基于熵权法的驾驶疲劳量化

李世武 尹燕娜，2 王琳虹† 徐艺

(1.吉林大学 交通学院，吉林 长春 1300220；2.桂林航天工业学院 汽车与交通工程学院，广西 桂林 541004)

基于熵权法的驾驶疲劳量化

李世武1尹燕娜1，2王琳虹1†徐艺1

(1.吉林大学 交通学院，吉林 长春 1300220；2.桂林航天工业学院 汽车与交通工程学院，广西 桂林 541004)

为了客观准确获取驾驶疲劳判别阈值,采用驾驶模拟试验研究方法,采集驾驶员在清醒及疲劳状态下的眼动数据、反应时间、执行时间.用驾驶人连续驾驶状态下的眼动数据、反应时间、执行时间表达驾驶人注意特性、反应能力、执行能力.并以三者为自变量,驾驶疲劳量化值为因变量,基于熵权法对三者加权平均建立三者之间的关系模型.为了提高驾驶疲劳阈值的客观性,选取基于可变的阈值确定方法,得到最优一次疲劳及二次疲劳阈值.文中还揭示了驾驶人连续驾驶状态下疲劳变化规律.评价了驾驶疲劳的量化方法.试验结果表明,该方法有效地提高了驾驶疲劳量化的准确性,在预防驾驶疲劳的行车安全领域有着广泛应用前景.

驾驶人;PERCLOS;反应能力;执行能力;疲劳量化

众所周知,当今驾驶疲劳是引发交通事故的主要原因,但由于其形成原因复杂,量化方法和手段都还不成熟,所以驾驶疲劳客观监测技术和量化标准一直是当前的研究热点.近年来,许多研究人员致力于这方面的研究,因此疲劳检测技术也相应地取得了很大的进展.目前比较流行的量化手段是基于驾驶人视觉特性、生理特性、驾驶行为来量化疲劳,3种手段在某种程度上都能量化疲劳,但没有将视觉特性与驾驶行为等建立关系模型以提高驾驶疲劳量化的准确性及可靠性.

Khamis等[1]通过人的脸部信息及调查问卷的方法辨别驾驶疲劳.Liu等[2]通过脑电辨别疲劳.赵晓华等[3]采集驾驶人在清醒及疲劳状态下的脑电信号,对比分析不同状态下脑电信号的时域特征,选取表征信号复杂程度的样本熵作为驾驶疲劳判别指标,并利用受试者工作特性曲线分析方法,确定基于脑电信号样本熵值的驾驶疲劳判别阈值.宋国萍等[4-7]采用连续驾驶10 h的出租车司机作为驾驶疲劳组,研究设计组间对照,对照组为充分休息的出租车司机，主要选择Stroop色词测验、卡片分类测验和词汇流畅性测验得到驾驶疲劳后执行功能降低的结论;采用脑诱发电位技术探讨驾驶疲劳后听觉和视觉随意注意功能特点,并试图为驾驶疲劳后注意功能的评估提供依据;通过考察出租车司机连续驾驶10 h前后对视觉新异刺激的反应,从而探讨驾驶疲劳对视觉非随意注意的影响.

综上所述,目前国内外学者的研究多集中在利用驾驶人视觉特性、生理特性、驾驶行为来判别和量化疲劳.而基于反应能力、执行能力的研究,其测定疲劳的过程与驾驶过程不同步,不能反映驾驶过程中随驾驶任务变化引起的驾驶人反应的变化.文中为了获得客观而准确的驾驶疲劳判别阈值,采用驾驶模拟试验研究方法,采集驾驶人在清醒及疲劳状态下的眼动数据、反应时、执行时间,基于熵权法对三者加权平均建立三者之间的关系模型;使用可变的阈值确定方法,选取最优一次疲劳及二次疲劳阈值,揭示了驾驶人连续驾驶状态下的疲劳变化规律.为后续基于注意特性、反应能力、执行能力的驾驶疲劳量化研究奠定基础.

1 试验方案与数据采集

1.1 试验平台搭建

试验平台如图1所示.

图1 试验平台Fig.1 Test platform

1.1.1 设备及软件

文中试验所用试验仪器为驾驶模拟器、眼动仪(Smart-Eye Pro 5.7，前面4个摄像机记录驾驶人的眼睑张开度,场景摄像头记录驾驶模拟器投影的路面场景的数据)、单片机、LED灯、投影仪、台式电脑、试验台(放置眼动仪和电脑显示器)、Bus hound(Bus hound5.0).

