基于多模态数据的草原公路施工作业区驾驶人工作负荷识别

吕贞 ,  杨新宇 ,  郭晨

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (31) :13711-13723

PDF (10544KB)
科学技术与工程 ›› 2026, Vol. 26 ›› Issue (31) :13711-13723 DOI: 10.12404/j.issn.1671-1815.2601173
论文:环境科学、安全科学

基于多模态数据的草原公路施工作业区驾驶人工作负荷识别

作者信息 +

Driver Workload Recognition in Prairie Highway Work Zones Based on Multimodal Data

Author information +
文章历史 +

摘要

针对典型草原公路长直路段施工作业区引发驾驶人工作负荷瞬时跃迁的安全风险,构建一种多模态数据驱动的工作负荷识别模型,以提升非常规场景下的行车安全监测能力。选取典型草原公路长直路段,布设内侧车道封闭与外侧路肩封闭两种施工场景开展驾驶模拟实验,同步采集眼动(eye movement, EM)、心电(electrocardiogram, ECG)及车辆操作与运行(vehicle operation and control, VOC)等多模态数据,并结合NASA(National Aeronautics and Space Administration)任务负荷指数(NASA task load index, NASA-TLX)量表获取主观负荷评分作为监督标签。通过相关性分析与因子分析筛选核心特征,并结合生理有效性校验剔除不适配短时间窗的频域指标,筛选出12 项核心指标构建特征体系。基于贝叶斯优化算法对5 种机器学习模型进行参数寻优,对比分析不同模型及特征组合的识别性能。结果显示,极端梯度提升(extreme gradient boosting, XGBoost)模型在草原公路施工作业区场景下表现最优,分类准确率达91.60%,受试者工作特征曲线下面积(receiver operating characteristic-area under curve, ROC-AUC)值为0.948,显著优于随机森林(random forest, RF)与支持向量机(support vector machine, SVM)等模型。特征组合对比发现,EM-ECG-VOC全维度特征融合的识别效能最高;而在双模态组合中,心电与车辆操作组合(ECG-VOC)表现优于包含眼动指标的组合。研究表明,多模态特征融合结合优化的集成学习算法可有效识别草原公路施工区驾驶人认知状态的瞬时变化,可为高风险路段的主动安全预警系统开发与自动驾驶接管策略优化提供理论依据与算法支撑。

Abstract

To address the safety risks associated with the instantaneous transition of driver workload triggered by work zones on typical long straight sections of prairie highways, a multimodal data-driven workload recognition model was developed to enhance traffic safety monitoring capabilities in unconventional scenarios. Representative long straight sections of prairie highways were selected to conduct driving simulation experiments, featuring two specific work zone scenarios: inner lane closure and outer shoulder closure. Multimodal data, including eye movement (EM), electrocardiogram (ECG), and vehicle operation and control (VOC), were synchronously collected. Meanwhile, subjective workload scores were obtained as supervised labels using the NASA(National Aeronautics and Space Administration) task load index (NASA-TLX). Core features were identified through correlation and factor analysis. Frequency-domain indicators unsuitable for short time windows were excluded via physiological validity verification, resulting in a refined feature system comprising 12 core indicators. Five machine learning models were parameterized and optimized using a Bayesian optimization algorithm, followed by a comparative analysis of recognition performance across different models and feature combinations. The results indicate that the extreme gradient boosting (XGBoost) model exhibited superior performance in prairie highway work zone scenarios, achieving a classification accuracy of 91.60% and an Area Under the receiver operating characteristic curve (ROC-AUC) of 0.948, which significantly outperformed random forest (RF) and support vector machine (SVM) models. Regarding feature combinations, the fusion of all dimensions (EM-ECG-VOC) yielded the highest recognition efficiency. Among dual-modal combinations, the ECG-VOC combination demonstrated better performance than those incorporating eye movement indicators. It is concluded that the fusion of multimodal features combined with optimized ensemble learning algorithms can effectively identify instantaneous fluctuations in driver workload within prairie highway work zones. The result provides theoretical evidence and algorithmic support for the development of active safety warning systems and the optimization of autonomous driving takeover strategies for high-risk road sections.

Graphical abstract

关键词

驾驶人工作负荷 / 草原公路施工作业区 / 多模态特征 / 机器学习

Key words

driver workload / prairie highway work zones / multimodal feature / machine learning

引用本文

引用格式 ▾
吕贞, 杨新宇, 郭晨. 基于多模态数据的草原公路施工作业区驾驶人工作负荷识别[J]. 科学技术与工程, 2026, 26(31): 13711-13723 DOI:10.12404/j.issn.1671-1815.2601173
LÜ Zhen, YANG Xin-yu, GUO Chen. Driver Workload Recognition in Prairie Highway Work Zones Based on Multimodal Data[J]. Science Technology and Engineering, 2026, 26(31): 13711-13723 DOI:10.12404/j.issn.1671-1815.2601173

