早晨或下午班次后安排凌晨的班次，或者在前一次下班24小时后安排凌晨的班次。为了在保持不间断服务的同时降低交通事故风险，研究者开发了数学程序对驾驶人进行合理排班。算法结果表明，城际公交公司应避免驾驶人连续两天均在下午或凌晨驾驶，且应安排夜班驾驶人在相邻两个工作班次之间休息24小时以上。这种通过避免高碰撞事故风险的工作班次组合安排可以减少高达30%的碰撞事故。
4 疲劳驾驶干预研究
针对疲劳驾驶的干预措施研究主要从预防及预警两个方面进行干预。主动预防措施包括对驾驶人进行安全教育以及服用含咖啡因等产品进行干预。而疲劳预警则是在车内对驾驶人从听觉、视觉及触觉等方面进行疲劳干预。
澳大利亚的Aidman等人[16]使用驾驶模拟器实验，对驾驶人在强制50小时无休息后的驾驶行为进行记录。驾驶人被随机分为两组，一组使用含咖啡因的口香糖作为实验组，另一组使用不含咖啡因的口香糖作为对照组。该研究探究了驾驶人在积累睡眠损失的情况下，通过重复多次咀嚼口香糖来摄入咖啡因对疲劳和驾驶表现的影响。结果表明，通过每隔2小时咀嚼口香糖重复摄入200毫克咖啡因，不仅可以减少困倦感，还可以显著降低疲劳对驾驶失误的影响，从而减小因疲劳导致的驾驶性能受损。
奥斯丁健康中心的Alvaro等人[17]通过对青年驾驶人进行教育干预，将34名参与者（18-26岁）随机分为两组，一组接受为期四周的关于睡眠和驾驶的教育，内容包括与疲劳相关的科学内容（什么是疲劳、充足睡眠的定义、睡眠疾病及人体节律与了解自己的生物钟）、疲劳对驾驶的影响、如何避免疲劳驾驶；另一组接受与疲劳驾驶内容无关的对照条件的教育。在为期四周的教育计划前后，研究人员对影响驾驶人睡眠和驾驶的因素进行了一系列问卷调查。且被试者需要在保持清醒17小时后于凌晨1点完成一项2小时的驾驶模拟器任务，以评估其对驾驶行为的影响。结果表明，对青年驾驶人进行关于睡眠和驾驶的教育可提高驾驶人睡意意识，且可以降低青年驾驶人出现疲劳驾驶及相关事故的风险。
在疲劳驾驶预警方面，爱荷华大学Gaspar等人[18]通过设计驾驶模拟器实验（如图3所示），根据驾驶人注视位置探究了不同前向碰撞预警（Forward collision warnings，FCW）对中至重度疲劳驾驶人的预警有效性。在前方出现静止车辆并且此时主车即将发生碰撞的情况下，设置了三种警告条件：听觉警告、座椅振动警告及无警告。结果表明，仅当疲劳驾驶人在前向碰撞事件开始时处于闭眼或低头的状态时，FCW能有效提高疲劳驾驶人的反应能力。
目前市场上有关疲劳驾驶预警系统的装置主要通过对驾驶人进行生理信号（如驾驶人面部特征等）以及非生理信号（如驾驶行为数据等）的采集、分析和处理，来判断驾驶人当前的疲劳状态。此外，图像处理技术也常被应用于疲劳驾驶预警系统设计。基于图像处理的疲劳驾驶预警系统通常包含四个模块：图像采集模块、图像处理模块、中央处理器以及报警显示模块。通过对驾驶人面部特征、眼动特征等进行不间断采集，并对图像进行数字化及降噪等处理，传输至中央处理器利用图像处理算法不断优化结果，最终输出结果并通过指示灯、声音或振动等方式进行疲劳驾驶预警。
5 总结
本文总结了近两年TRB年会及Accident Analysis & Prevention等交通安全类期刊中有关驾驶疲劳的研究进展，梳理了国际上关于驾驶疲劳的研究内容、研究方法及研究结果。目前疲劳驾驶研究领域的最新文献主要围绕交通安全、驾驶行为、医学等方面进行开展，且在疲劳的检测判别方面有较为丰富的研究成果。
但目前研究中所涉及的判别模型其精度均具有一定程度的限制，如何提高模型对驾驶人疲劳状态的判别准确性是未来研究需要更进一步探究的内容。在对于疲劳驾驶的研究手段上，自然驾驶数据是最为精准可以反应驾驶人行为的一种方式。但如何对自然驾驶数据中的驾驶人的疲劳状态进行有效识别，发现其疲劳状态下的行为规律，从而进行更有针对性的预警是未来研究中可以探究的方向。
对于疲劳等级的划分标准目前尚未有成熟的参考依据，如何对疲劳等级进行更加精确的划分也是未来研究中值得继续探索的内容。此外，在Level 5的自动驾驶尚未完全实现前，在自动驾驶车辆需要驾驶人接管的条件下，如何对接管状态下驾驶人的疲劳驾驶进行有效地干预同样值得思考。
参考文献
[1] Tefft B C. Prevalence of Motor Vehicle Crashes Involving Drowsy Drivers， United States， 2009～2013. Washington， DC： AAA Foundation for Traffic Safety； 2014.