1.1.2 仪器的布置位置

眼动仪的4个摄像头固定于驾驶人前方的试验桌上,左数第2个摄像头需对准驾驶人的座位.外景摄像头在驾驶人的中间偏后位置,并且不能被驾驶人挡住.在驾驶人的前方视野内固定一组由单片机控制亮暗的LED灯,用来模拟行人和交通信号灯.驾驶模拟器布置于投影仪的正前方,调整方向盘高度从而保证合适的驾驶位置.

1.2 试验方案

1.2.1 试验目的

熟悉并熟练运用眼动仪、单片机、驾驶模拟器、Bus hound等硬件及软件.采用驾驶模拟试验研究方法,采集驾驶人在清醒及疲劳状态下的眼动数据、反应时、执行时间.用驾驶人连续驾驶状态下的眼动数据、反应时、执行时间表达驾驶人注意特性、反应能力、执行能力,并以三者为自变量,驾驶疲劳量化值为因变量,选取最优的方法建立三者之间的关系模型.对比分析可变阈值确定方法和大津法,选取最优一次疲劳及二次疲劳阈值,揭示驾驶人疲劳变化规律,评价驾驶疲劳的量化方法.

1.2.2 驾驶人信息

为了保证试验数据的普遍性和可靠性,有10名身体健康的在校师生参与试验,其中有5名男性和5名女性,年龄在20～40岁之间.被试人员均为右利手,听力正常(自我报告),身体健康且无精神病史.

试验前一天要求被试者保证充足的睡眠,并在前一天避免饮用或服用酒、茶、咖啡和药物等对中枢神经系统有兴奋和抑制作用的食品和药物,试验前避免剧烈运动.试验前一天告诉被试者试验注意事项,并让其熟悉试验环境和仪器设备.驾驶人信息如表1所示.

表1 驾驶人信息Table 1 Information of the driver

1.2.3 LED灯的控制

在驾驶人的前方视野内放一组LED灯[8-10](相当于实车试验路上的行人和交通信号灯),由单片机控制其亮暗,单片机控制的LED灯闪烁的时间间隔是1～3 min随机点亮(避免驾驶人产生适应性).每次闪烁时间约1 s(驾驶人既不会错过目标光点,也不会影响驾驶人继续驾驶).

1.2.4 驾驶模拟器的控制

驾驶人在模拟器上进行试验,试验过程中在每次信号提示器前确保驾驶人右脚始终与加速踏板接触,当LED闪烁,驾驶人采取相应的制动动作,即由加速踏板换至制动踏板.

1.3 试验数据采集

为了避免交通流对驾驶人的影响,试验场景选择高速公路(道路线形较简单且路上行人车辆相对偏少).试验车型选择桑塔纳,气候选择晴天,试验在室内进行,保证室内温度在25 ℃左右.试验过程中尽可能保证试验时试验室内安静.驾驶人在试验过程中注视投影仪屏幕(驾驶人正前方).LED灯在驾驶人的正前方,不需驾驶人刻意注意.每次试验分为两个阶段,第1个阶段为从试验开始到被试者第1次疲劳(约150 min),第1次疲劳后驾驶人休息10～20 min.第2个阶段为休息结束(继续驾驶)到再次疲劳结束(约80 min).

通过串口大师软件记录LED闪烁的时刻,由Bus Hound软件记录驾驶模拟器的加速踏板和制动踏板的行程或力随着时间的变化,其波特率为9 600 Bps.Smart Eye记录驾驶人试验过程中的眼动数据.其中,该眼动仪安装4个摄像头,通过摄像头采集驾驶人的面部表情,尤其是采集眼部数据,其采样频率为 60 Hz.采集盒是眼部数据的采集终端,经由3个摄像头采集的数据会由采集盒传递到主机.主机负责处理采集盒传递来的数据,其主要功能包含:对安装摄像头的广度和焦距等配置数据进行校正,对眼睛采集参数及外部景观摄像头进行校正以及对眼动数据进行后期分析.由于LED灯每亮一次得到一个反应时间和执行时间,因此为了方便后期的加权平均计算，以每1、2、3 min为周期(LED灯亮的周期前文有介绍)计算一个Perclos值.