登录浏览全文

4963

注册一个新账户 忘记密码

驾驶人工作负荷(driver workload, DWL)指驾驶人在执行驾驶任务过程中所承受的认知、心理生理压力,包括其处理环境信息以及进行认知、预测和决策的能力[1-3],它直接影响驾驶人对道路行车环境的感知能力和反应灵敏度,进而影响行车安全。在非常规行车环境中,驾驶人工作负荷的突变尤其明显,成为影响驾驶安全的关键因素[4]。
公路施工区域作为典型的非常规驾驶场景,其车道缩减、交通流重组、环境干扰等特征显著改变驾驶任务需求,驾驶人工作负荷的异常升高已成为诱发交通事故的关键诱因[5-7]。国内外施工路段交通事故统计数据表明,道路施工路段交通事故率均较高[8-10]。而随着社会经济的快速发展,公路基础设施的迭代升级与常态化维护,已成为保障交通网络高效运转的必然要求,据统计,截至2022年末,中国公路养护里程535.03 万km,在公路总里程中占比99.9%[11]。因此,准确识别与监测施工作业区驾驶人工作负荷水平具有重要的理论与实践价值,有助于推动复杂场景下驾驶心理与行为的研究,为驾驶辅助系统和自动驾驶系统的设计与优化提供算法依据,进而提升施工区域的安全性[4]。
国内外学者针对施工作业区的相关研究主要围绕负荷影响机制、表征参数、识别方法及优化策略等方面展开。关于影响机制,研究普遍认为施工作业区的环境复杂性与交通不确定性是造成驾驶人工作负荷显著增加的核心因素。Lioi等[12]、Thapa等[13]研究表明,施工区域道路线形变化、车道缩减等因素会损害驾驶人的车辆控制能力,导致频繁加减速等不稳定操作,进而引发驾驶人的负面情绪和违规、攻击性驾驶等危险行为。Kummetha等[7]发现施工区域的不确定性会增加驾驶人的工作负荷,降低情境意识,削弱其预测潜在危险的能力,这些负面心理状态将进一步损害驾驶人的信息接收和决策能力,给驾驶安全带来潜在风险。施工区域条件的突然变化会干扰驾驶人的注意力分配,使其过度关注次要驾驶任务,尤其是视觉-手动任务。此类任务会进一步消耗认知资源,与施工区域固有的工作负荷叠加。
在表征参数方面,驾驶人工作负荷已形成行为、心理生理及主观感知3 类多维指标体系。Shakouri等[14]通过开展施工作业区驾驶模拟试验对比分析了生理指标与主观评价指标在衡量驾驶人精神负荷方面的有效性。Zhang等[15]研究结果表明,车速波动、异常加速度、制动响应时间延长、车道偏离及变更频率等车辆控制能力变化,是工作负荷的核心外在体现。Vicente等[16]的研究指出,心电图(electrocardiogram,ECG)信号能够反映心脏附近的电位变化,其中心率变异性、心率变化速率和心跳间隔等指标可用于研究驾驶人的工作负荷。Vosugh等[17]进一步研究表明,眼动特征可用于分析不同负荷条件下的视觉行为,能够为理解注意力分配规律与不同驾驶场景下的驾驶表现提供依据,因此常被用于训练识别驾驶人状态的分类器。
在识别方法方面,机器学习算法已广泛应用于驾驶人工作负荷的分类与预测。例如,Yun等[18]通过收集车速、加速度等多源驾驶人数据,采用K均值无监督聚类方法对驾驶人工作负荷水平进行分类。Lee等[19]应用支持向量机(support vector machine,SVM)算法将驾驶人的皮肤电生理信号与驾驶行为特征相结合,对驾驶人的压力水平进行分类。Rigas等[20]基于相关数据的获取采用逻辑回归将驾驶人分为承受驾驶工作负荷和未承受驾驶工作负荷两类。Yang等[5]通过整合脑电图(electroencephalogram,EEG)等生理信号,并结合驾驶行为数据,采用LGBM(light gradient boosting machine)开发了驾驶人压力识别和分类的方法,准确率达到84.93%。
施工作业区优化策略研究主要聚焦作业区设计与管控,通过调整警示距离、优化防护设施配置、合理规划施工路段等方式,在保障作业安全的前提下,实现驾驶负荷的科学调控。Idewu等[21]分析了不同的施工区域通行设置方法对驾驶人操作行为的影响。Naheld等[22]通过驾驶模拟器实验,评估了几何布局与标志对施工区驾驶人行为的影响。其研究结论表明,优化的施工区几何设计能有效改善驾驶行为,优化的路面标线设计可将车辆横向偏移降低50%。
总体而言,现有研究多针对驾驶人工作负荷的核心影响因素和关键表征维度开展。建立了多方法融合的评价体系,但场景大多集中于高速公路或城市道路等常规场景,对于其他道路等非常规场景,尤其是施工区域等复杂交通场景下驾驶人工作负荷状态识别的研究较少[13,22-23]。以中国北方为代表的典型草原公路,具有线形单一(长直线占比高)、景观重复度高、交通流量稀疏等特征,极易诱发驾驶人产生视觉疲劳与心理懈怠,使其生理状态滑向“低唤醒”区间[24-26]。在这种“低刺激”的基调下,施工作业区的突然介入,不仅增大了驾驶任务难度,更使驾驶人从“生理节能模式”向“深度认知加工模式”瞬时跃迁。这种跨度巨大的负荷跃迁,相较于常规场景下的“持续波动”,会导致认知资源分配压力骤增,使驾驶人出现车道偏离、制动不及时等安全风险的概率攀升。目前,针对草原公路这种由“极度单调”转向“突发干扰”过程中的驾驶人工作负荷识别研究尚处于空白。因此,拟开展草原公路这种非常规场景下驾驶人工作负荷的识别研究。首先,针对典型草原公路长直路段的两种施工作业区行车场景开展驾驶模拟实验,采集表征驾驶人工作负荷的眼动、心电、车辆操作等多模态数据,通过因子分析优选核心指标。其次,构建基于贝叶斯超参数优化的5 种机器学习识别模型,重点探讨多模态数据在捕捉“低唤醒-高负荷”突变特征中的效能。研究结果将有助于揭示草原公路单调行车环境与施工作业干扰叠加下的驾驶心理行为作用机制,为提升草原公路作业区通行安全性提供算法支撑。

1 试验方案设计

公路施工作业区的实车试验不仅存在一定安全风险,还易受天气、交通状态、道路条件等行车环境随机因素的干扰;而驾驶模拟器在安全性、可控性与经济性上具备显著优势,其有效性已得到国内外诸多模拟驾驶试验的验证[27-29]。同时,文献[30]针对草原公路开展的实驾与模拟驾驶对比研究结果表明,二者在反映驾驶人心理、生理指标变化规律方面具有良好一致性。基于此,选择驾驶模拟平台开展试验。

1.1 试验人员

选取具有代表性的样本是获取有效试验数据的前提。首先采用基于均值区间估计精度的样本量计算法计算样本量[31],然后通过基于假设检验功效的样本量确定法验证其合理性。样本量计算公式为

$\mathit{N}={\mathit{Z}}^{2}{\mathit{\sigma }}^{2}/{\mathit{E}}^{2}$

式(1)中:N为样本量;Z为标准正态分布统计量;σ为标准偏差;E为最大允许误差。显著性水平取10%,则Z=1.25,取σ=0.4(0.25≤σ≤0.5)、E=10%,根据式(1)计算得最小样本量N=25。

本研究采用两独立样本均值比较的功效检验法进行样本量合理性验证,设定如下约束条件:①以双侧检验的检验水准 α=0.1,对应的标准正态分布分数Z1-α/2=1.645;②检验功效 1-β=0.8,对应的标准正态分布分位数Z1-β=0.84;③参考同类研究结果,取效应量 d=0.5;④结合重复测量设计特征,设定被试内相关系数 ρ=0.5。