[2] Tefft B C. Asleep at the Wheel： The Prevalence and Impact of Drowsy Driving[J]. Drivers， 2010， 279（7）：80.
[3] 公安部交通管理局. 中華人民共和国道路交通事故统计年报（2015年度）. 公安部交通管理科学研究所，无锡， 2016.
[4] Young T， Blustein J， Finn L， et al. SleepDisordered Breathing and Motor Vehicle Accidents in A Population-based Sample of Employed Adults[J]. Sleep， 1997， 20： 608-613.
[5] Zhang X， Yang X， Wang X， et al. Driver Drowsiness Detection Using Mixed-Effect Ordered Logit Model Considering Time Cumulative Effect[C]. // Proceedings of 98th Annual Meeting of the Transportation Research Board. Washington： Transportation Research Board， 2019.
[6] Zandi A S， Quddus A， Prest L， et al. NonIntrusive Detection of Drowsy Driving based on Eye Tracking Data[C]. //Proceedings of 98th Annual Meeting of the Transportation Research Board. Washington： Transportation Research Board， 2019.
[7] Nauroisa C J， Bourdina C， Bougard C， et al. Adapting Artificial Neural Networks to a Specific Driver Enhances Detection and Prediction of Drowsiness[J]. Accident Analysis & Prevention， 2018， 121：118-128.
[8] Mahajan K， Velaga N， Kumar A， et al. Traffic Violations Among Truck Drivers Due to Fatigue and Sleepiness[C]. //Proceedings of 98th Annual Meeting of the Transportation Research Board. Washington： Transportation Research Board， 2019.
[9] Farahmand B， Boroujerdian A M. Effect of Road Geometry on Driver Fatigue in Monotonous Environments： A Simulator Study[J]. Transportation Research Part F： Traffic Psychology and Behaviour， 2018， 58： 640-651.
[10] Li M， Yu J， Ma L， et al. Modeling and Mitigating Fatigue-related Accident Risk of Taxi Drivers[J]. Accident Analysis & Prevention， 2019， 123：79-87.
[11] Owens J， Dingus T， Guo F， et al. Estimating the Prevalence and Crash Risk of Drowsy Driving Using Data from a Large-Scale Naturalistic Driving Study[C]. // Proceedings of 97th Annual Meeting of the Transportation Research Board. Washington： Transportation Research Board， 2018.
[12] Ma Y， Zhang C， Yan Q， et al. The Impact of Fatigue Driving on Heavy-Duty Truck Driver Driving Performance[C]. //Proceedings of 98th Annual Meeting of the Transportation Research Board. Washington： Transportation Research Board， 2019.
[13] Kang M， Rahman M. Drowsy Driving Advisory System： Alabama Case Study[C]. //Proceedings of 98th Annual Meeting of the Transportation Research Board. Washington： Transportation Research Board， 2019.
[14] Jung S， Joo S， Oh C. evaluating the effects of supplemental rest areas on freeway crashes caused by drowsy driving[J]. Accident Analysis & Prevention， 2017， 99（part_PA）：356-363.
[15] Wang S Y， Wu K F. Reducing intercity bus crashes through driver rescheduling[J]. Accident Analysis& Prevention， 2019， 122：25-35.
[16] Aidman E， Johnson K， Paech G.M.， et al. Caffeine Reduces the Impact of Drowsiness on Driving Errors[J]. Transportation Research Part F： Traffic Psychology and Behaviour， 2018， 54： 236-247.
[17] Alvaro P K， Burnett N M， Kennedy G A， et al. Driver education： Enhancing knowledge of sleep， fatigue and risky behaviour to improve decision making in young drivers[J]. Accident Analysis & Prevention， 2018， 112：77-83.
[18] Gaspar J G， Schwarz J C W， Brown T L， et al. Gaze position modulates the effectiveness of forward collision warnings for drowsy drivers[J]. Accident Analysis& Prevention， 2017： S0001457517304529.