数据采集中可能出现的问题及解决方案：①一旦进行相机校对处理,相机彼此之间的相对位置和镜头角度保持固定,每一次相机位置发生变动时必须重新校对相机,试验中若出现某些状况,驾驶人需要离开驾驶位置(例如电脑出现死机,上厕所等)，则眼动仪重新进行校定;②驾驶人处于中间位置时,相机安放的位置应保证驾驶人的头部处在相机图像的中心位置，这样保证在相机视野之内,驾驶人者的头部将在X、Y、Z轴位置上有最大的移动距离;③摆放相机时,驾驶人在操纵方向盘时手或者胳膊不要遮挡相机视野;④Bus hound软件存储设置要大,避免出现数据丢失现象;⑤单片机的位置设置在驾驶人的可视范围内,否则,驾驶人在驾驶过程中会出现注意不到的现象.

2 优化模型的建立及阈值的界定

驾驶疲劳阈值确定的简化模型如图2所示.

图2 驾驶疲劳阈值确定的简化模型Fig.2 Simplified model for determining driving fatigue threshold

2.1 PERCLOS、反应时、执行时间的定义

2.1.1 PERCLOS的定义

PERCLOS[11-12](Percentage of Eyelid Closure Over the Pupil Over Time)指眼睛闭合占特定时间的百分率.

PERCLOS的计算通常有P70、P80、EM 3种标准,其中P70是以眼睑遮住瞳孔的面积至少超过70%计为眼睛闭合,统计闭合时间的百分比作为标准;P80是以眼睑遮住瞳孔的面积至少超过80%计为眼睛闭合,统计闭合时间的百分比作为标准;EM是以眼睑遮住瞳孔的面积至少超过一半计为眼睛闭合,统计闭合时间的百分比作为标准.

由于左右眼睑基本同时闭合或张开,所以文中只选择左眼眼睑闭合来计算PERCLOS.以眼睛至少闭合70%的时间占特定时间的百分率为评价指标.

PERCLOS的计算公式为

其中：f代表眼睛闭合时间的百分率,即PERCLOS值;t1为眼睛最大瞳孔闭合到70%瞳孔所用时间;t2为眼睛70%瞳孔闭合到30%瞳孔所用时间;t3为眼睛30%瞳孔闭合到30%瞳孔睁开所用时间;t4为眼睛30%瞳孔睁开到70%瞳孔所用时间.

2.1.2 反应时和执行时间的定义

反应时[13-14]是指刺激作用于机体后到明显的反应开始时所需要的时间,即刺激与反应之间的时间间隔.文中定义LED闪烁时刻至脚松加速踏板(要换至制动踏板)时刻,这段时间称为驾驶人的反应时;脚由加速踏板抬起时刻到脚踏至制动踏板时刻(脚触到制动踏板),这段时间称为执行时间.

Fn(反应时)=脚从加速踏板向上抬时刻-LED闪烁时刻，

Zi(执行时间)=脚踏至制动踏板时刻-脚从加速踏板向上抬时刻.

通过上面的定义可以看出,PERCLOS、反应时、执行时间三者均能在一定程度上量化疲劳.为了疲劳量化的准确性和可靠性,文中欲通过三者建立优化模型,得到最优一次疲劳及二次疲劳阈值,以揭示驾驶人连续驾驶状态下的疲劳变化规律.

2.2 优化模型的建立

以PERCLOS、反应时、执行时间为自变量,驾驶疲劳量化值为因变量,基于熵权法对三者加权平均建立三者之间的关系模型[15-17].

2.2.1 指标权重确定——熵权法

①数据标准化

给定3个指标(PERCLOS、反应时、执行时间)X1、X2、X3,其中

Xi={xi1,xi2,…,xin}，i=1,2,3.

假设对各指标数据标准化后的值为

Y1,Y2,Y3，Yi={yi1,yi2,…,yin},i=1,2,3.

那么

②求各指标的信息熵

③确定各指标权重

根据信息熵的计算公式,分别计算出各个指标(PERCLOS、反应时、执行时间)的信息熵为E1、E2、E3.通过信息熵计算各指标的权重:

2.2.2 指标的min-max标准化

由于PERCLOS的值在0～1之间,反应时和执行时间在300～1 500 ms之间,因此需要对数据进行归一化处理(也称为离差标准化),即对原始数据进行线性变换,使结果值映射到[0-1]之间.转换函数如下:

其中,max为指标数据的最大值,min为指标数据的最小值.

2.2.3 指标的加权平均优化模型

综合量化疲劳驾驶的各个指标,建立疲劳驾驶的优化模型如下:

式中,Li为3个指标的加权平均值.