最终采用的样本量计算公式为

$\mathit{N}={\left[\frac{({\mathit{Z}}_{1-\mathit{\alpha }/2}+{\mathit{Z}}_{1-\mathit{\beta }})\sqrt{2(1-\mathit{\rho })}}{\mathit{d}}\right]}^{2}$

将上述参数代入式(2)中,计算得出所需最小样本量为25 人,与参数估计计算样本量一致。为确保试验数据的完备性,本次试验招募30 名驾驶人作为被试。其中男性驾驶人21 名,女性驾驶人9 名,男女比例基本符合中国男女驾驶人比例,驾驶人均为中青年驾驶人,年龄介于21~58 岁(均值为33.4,均方差为9.75)。所有被试均持有驾驶执照1 年以上,具有实际道路驾驶经验。要求所有被试在试验前保证充足睡眠,试验前24 h内不得饮酒或服用刺激性药物,确保精神状态和身体状况良好,满足试验条件。

1.2 试验设备

试验仪器包括驾驶模拟车辆、视景仿真系统、眼动及多通道生理设备。其中,驾驶模拟车辆为比亚迪F3实车,视觉仿真系统包括视景生成计算机及控制软件(SCANer DT)、投影系统、显示屏等,该系统可实现三维可视道路场景的真实再现,屏幕尺寸为12.9 m×3 m,分辨率为3 072×768,主观视角视窗为180°。生理指标数据采集设备为MP150型多导生理记录仪,可以同时进行心电、脑电等多种生理信号的实时采集,并通过配套软件AcqKnowledge、KubiosHRV等进行数据处理与分析。试验使用的眼动设备为I view X HED型眼动仪,眼动数据采用BeGaze2.4数据分析软件进行提取和分析,试验设备及数据获取及处理分析流程如图1所示。

1.3 试验场景设计

典型草原公路地形地貌变化小,路域景观单调,线形单一,以长直线居多,直线段占比达80%,交通流量小。结合草原公路典型特征,本次驾驶模拟试验场景设计为典型草原一级公路直线路段。试验路段道路交通参数如表1所示。

通过走访相关部门与实地调研,草原公路路面修复与日常养护中最常见施工形式为内侧车道封闭、外侧路肩封闭两类。同时,为凸显驾驶人从草原长直路段“低刺激”驾驶模式瞬时切换至“主动认知加工”模式而引发工作负荷的瞬时突变,在施工作业区前设置6 km长的直路段,即在长直线段6 km处开始布设两类施工作业区[32],且作业区的顺序相对于被试随机化设计,以最大限度降低学习偏差与顺序效应的影响,保证实验数据的客观性。各作业区严格按照《公路养护安全作业规程》(JTG H30—2015)进行布设,施工作业区分为警告区、上游过渡区、纵向缓冲区、工作区、下游过渡区及终止区,并在施工作业区各区段设置相应的安全设施,其他交通、道路、环境等基础参数均保持一致[33]。两类施工作业场景路段及相应安全设施布置示意图如图2与图3所示。

如图2所示,内侧车道封闭施工作业区对驾驶人造成操作与认知双重负荷,属于高强度干扰场景。图3所示外侧路肩封闭作业区只对驾驶人视觉与注意力产生干扰,属于中等视觉干扰场景。长直路段无干扰则作为空白对照。为后续分析与描述方便,将内侧车道封闭施工作业区简称为LC,将外侧路肩封闭施工作业区简称为SC,而将长直路段简称为BC。

1.4 试验流程

试验流程分为三个阶段,具体操作如下。

(1)试验准备。首先向被试讲解驾驶模拟器操作方法,并安排被试进行不少于10 min的模拟器适应性操作练习,在标准化通用场景中完成直线行驶、变道、加减速等基础操作,确保所有被试熟悉驾驶模拟试验环境与流程,避免因场景差异引入试验偏差。适应性练习完成后,为被试佩戴眼动仪及多通道生理仪,采集被试平静状态下生理基线数据,为后续试验数据的校正分析提供参照依据。

(2)正式试验。正式试验中,被试需完成前述试验场景的驾驶任务,即10 km长的草原公路长直自由行驶路段及两个施工作业区行车场景任务。要求被试严格按照道路标识提示的交通规则完成驾驶操作,在长直自由行驶路段结束后,被试以随机顺序进入不同施工作业区场景。

(3)试验后主观测评。驾驶模拟试验结束后,采用NASA(National Aeronautics and Space Administration)任务负荷指数(NASA-task load index, NASA-TLX)量表对被试的驾驶工作负荷进行主观评估。首先向被试简要说明评估目的,明确填写规则,确保被试理解量表中6 个维度的含义。随后向被试发放纸质版量表,要求其结合本次驾驶模拟试验的真实体验,对6 个核心维度进行独立评分。各维度评分范围均为1~10 分,其中1 分代表“极低”,10 分代表“极高”。被试完成量表填写后,主试对量表进行核查,确认无漏填、错填后回收。试验全过程持续时间约30 min。

1.5 数据采集与指标选取

1.5.1 数据采集

行经施工作业区时,因交通安全设施的设置及道路行车环境出现变化,驾驶人的视觉感知特征、生理特征及驾驶操作行为,车辆运行状态也随之产生改变[34]。试验结束后,分别提取BC、LC、SC的眼动、心电、驾驶人操作、车辆运行指标数据,以便对各段驾驶人的工作负荷进行识别与评估。

1.5.2 各类指标选取

(1)眼动指标选取。眼动指标是表征驾驶人视觉搜索模式与注意力分配状态的核心指标,其动态变化特征可直接反映非典型场景下驾驶人的认知加工深度与工作负荷水平。为表征施工作业区环境中驾驶人的视觉聚焦规律与信息获取效率,选取注视、扫视、瞳孔直径、眨眼等眼动特征共8 项指标,全面覆盖视觉聚焦、扫描及眼部生理反应等维度,各指标、缩写及单位如表2所示。

(2)心电指标选取。心电指标反映驾驶人自主神经活动状态与应激反应强度,其时域与频域特征能直接量化非典型场景下驾驶人的生理唤醒水平与工作负荷程度,为表征施工作业区环境中驾驶人的生理应激响应规律[16,35],选取心率、全部窦性心搏RR间期的标准差、相邻心跳间期之差的均方根等心电特征共8 项指标,涵盖时域、频域及非线性3 类特征,以全面捕捉心电信号中的生理信息,后续将结合数据处理的时间窗策略进行指标有效性校验与筛选,各指标选取及含义如表3所示。

(3)驾驶行为及车辆运行指标选取。驾驶操作行为与车辆运行状态指标是表征驾驶人工作负荷的核心载体,其数据特征能直观反映非典型场景下驾驶人的生理应激与行为调整程度。为表征施工作业区等非典型场景下驾驶人的操作策略与应急响应能力,选取驾驶人直接操作行为相关指标作为核心特征,筛选车辆运行行为相关指标,量化车辆在复杂道路环境中的运动状态与行驶稳定性[3,36],全面覆盖车辆纵向操控、横向稳定及行驶状态等维度。驾驶行为及车辆运行指标选取及各指标的含义如表4所示。

(4)NASA-TLX量表数据提取。用国际公认的主观工作负荷评估工具——NASA任务负荷指数(NASA-TLX),量化驾驶人行经草原公路施工作业区的工作负荷[37]。该量表涵盖6 个核心维度,即心智需求(mental demand, MD)、体力需求(physical demand, PD)、时间需求(temporal demand, TD)、自身表现(performance, OP)、努力程度(effort, EF)及挫败感(frustration, FR),可全面覆盖驾驶任务中的身心负荷感知维度。整体工作负荷得分采用各维度评分的加权平均法计算,得分越高代表驾驶人感知的负荷越强。以该得分作为分类标签,构建驾驶行为、生理特征与工作负荷之间的映射关系,具体计算公式为

${\mathit{S}}_{\mathrm{t}\mathrm{o}\mathrm{t}\mathrm{a}\mathrm{l}}=\frac{\sum _{\mathit{i}=1}^{6}({\mathit{w}}_{\mathit{i}}{\mathit{r}}_{\mathit{i}})}{\sum _{\mathit{i}=1}^{6}{\mathit{w}}_{\mathit{i}}}$

式(3)中:wi为第i 个核心维度的权重,该权重由参与者对各核心维度间相对重要性进行主观两两比较得出;ri为第i 个核心维度的得分,是参与者在实验过程中基于个人主观感受,在0~10 分自评得到的数值。

为构建可靠的监督学习真实标签,将式(3)计算得到的连续NASA-TLX得分离散化为低、中、高3 类工作负荷水平,分别对应长直路段(BC)的低唤醒单调驾驶、外侧路肩封闭(SC)的中等视觉干扰及内侧车道封闭(LC)的高强度认知加工场景。分类采用方法为等频三分位数法,即以全体参与者得分分布的第33.3%和66.7%分位数作为阈值进行划分[38]。该方法不仅能确保3 类样本分布的均衡性,有效优化XGBoost (extreme gradient boosting)与LGBM(light gradient boosting machine)等集成学习模型对少数类别的泛化性能,更能从安全评价角度精准捕捉驾驶人从“无干扰对照”到“单维度注意干扰”再到“双重负荷认知加工”的行为转换逻辑,保证模型在识别关键认知状态跃迁时的鲁棒性[39-40]。

1.5.3 数据预处理

为精准捕捉草原公路施工区内驾驶员心理生理状态与工作负荷的动态变化特征,并确保后续多模态分析的有效性,采用5 s时间窗、1 s滑动步长对连续数据进行分段。该时间窗策略旨在提供足够的时间分辨率以捕捉认知负荷的瞬时突变特征,同时避免引入过多的随机信号噪声,这与当前多模态驾驶状态识别领域的主流处理方法保持一致[41-43]。

针对心电、眼动及车辆运行参数采样频率不一带来的数据异步问题,以系统时间戳为基准,采用线性插值法对低频信号进行重采样,将3 类模态数据映射至统一的高频时间基准上,实现多源数据在时域上的严格对齐。在每个5 s时间窗口内,分别计算心电、眼动等生理信号及车辆运行数据的统计学特征与非线性指标,通过特征化处理将原始不等长的采样序列转化为固定维度的初始特征向量。

数据分段及特征化完成后,采用3σ原则进行异常值处理以保证数据完整性,并利用Z-score标准化消除异质指标间的量纲差异,为后续机器学习模型的训练提供高质量的归一化输入。为进一步优化输入空间并降低特征间的多重共线性风险,本研究在构建识别模型前,通过Pearson相关分析量化指标间的相互依赖关系,并结合因子分析,根据时间窗约束下的指标有效性校验结果,最终筛选出最具代表性的核心特征集。

2 基于因子分析的特征指标优选

为优化草原公路施工作业区驾驶人工作负荷识别的车辆运行、眼动、心电多模态指标体系,剔除冗余变量并凝练核心特征,经标准化处理后,首先采用Pearson相关性分析,识别高度冗余指标组,再通过因子分析提取公因子,结合因子载荷量与相关性结果剔除弱解释力、冗余指标,最终确定最优核心指标集,为后续负荷状态识别模型的训练与验证提供可靠的数据支撑。3 类指标相关性检验结果如图4所示。

由图4可以看出,各类指标内部均呈现显著关联,无异常相关关系,说明指标选取均有效且适用于因子分析。其中,眼动指标中,注视持续时间与瞳孔直径高度正相关,扫视幅度与扫视频率、瞳孔直径显著负相关,反映了视觉关注状态的内在一致性;心电指标中,心率变异性相关指标间呈极强正相关,低频LF与高频HF比值与心率HR正相关,与高频功率负相关,契合自主神经系统调控规律;驾驶操作与车辆运行指标方面,横向控制类指标(车道偏移量标准差、方向盘转角标准差、横向加速度)高度正相关,纵向操作指标(加速踏板与制动踏板开度)呈强负相关,车速与加速、制动踏板开度的相关性符合驾驶动力学逻辑。3 类指标内部的强相关性均表明存在信息冗余,因子需通过因子分析进一步降维,进而提取核心特征构建驾驶状态识别模型。

采用KMO(Kaiser-Meyer-Olkin)检验和Bartlett球形检验验证3类指标因子分析的适用性,检验结果如表5所示。

从表5可以看出,3 类指标KMO检验结果均大于0.7的判定阈值[44],表明3 类指标内部均存在较强的偏相关性,样本取样适切性良好,均适合作因子分析。Bartlett球形检验结果显示,3 类指标的显著性P均小于0.01,均拒绝“指标间相互独立、无相关性”的原假设,说明每类指标内部的各项指标并非独立存在,具备显著的内在关联与共同因子结构,可分别对各类指标开展主成分提取、因子载荷分析以优化指标体系。基于此,采用最大方差旋转法对眼动、心电及操作运行指标分别进行因子分析,提取特征值大于1的公因子,明确各指标的因子归属与载荷贡献。旋转后的因子成分矩阵如表6所示。