2.3 阈值的界定

2.3.1 可变阈值确定方法

可变阈值选取法[18]是以驾驶疲劳判别指标平均值为基准,通过公式计算,得出驾驶疲劳判别指标的可变阈值.可变阈值计算公式为

f=b+2d.

式中,f为阈值,b为均值,d为标准差.

均值b是每组试验数据得到的3个指标加权平均得到的优化值的算术平均值.

标准差的计算公式为

2.3.2 试验分析

考虑到阈值准确性,分别基于可变阈值选取法和大津法进行阈值选取,对比分析两种方法的适应性.大津法在计算过程中需要将原数据放大为整数,但原始数据较小,放大后从最小灰度值到最大灰度值遍历时,计算数据较大,耗费时间较长,若将小数点后几位舍掉可靠性会降低.通过对比分析,文中选择基于改进的可变阈值选取法对试验数据进行分析.一次试验所得驾驶人加权平均值散点图如图3所示,横坐标的点对应以1、2、3 min为周期的时间间隔.

图3 试验的加权平均值Fig.3 Weighted average of the test

根据上述可变阈值确定方法得到本组试验阈值如表2所示.

表2 试验阈值表Table 2 Threshold value of the test

通过熵权法得到量化疲劳的优化模型：

由图3可以看出:在79个测试点(约150 min)附近,即加权平均值在0.239附近时,数据呈上升趋势,并且出现峰值;在132个测试点(约264 min)附近,即加权平均值在0.346附近时,数据再次出现上升趋势,出现第2个峰值.根据试验记录,在第1个峰值附近,驾驶人表现为头重、操作无力、LED灯闪烁时驾驶人反应迟钝甚至错过等,疲劳症状较为明显(即出现第1次疲劳现象).第2个峰值附近驾驶人主要表现为打盹、车辆碰撞路肩等(即出现第2次疲劳现象).由上图还可以看出,第1次疲劳出现前加权平均值(多数在0～0.1之间)较第2次疲劳前的加权平均值(多数在0.1～0.2)偏小.即驾驶人出现第1次疲劳后,驾驶人的PERCLOS、反应时、执行时间的加权平均值会相应增加,相应的眨眼时间会延长,反应能力、执行能力也会下降.

试验分析结果表明,驾驶人在疲劳前后的加权平均值存在显著性差异.驾驶疲劳的指标加权平均曲线的趋势与试验记录的驾驶人疲劳的时间点相吻合，说明指标加权平均值大小反应了驾驶人的疲劳状态,可以作为驾驶疲劳的量化指标.

2.3.3 总体数据分析

为了增加所求阈值的可靠性,文中通过多次试验基于可变阈值选取法求得各次试验阈值,并对其求平均值得到阈值.表3为所得的阈值.

表2 多次试验的阈值Table 2 Threshold values of several tests

表2分析结果显示,在单调的环境中驾驶,驾驶人在144 min附近(加权平均值在0.239附近)会出现第1次疲劳,试验记录证明这时驾驶人主要表现为头重、无力、LED灯闪烁时反应迟钝甚至错过等,疲劳症状较为明显.休息10～20 min后,继续驾驶.在220 min附近时(加权平均值在0.346附近),驾驶人出现第2次疲劳,试验记录证明这时驾驶人主要表现为打盹、碰撞路肩等,疲劳症状相当明显.另外,一次疲劳出现的时间间隔明显较二次疲劳长.可见,随着驾驶人驾驶时间增加,驾驶人出现疲劳的时间间隔变短,出现疲劳的次数增加,疲劳症状加重.即累计驾驶时间越长,驾驶人越容易疲劳.通过表2的方差分析可以看出,不同驾驶人产生一次疲劳的时间长短变化较二次疲劳小,二次疲劳的产生受个人身体素质及睡眠质量等的影响.

由于驾驶模拟器场景比较单一,疲劳阈值点可能会比实车提前.另外,由于疲劳阈值受季节影响,偏冷的季节疲劳阈值可能会偏大.与白天行车相比,夜间行车的驾驶人可能更容易疲劳,疲劳阈值点提前.该方法有效地提高了驾驶疲劳量化的准确性,在预防驾驶疲劳的行车安全领域有着广泛的应用前景.

3 结语

文中通过驾驶疲劳的模拟试验验证了驾驶人疲劳后会导致驾驶能力降低,导致驾驶人处理信息并做出反应和动作的时间延长,遇到突发事件不能及时采取措施以回避可能出现的事故[14].主要的研究结果如下:

(1)提出了利用驾驶人的PERCLOS值、反应时、执行时间三者加权平均量化驾驶疲劳的方法;建立了以驾驶人的PERCLOS值、反应时以及执行时间三者加权平均对驾驶人的驾驶疲劳程度进行量化的优化模型.