根据表6中3 类指标的因子矩阵,对各主成分进行命名和解释。眼动指标提取出2 个公因子F1、F2,累计方差贡献率87.9%。成分F1中,注视时长(FD)、瞳孔直径(PD)载荷分别为0.951、0.982,综合反映驾驶人对施工区关键目标的高强度持续注视与应激性瞳孔扩张,将其命名为视觉聚焦因子。成分F2中,扫视幅度(SR)、扫视时长(SD)载荷分别为0.936、0.892,表征驾驶人对道路环境的主动大范围扫视行为,将其命名为视觉扫描因子。因此,结合载荷强度与场景特征,筛选FD、PD、SD、SR为核心眼动指标。

从心电指标中提取出2个公因子F3、F4,累计方差贡献率86.2%。成分F3中,正常窦性心搏间期标准差(SDNN)、心率(HR)载荷分别为0.866、-0.849,能反映整体心率波动水平与基础心率的负向关联特征,将其命名为心率变异性核心因子;成分F4中,LF/HF、样本熵(SampEn)载荷分别为0.877、0.865,可表征交感-副交感神经平衡及心率信号的非线性复杂度。经因子分析初步筛选,SDNN、HR、LF/HF、SampEn为候选核心心电指标。鉴于本研究后续数据预处理将采用5 s时间窗、1 s滑动步长对连续数据分段的策略,考虑到常规频域指标在该超短时窗下计算稳健性受限,且指标LF/HF需60 s以上连续心电信号才能稳定提取,无法适配短时间窗的生理提取要求,故对候选指标开展有效性校验后剔除LF/HF,剔除后F4公因子由SampEn单独表征心率信号的非线性复杂度,遂将其重新命名为心率信号复杂度因子。最终确定SDNN、HR、SampEn这3类在短序列分析中具备高度鲁棒性的时域与非线性指标为核心心电指标。

从操作及运行指标中提取出2个公因子F5、F6,累计方差贡献率89.2%。成分F5中,平均车速(AS)、纵向加速度(LA)、加速踏板开度(APO)载荷均大于0.86,反映了驾驶人为维持合理车速与平顺行驶而付出的纵向操控努力程度与认知负荷水平,将其命名为纵向动力控制因子。成分F6中,车道偏移量标准差(SDLD)、方向盘转角标准差(SDSWA)载荷分别为0.941、0.913,直接反映横向轨迹偏移结果与驾驶人操控努力程度,将其命名为横向轨迹稳定因子。因此,在操作及运行指标中最终筛选AS、LA、APO、SDLD、SDSWA为核心指标。

综合眼动、心电及车辆运行3类指标的因子分析结果,结合5 s短时间窗的生理有效性要求,剔除高冗余及不适配的频域指标后,最终构建了包含12个核心指标的施工作业区驾驶人工作负荷表征体系。将上述经过生理有效性校验与精简后的核心指标作为模型输入,构建工作负荷识别模型,实现对不同负荷等级的精准判别。

3 施工作业区驾驶人工作负荷识别

为全面评估草原公路两类施工作业区驾驶人工作负荷的识别效果,选取5种典型机器学习模型进行对比实验,分别为轻量级梯度提升树(LGBM)、极限梯度提升树(XGBoost)、随机森林(random forest,RF)、支持向量机(SVM)及多层感知机(multilayer perceptron,MLP)。其中,LGBM与XGBoost属于Boosting类集成树模型,通过迭代提升弱分类器性能实现高精度预测;RF属于Bagging类集成树模型,通过多棵决策树的投票机制提高分类稳定性与鲁棒性;SVM为经典核函数非线性分类模型,通过最大化类别间间隔实现高效分类;MLP为前馈神经网络,由输入层、隐藏层和输出层构成,可通过训练自动调整网络权重,实现输入特征与输出目标的非线性映射。通过对5 种模型在两类施工作业区场景下的识别性能进行比较,评估不同算法的适配性和精度,并筛选最优模型用于驾驶负荷识别。

3.1 超参数优化

为确定各机器学习模型的最优超参数配置并提升模型泛化性能,首先将预处理及优选后的特征数据集按8∶2的比例随机划分为训练集与独立测试集。其中,80%的样本用于模型训练与超参数寻优,剩余20%的样本用于最终性能验证,以严格避免调参过程中的数据泄露风险。

针对LGBM、XGBoost、RF、SVM及MLP模型,采用贝叶斯超参数优化算法开展寻优工作。该方法通过构建基于高斯过程(Gaussian process,GP)的概率代理模型指导参数搜索方向,并选用期望改善(expected improvement,EI)作为采集函数,在50次迭代内平衡搜索过程中的探索与开发,相比传统的网格搜索具有更高的寻优效率。调参过程中,所有模型均采用5折交叉验证评估参数组合的稳定性,各模型具体参数搜索区间及经贝叶斯优化确定的最优超参数配置如表7所示。

在寻优过程中,同步引入了早停准则(early stopping)以严控模型过拟合。在模型迭代寻优时,实时监测验证集的损失函数值,若损失值在连续10轮迭代内不再下降,则提前终止训练。该策略配合修订后限制在[3,10]范围内的树深度(max_depth)搜索区间,强制约束了树基集成模型的结构复杂度,确保模型能够有效提取草原公路负荷跃迁的通用特征,而非过度拟合训练集噪声。各模型在寻优过程中的目标函数收敛轨迹如图5所示,结果显示识别准确率在40次迭代左右趋于平稳并锁定最优值。

3.2 不同模型识别性能对比

3.2.1 各模型核心识别指标对比

为全面评估各模型对驾驶人行经施工作业区工作负荷的识别性能,采用准确率A、精确率P、F1(F1-Score)分数、召回率R 4项核心指标,各指标计算公式如下。

(1)准确率。准确率反映所有样本中被正确识别的比例,体现模型的整体识别性能,公式为

$\mathit{A}=\frac{\mathrm{T}\mathrm{P}+\mathrm{T}\mathrm{N}}{\mathrm{T}\mathrm{P}+\mathrm{T}\mathrm{N}+\mathrm{F}\mathrm{P}+\mathrm{F}\mathrm{N}}\times 100\mathrm{\%}$

式(4)中:TP为真阳性样本数;TN为真阴性样本数(实际低负荷且识别正确);FP为假阳性样本数;FN为假阴性样本数。

(2)精确率。精确率反映模型识别为高负荷的样本中,实际确实为高负荷的比例,体现识别结果的精准度,公式为

$\mathit{P}=\frac{\mathrm{T}\mathrm{P}}{\mathrm{T}\mathrm{P}+\mathrm{F}\mathrm{P}}\times 100\mathrm{\%}$

(3)F1。F1是精确率与召回率的调和平均值,综合衡量模型的识别性能,避免单一指标的局限性,公式为

${\mathit{F}}_{1}=\frac{2\mathit{P}\mathit{R}}{\mathit{P}+\mathit{R}}\times 100\mathrm{\%}$

(4)召回率。又称灵敏度,反映实际为高负荷的样本被模型正确识别的比例,体现模型对高负荷危险样本的识别能力,公式为

$\mathit{R}=\frac{\mathrm{T}\mathrm{P}}{\mathrm{T}\mathrm{P}+\mathrm{F}\mathrm{N}}\times 100\mathrm{\%}$

各模型4项核心指标计算结果对比如图6所示。

从图6可以看出,各模型的4项指标都稳定在0.80以上,说明经超参数优化后的模型具备可靠的负荷识别能力。其中,XGBoost模型各项指标性能表现最佳,均超过90%,其次是MLP与LGBM模型,各指标均接近90%。相比之下,SVM模型的各项指标比其他模型都低,但均大于80%,基本能完成识别任务。可以看出,各模型综合性能排序为:XGBoost最优,其次为多层感知机(MLP)、轻量级梯度提升树(LGBM)、随机森林(RF),支持向量机(SVM)表现相对弱一些。因此,树基集成模型(XGBoost、LightGBM、RF)比传统机器学习模型(SVM)整体表现好,这与树基模型对多模态非线性特征的强拟合能力密切相关。

与Zhao等[4]针对城市道路常规施工作业区驾驶负荷识别研究相比,二者均采用双模态特征融合,但本研究单一模型性能更优。其XGBoost准确率为90.69%、RF准确率为86.97%,本文研究对应模型各项指标均高于该水平,且高负荷样本召回率更优。这源于本研究针对草原公路“长直低唤醒-施工区突发高负荷”场景优化了特征策略,更充分发挥了双模态特征的协同作用,同时,早停准则避免了模型对低唤醒阶段平稳特征的过度拟合,提升了对高负荷样本的识别能力。

3.2.2 ROC曲线

受试者工作特征(receiver operating characteristic,ROC)曲线及曲线下面积(area under curve,AUC)是评估分类模型性能的核心指标,能够直观地反映模型在不同阈值下的真阳性率与假阳性率的权衡关系。为量化5 种模型在草原公路施工作业区驾驶人工作负荷识别任务中的表现,绘制ROC曲线并计算AUC值,系统比较各模型的分类能力与鲁棒性,5 种模型识别性能ROC曲线如图7所示。

从图7可以看出,5 种模型的ROC曲线均显著位于对角线(随机猜测线)上方,且AUC值均高于0.80,进一步验证了经贝叶斯优化与早停准则调控后,各模型均具备有效的负荷状态鉴别能力。其中,XGBoost模型的ROC曲线最贴近左上角,其AUC值达到0.948,表明该模型在兼顾高识别准确率与低误判率方面表现最优,鲁棒性最强,MLP模型次之(AUC=0.926),LGBM模型(AUC=0.919)同样表现出色。RF模型的AUC值(AUC=0.888)略高于SVM模型(AUC=0.864),在5种模型中处于中等水平。这一结果与3.2.1节中核心指标对比结论完全一致,再次证实树基集成模型,尤其是Boosting类模型与深度前馈神经网络(MLP)更适配草原公路施工作业区驾驶人工作负荷的识别任务。

3.3 不同特征组合的性能对比

为探究特征维度融合对施工作业区驾驶人工作负荷识别性能的影响,验证多维度特征的协同效应,以最优XGBoost模型为基准,设置眼动、心电与操作运行3 类指标的4 组特征组合开展识别性能对比分析,为简便起见,将眼动指标简称EM,心电指标简称为ECG,将操作运行指标简称VOC。4 组特征组合设置及核心指标对比结果如表8所示,各组合的性能差异及趋势如图8所示。

从图8可以看出,眼动、心电、操作运行全维度特征组合的各核心评价指标均表现最优,显著优于所有两类特征组合,验证了多模态特征融合的协同效应。两类特征组合中,心电与车辆操作运行组合(ECG-VOC)识别性能最接近全维度特征组合。究其深层机理,心电指标(ECG)作为中枢神经系统的外周表现,能够灵敏地捕捉到驾驶人从草原公路“长直路段低唤醒”状态向“施工区瞬时高负荷”状态转化时的内在心理生理应激;而车辆操作与运行指标(VOC)则直观刻画了驾驶人在面对环境突变时采取的避险操作与控制反馈。在草原公路这种由极度单调向突发干扰转变的特殊场景下,生理应激与行为表现的“内外联动”模式,相比于易受外部光影环境波动干扰的视觉搜索指标(EM),“生理-行为”组合能够更本质地刻画驾驶人认知资源的瞬时调配压力及负荷跃迁规律。相比之下,眼动与心电(EM+ECG)组合的识别性能最为受限。其原因在于在草原公路长直路段的“低唤醒”阶段,驾驶人的视觉搜索与生理唤醒水平均趋于平缓波动,在缺乏车辆操控指标(VOC)这一外在行为支撑的情况下,该特征组合难以有效捕捉工作负荷的微观动态变化,进而导致模态间信息冗余显著,削弱了模型对认知状态转折点的识别精度。此外,可以看出,所有4 类特征组合的评价指标值均保持较高水平(均高于85%),表明即使采用两类特征组合,也能实现较好的识别效果。Yang等[5]通过对比单一脑电(EEG)、单一驾驶行为特征及二者双模态融合特征的驾驶人工作负荷识别,发现双模态融合特征的识别准确率达84.93%,较单一行为特征和单一EEG特征分别提升26.51%和8.56%,凸显了双模态特征互补的核心优势。而本文研究进一步拓展了特征组合维度,通过两种与三种特征的交叉验证发现,三种特征组合较双特征组合提升约1.5%,虽然性能提升幅度不及双模态相对单一特征的提升显著,但与Yang等[5]强调“生理-行为特征联动”逻辑一致,补充了多特征协同作用的实证证据。

4 结论

(1)通过相关性分析探究眼动、心电、车辆操作及运行状态等多模态数据中各指标的关联关系,结合KMO检验、方差贡献率分析与因子分析,筛选出12 项关键指标,可精准捕捉草原公路“长直路段低唤醒-施工作业区高负荷”的特征转变,有效表征该场景下驾驶人工作负荷的动态变化规律。