(2)利用加权平均曲线获得驾驶疲劳量化阈值,揭示了驾驶人的疲劳变化规律.

(3)比较改进后的阈值选取法和大津法,得到最优的驾驶疲劳阈值量化方法,获取了驾驶疲劳1次疲劳阈值和2次疲劳阈值.当驾驶144 min附近时,驾驶出现第1次疲劳状态,当驾驶220 min附近时,驾驶人出现第2次疲劳状态.

由于本研究在模拟器单调环境下进行,对于实车驾驶疲劳阈值可能有偏差,所以研究成果的真实性还需要在真实场景下进行实车疲劳验证.为了避免驾驶疲劳,除了限制驾驶人每次最长的驾驶时间外,还应对每天累计驾驶时间以及休息时间做出科学、合理的规定.

[1] KHAMIS N,DEROS B,NUAWI M,et al.Driving fatigue among long distance heavy vehicle drivers in klang valley,malaysia [J].Applied Mechanics and Materials,2014,11(2):567-573.

[2] LIU Chang,SI Zhong-chen,PENG Peng-pei,et al.Detecting driving fatigue of indirect vision driving based on electroencephalogram [J].Advanced Materials Research,2013,765-767:2128-2133.

[3] 赵晓华,许士丽,荣建,等.基于 ROM曲线的驾驶疲劳脑电样本熵判定阈值研究 [J].西南交通大学,2013,48(1):102-106.

ZHAO Xiao-hua,XU Shi-li,RONG Xian,et al.Discriminating Threshold of driving fatigue based on the electroencephalography sample entropy by receiver operating cha-racteristic curve analysis [J].Journal of Southwest Jiao Tong University,2013,48(1):102-106.

[4] 宋国萍,张侃.驾驶疲劳对随意注意影响的ERP研究 [J].人类工效学,2009,15(4):1-4.

SONG Guo-ping,ZHANG Kan.The ERP study that driving fatigue impact on voluntary attention [J].Psychological Science,2009,15(4):1-4.

[5] 宋国萍 张侃.驾驶疲劳对执行功能的影响 [J].人类工效学,2009,18(1):7-10.

SONG Guo-ping,ZHANG Kan.Effects of 10h driving fatigue on executive function [J].Ergonomics,2009,18(1):7-10.

[6] 宋国萍 张侃,等驾驶疲劳对视觉非随意注意影响的ERP研究 [J].人类工效学,2009,15(2):1-4.

SONG Guo-ping,ZHANG Kan.Effects of driving fatigue on visual involuntary attention:an ERPs study [J].Ergonomics,2009,15(2):1-4.

[7] 宋国萍 张侃.驾驶疲劳对视觉注意影响的ERP研究 [J].心理科学,2010,33(5):1067-1069.

SONG Guo-ping,ZHANG Kan.The ERP study that driving fatigue impact on visual attention [J].Psychological Science,2010,33(5):1067-1069.

[8] 徐建闽,首艳芳,卢凯.基于双层规划模型的交通信号区域协调控制 [J].华南理工大学学报(自然科学版),2011,39(03):95-100,106.

XU Jian-min,SHOU Yan-fang,LU Kai.Adaptive signal control model based on vehicle emission [J].Journal of South China University of Technology (Natural Science Edition),2011,39(03):95-100,106.

[9] 别一鸣,王殿海,赵莹莹,等.干线协调交叉口多相公交信号优先控制策略 [J].华南理工大学学报(自然科学版),2011,39(10):111-118.

BIE Yi-ming，WANG Dian-hai,ZHAO Ying-ying.Multiple-phase bus signal priority strategy for arterial coordination intersection [J].Journal of South China University of Technology (Natural Science Edition),2011,39(10):111-118.

[10] 朱琳,于雷,宋国华.基于MFD的路网宏观交通状态及影响因素研究 [J].华南理工大学学报(自然科学版),2012,40(11):138-146.

ZHU Lin,YU Lei,SONG Guo-hua.MFD-based investigation into macroscopic traffic status of urban networks and its influencing factors [J].Journal of South China University of Technology (Natural Science Edition),2012,40(11):138-146.