(2)对LGBM、XGBoost、RF、SVM、MLP 5 种经贝叶斯优化的机器学习模型进行对比,结果显示XGBoost模型对草原公路施工作业区驾驶人工作负荷的识别效果最优,分类准确率达91.60%;ROC曲线分析表明其AUC值为0.948,显著高于其他对比模型。该模型能精准适配负荷从“缓慢累积”到“突发骤变”的场景特性,具备优异的识别稳定性与判别能力。

(3)不同特征组合对比结果表明,眼动、心电及车辆操作与运行参数构成的多维度特征组合(EM+ECG+VOC)在精确率、F1、准确率及召回率等指标上均显著优于仅含两种参数的特征组合。这一结果证实,多模态特征的协同作用可更全面地覆盖低唤醒阶段的平稳特征与高负荷阶段的突变特征,在两种参数组合中,心电与车辆操作及运行参数组合(ECG-VOC)表现最优。

(4)针对草原公路“低唤醒-高负荷”的独特场景,证实多模态数据与优化机器学习模型在驾驶人工作负荷识别中的良好可行性与有效性,相关成果可为驾驶辅助系统及自动驾驶系统的设计优化提供算法依据。未来可进一步扩大样本量、完善驾驶人属性结构,并结合实车道路试验数据开展验证,以提升模型的普适性与工程应用价值。

参考文献

[1]

Ma J, Wu Y P, Rong J Z, et al. A systematic review on the influence factors, measurement, and effect of driver workload[J]. Accident Analysis and Prevention, 2023, 192: 1-17.

[2]

Ma S W, Yan X D, Billington J, et al. Cognitive load during driving: EEG microstate metrics are sensitive to task difficulty and predict safety outcomes[J]. Accident Analysis and Prevention, 2024, 207: 107769.

[3]

Tarabay R, AbouZeid M. A dynamic hybrid choice model to quantify stress in a simulated driving environment[J]. IEEE Transactions on Intelligent Transportation Systems, 2021, 22(9): 5624-5635.

[4]

Zhao C, Zhang S Y, Zhang Z R, et al. Deriving workload from driving behavior and psycho-physiology in work zones[J]. Accident Analysis and Prevention, 2025, 222: 108240.

[5]

Yang L, Zhou R, Sun Y, et al. Recognizing and explaining driving stress using a Shapley additive explanation model by fusing EEG and behavior signals[J]. Accident Analysis and Prevention, 2024, 209: 107835.

[6]

Lü L, Sheng Y T, Song C C, et al. Driving safety assurance method in work zone crossovers of highway reconstruction and expansion project[J]. Journal of Advanced Transportation, 2021, 12: 1214512.

[7]

Kummetha V C, Kondyli A, Chrysikou E G, et al. Safety analysis of work zone complexity with respect to driver characteristics-a simulator study employing performance and gaze measures[J]. Accident Analysis and Prevention, 2020, 142: 105566.

[8]

Torre F L, Domenichini L, Nocentini A. Effects of stationary work zones on motorway crashes[J]. Safety Science, 2017, 92: 148-159.

[9]

Hang J Y, Li X M, Yan X D, et al. Driving risks assessment and in-vehicle warning design for improving work zone safety[J]. Accident Analysis & Prevention, 2025, 215: 107991.

[10]

Wang B, Zhang C, Chen T, et al. Toward safer highway work zones: an empirical analysis of crash risks using improved safety potential field and machine learning techniques[J]. Accident Analysis and Prevention, 2024, 194: 1-15.

[11]

交通运输部. 2022年交通运输行业发展统计公报[R]. 北京: 交通运输部, 2023.

[12]

Ministry of Transport (MOT). 2022 statistical communiqué on transportation industry development[R/OL]. Beijing: MOT, 2023.

[13]

Lioi A, Portera A, Tefa L, et al. How cognitive distraction affects motorway short-term work zone safety along curves: a driving simulation study[J]. Journal of Transportation Safety & Security, 2025, 17(5): 489-506.

[14]

Thapa D, Mishra S, Adeel K M. Assessing driver behavior in work zones: a discretized duration approach to predict speeding[J]. Accident Analysis and Prevention, 2024, 196: 107427.

[15]

Shakouri M, Ikuma L H, Aghazadeh F, et al. Analysis of the sensitivity of heart rate variability and subjective workload measures in a driving simulator: the case of highway work zones[J]. International Journal of Industrial Ergonomics, 2018, 66: 136-145.

[16]

Zhang C, Ma Y, Chen S, et al. Exploring the occupational fatigue risk of short-haul truck drivers: effects of sleep pattern, driving task, and time-on-task on driving behavior and eye-motion metrics[J]. Transportation Research, Part F Traffic Psychology and Behaviour, 2024, 100(1): 37-56.

[17]

Vicente K J, Thornton D C, Moray N. Spectral analysis of sinus arrhythmia: a measure of mental effort[J]. Human Factors: The Journal of the Human Factors and Ergonomics Society, 1987, 29(2): 171-182.

[18]

Vosugh N, Bahmani Z, Mohammadian A. Distracted driving recognition based on functional connectivity analysis between physiological signals and perinasal perspiration index[J]. Expert Systems with Applications, 2023, 231: 120707.

[19]

Yun J, Jang J, Jung A, et al. Evaluating driving safety of road alignment conditions by predicted driver's psychophysiological workload using vehicle maneuvering data[J]. Transportation Research Record, 2024, 2678(5): 479-490.

[20]

Lee B G, Chung W Y. Wearable glove-type driver stress detection using a motion sensor[J]. IEEE Transactions on Intelligent Transportation Systems, 2017, 18(11): 3122-3131.

[21]

Rigas G, Goletsis Y, Fotiadis D I. Real-time driver's stress event detection[J]. IEEE Transactions on Intelligent Transportation Systems, 2012, 13(1): 221-234.

[22]

Idewu W A, Wolshon B. Joint merge and its impact on merging speeds in lane reduction areas of construction zone[J]. Transportation Research Record Journal of the Transportation Research Board, 2010, 2169(1): 31-39.

[23]

Nahed R, Nassar E, Khoury J, et al. Assessing the effects of geometric layout and signing on drivers' behavior through work zones[J]. Transportation Research Interdisciplinary Perspectives, 2023, 21: 100901.

[24]

刘妍伶, 程冲, 张诗, 等. 基于实车驾驶数据的互通立交匝道曲线段驾驶负荷研究[J]. 科学技术与工程, 2025, 25(16): 6942-6952.

[25]

Liu Yanling, Cheng Chong, Zhang Shi, et al. Mental workload of drivers at curve section of interchange ramp based on natural driving data[J]. Science Technology and Engineering, 2025, 25(16): 6942-6952.

[26]

郭晨, 吕贞, 王海晓, 等. 草原公路施工作业区驾驶人心理负荷[J]. 内蒙古农业大学学报(自然科学版), 2026, 47(2): 74-85.

[27]

Guo Chen, Lü Zhen, Wang Haixiao, et al. Mental workload of drivers in grassland highway construction zones[J]. Journal of Inner Mongolia Agricultural University (Natural Science Edition), 2026, 47(2): 74-85.

[28]

吕贞, 戚春华, 朱守林. 基于眼动行为的草原公路驾驶人精神负荷变化规律[J]. 科学技术与工程, 2021, 21(21): 9160-9167.

[29]

Lü Zhen, Qi Chunhua, Zhu Shoulin. The mental load of drivers on the prairie highway based on the eye movement behavior[J]. Science Technology and Engineering, 2021, 21(21): 9160-9167.

[30]

李航天, 杨锋, 刘昱忻, 等. 草原公路交叉口指路标志信息量对驾驶员认知特性影响分析[J]. 科学技术与工程, 2023, 23(21): 9296-9305.

[31]

Li Hangtian, Yang Feng, Liu Yuxin, et al. Analysis of the impact of information volume on guide signs at grassland highway intersections on driver cognitive characteristics[J]. Science Technology and Engineering, 2023, 23(21): 9296-9305.

[32]

Zhang S Y, Zhao C, Zhang Z R, et al. Driving simulator validation studies: a systematic review[J]. Simulation Modelling Practice and Theory, 2025, 138: 102813.

[33]

刘兆, 熊坚, 郭凤香. 不同平面线形下驾驶模拟器速度有效性验证[J]. 华东交通大学学报, 2012, 29(4): 69-72.

[34]

Liu Zhao, Xiong Jian, Guo Fengxiang. Validation of speed effectiveness of driving simulator under different horizontal alignments[J]. Journal of East China Jiaotong University, 2012, 29(4): 69-72.

[35]

Groeger J A, Murphy G. Driver performance under simulated and actual driving conditions: validity and orthogonality[J]. Accident Analysis & Prevention, 2020, 143: 105593.

[36]

赵婷. 草原道路简单景观环境下驾驶员疲劳特性研究[D]. 呼和浩特: 内蒙古农业大学, 2017.

[37]

Zhao Ting. Study on drivers' fatigue characteristics in simple landscape environments of prairie roads[D]. Hohhot: Inner Mongolia Agricultural University, 2017.

[38]

Ledolter J, Kardon R H. Focus on data: statistical design of experiments and sample size selection using power analysis[J]. Investigative Ophthalmology & Visual Science, 2020, 61(8): 11.

[39]

霍月英. 基于驾驶员心生理反应的草原公路最大直线长度研究[D]. 呼和浩特: 内蒙古农业大学, 2010.

[40]

Huo Yueying. Study on the maximum straight length of prairie highways based on drivers' psychophysiological responses[D]. Hohhot: Inner Mongolia Agricultural University, 2010.

[41]

交通运输部公路科学研究院. 公路养护安全作业规程[S]. 北京: 人民交通出版社, 2015.

[42]

Research Institute of Highway Ministry of Transport. Safety rules for highway maintenance operation[S]. Beijing: China Communications Press, 2015.

[43]

王剑, 陈亚振, 刘晓菲, 等. 高速公路改扩建施工作业区交通标志设置及优化研究[J]. 公路交通科技: 应用技术版, 2016, 12(10): 208-210.

[44]

Wang Jian, Chen Yazhen, Liu Xiaofei, et al. Research on the setting and optimization of traffic signs in expressway reconstruction and extension construction zones[J]. Journal of Highway and Transportation Research and Development: Applied Technology Edition, 2016, 12(10): 208-210.

[45]

Ezzati Amini R, Al Haddad C, Batabyal T, et al. Driver distraction and in-vehicle interventions: a driving simulator study on visual attention and driving performance[J]. Accident Analysis and Prevention, 2023, 191: 107195.

[46]

Zhang N, Yang C, Fard M. Measured increases in steering entropy may predict when performance will degrade: a driving simulator study[J]. Transportation Research, Part F. Traffic Psychology and Behaviour, 2022, 91(11): 87-94.

[47]

Hart S G, Staveland L E. Development of NASA-TLX (Task Load Index): results of empirical and theoretical research[J]. Advances in Psychology, 1988, 52(6): 139-183.

[48]

Grier R A. How high is high? a meta-analysis of NASA-TLX global workload scores[J]. Proceedings of the Human Factors & Ergonomics Society Annual Meeting, 2015, 59(1): 1727-1731.

[49]

Wei W Y, Fu X S, Zhong S Y, et al. Driver's mental workload classification using physiological, traffic flow and environmental factors[J]. Transportation Research, Part F Traffic Psychology and Behaviour, 2023, 94(4): 151-169.

[50]

Meteier Q, Capallera M, Ruffieux S, et al. Classification of drivers' workload using physiological signals in conditional automation[J]. Frontiers in Psychology, 2021, 12: 596038.

[51]

Bucchi F, Bartolozzi C. How the autonomic nervous system and driving style change with incremental stressing conditions during simulated driving[J]. IEEE Transactions on Intelligent Transportation Systems, 2015, 16(3): 1505-1517.

[52]

Liu T, Zhou Z Y, Chai C, et al. Non-instinct detection of cellphone usage from lane-keeping performance based on eXtreme gradient boosting and optimal sliding windows[J]. IET Intelligent Transport Systems, 2022, 2022(16): 1600-1610.

[53]

Rastgoo M N, Nakisa B, Maire F, et al. Automatic driver stress level classification using multimodal deep learning[J]. Expert Systems with Applications, 2019, 138: 127933.

[54]

Hair J F, Tatham R L, Anderson R E, et al. Multivariate data analysis[M]. Upper Saddle River: Prentice-Hall, 1998.

基金资助

内蒙古自然科学基金(2023LHMS05051)

内蒙古农业大学高层次及优秀博士人才引进科研启动项目(NDYB2023-33)

PDF (10544KB)

0

访问

0

被引

详细

导航
相关文章

/

〈 〉