[11] 郑培,宋正河,周一鸣.基于PERCLOS的机动车驾驶员驾驶疲劳的识别算法 [J].中国农业大学学报,2002,7(2):104-109.

ZHENG Pei,SONG Zheng-he,ZHOU Yi-ming.PERCLOS-Based recognition algorithms of motor driver fatigue [J].Journal of China Agricultural University,2002,7(2):104-109.

[12] 邓金成.基于人脸识别技术的驾驶员疲劳检测方法的研究 [D].重庆:重庆大学,2005.

[13] 王猛.营运驾驶员驾驶疲劳研究 [D].北京:交通部公路科学研究院,2006.

[14] 王斌.反应时及其影响因素的研究 [J].现状首都体育学院学报,2003,15(4):110-113.

WANG Bin.Study status of reaction time and influnce factors [J].Journal of Capital College of Physical Education,2003,15(4):110-113.

[15] 林伟伟.一种改进的Hadoop数据放置策略 [J].华南理工大学学报(自然科学版),2012,40(1):152-158.

LIN Wei-wei.KNN query technology of mobile terminals in highway network [J].Journal of South China University of Technology (Natural Science Edition),2012,40(1):152-158.

[16] 杨俊美,余华,韦岗.独立分量分析及其在信号处理中的应用 [J].华南理工大学学报(自然科学版),2012,40(11):1-12.

YANG Jun-mei,YU Hua,WEI Gang.Independent component analysis and its application to signal processing [J].Journal of South China University of Technology(Natural Science Edition),2012,40(11):1-12.

[17] 李世武,王琳虹,郭栋,等.基于机动车排放的自适应信号控制模型 [J].华南理工大学学报(自然科学版),2011,39(3):101-106.

LI Shi-wu,WANG Lin-hong,GUO Dong,et al.Adaptive signal control model based on vehicle emission [J].Journal of South China University of Technology(Natural Science Edition),2011,39(3):101-106.

[18] 党文辉,张德育,孙汝江,等.一种改进的阈值选取方法在网络监控中的应用 [J].科技视野,2012,10(4):1-3

DANG Wen-hui,ZHANG De-jiang,SUN Ru-jiang.Improved threshold selection method in the application of the network monitoring [J].Science & Technology Vision,2012,10(4):1-3.

s:Supported by the Jilin Province Changbai Mountain Scholar Program(440020031167),National Natural Science Foundation of China Youth Fund Project(51308251) and China Postdoctoral Science Foundation(2013M541306)

DrivingFatigueQuantizationBasedonEntropyWeightMethod

LIShi-wu1YINYan-na1,2WANGLin-hong1XUYi1

(1.School of Transportation,Jilin University,Changchun 130022,Jilin,China;2.College of Automobile and Transportation Engineering,Guilin University of Aerospace Technology,Guilin 541004,Guangxi,China )

In order to obtain the judging threshold of the driving fatigue objectively and accurately,the driver’s eye movement data,reaction time and execution time under the sober and mental fatigue states are collected from a driving simulator.The driver’s eye movement data,reaction time and execution time during continuous driving are used to respectively describe the driver’s gaze characteristics,reaction ability and executive ability.Then,a relationship model is constructed by adopting the entropy weight method to obtain the weighted average of the three kinds of data.In the model,the three kinds of data and the quantitative values of the driving fatigue are respectively taken as the independent and dependent variables.In order to improve the objectivity of the driving fatigue threshold,the variable threshold determination method is adopted to select the thresholds of the optimal fatigue at the first fatigue threshold and the secondary fatigue threshold.Moreover,the change rules of the driver fatigue under the continuous driving condition are revealed,and the quantitative method of the driving fatigue is evaluated.Experimental results show that the proposed method can effectively improve the precision of the driving fatigue quantization,and it has a broad application prospect in the driving safety field based on the prevention of driving fatigue.

automobile drivers;percentage of eyelid closure over the pupil over time;reaction ability;executive ability;fatigue quantization

2016-09-27

吉林省长白山学者计划项目(440020031167)；国家自然科学基金青年基金项目(51308251)；中国博士后科学基金项目(2013M541306)

李世武(1971-)，男，博士，教授，主要从事驾驶员行为、交通系统节能减排研究.E-mail:lshiwu@163.com

†通信作者:王琳虹(1984-)，女，博士，副教授，主要从事驾驶员行为、交通系统节能减排研究.E-mail:wanghonglin0520@126.com

1000-565X(2017)08-0050-07

U 491

10.3969/j.issn.1000-565X.2017.08.008