特长隧道出入口驾驶员生理负荷与行车安全性研究

梁 波， 文 森， 肖 尧， 刘 涛

(1. 重庆交通大学土木工程学院， 重庆 400074； 2. 重庆交通大学 省部共建山区桥梁与隧道工程国家重点实验室， 重庆 400074； 3. 重庆市轨道交通(集团)有限公司， 重庆 400042； 4. 泸州市交通建设工程服务中心， 四川 泸州 646000)

0 引言

公路隧道作为一种半封闭结构，由于其洞内外有巨大的亮度差，存在“黑洞效应”和“白洞效应”等现象。驾驶员在进出隧道过程中会出现暗适应和明适应，其生理负荷会急剧增加。根据人的工作绩效与生理负荷呈倒U型关系，较高的生理负荷使驾驶员的反应时间延长，增大发生交通事故的概率[1]。因此，对隧道各区段，尤其是对出入口段的驾驶员生理负荷进行研究，明确负荷值的变化规律及其相应参数，对保障交通安全有着重要的意义。

目前，国内外关于驾驶员生理负荷的评价方法主要有主观评价法和客观评价法2种。主观评价法大多采用问卷调查或者评价量表的方式，如精神负荷评估量表和任务负荷指数量表等[2-3]，可以直接反映出驾驶员的生理负荷情况。然而，主观评价法受不同驾驶员的个体差异影响较大，且具有较强的主观性，因此，较少被采用。客观评价法主要分为驾驶绩效法和生理反应法。驾驶绩效法主要通过对驾驶员在道路上行驶时的换道、加减速和刹车频率等情况来判断驾驶员的生理负荷。生理反应法主要通过对驾驶员的生理指标进行测量，如瞳孔面积、心率、呼吸频率、心率变异性等[4-5]，并观察指标的变化规律，来确定驾驶员的生理负荷。由于大部分隧道内禁止变道，对驾驶行为要求较严格，所以本文拟采用生理反应法对驾驶员的生理负荷进行研究。

在关于生理反应法的研究中，Wang等[6]选择瞳孔面积最大瞬态速度值(MTVV)对隧道出入口不同时间段的生理负荷进行评价，结果表明夜晚隧道出口段的生理负荷最大，白天隧道出入口段的生理负荷相差不大； He等[7]通过测试驾驶员的反应时间和错过目标率，对不同照明段和照明参数下驾驶员的生理负荷进行评价，结果表明不同的光环境参数对驾驶员视觉感知存在显著影响，且驾驶员在不同照明段的生理负荷也不同； 焦方通等[8]基于实车试验研究了驾驶员的瞳孔变动特性，构建了瞳孔面积最大瞬态速度值与瞳孔面积的函数模型，并对出入口段驾驶员的生理负荷进行比较； 朱彤等[9]以心率和心率变异性指标分析为基础，通过数据挖掘构建了基于因子分析的生理负荷计算模型，分析了熟练驾驶员和不熟练驾驶员在隧道中的生理负荷。

然而，已有的研究大多基于城市隧道或者普通公路隧道，缺乏对驾驶员在特长隧道出入口段明暗适应性及生理负荷的深入研究，而已有研究表明随着隧道长度的增加，驾驶员在隧道出入口段的明暗适应时间也会延长[10]； 因此，有必要对驾驶员在特长隧道出入口段的明暗适应性及生理负荷进行研究。此外，在以往的研究中，往往只选择一种或一类评价指标对驾驶员的生理负荷进行评价，没有综合不同的指标进行建模分析，缺乏一定的客观性和说服力。因此，本文以大湾隧道为试验隧道，以在隧道出入口采集到的不同生理指标数据为研究对象，结合模糊综合分析法等评价方法量化并比较特长隧道出入口不同区段的驾驶员生理负荷，并根据生理负荷对规范中的相应安全参数进行验证。

1 特长隧道环境实车试验

1.1 试验隧道

根据JTG D70—2004《公路隧道设计规范》，特长隧道为长度大于3 km的隧道。选择设计速度为80 km/h的大湾隧道(3 250 m)作为本次的试验隧道。隧道的出入口均为直线，且坡率在2%以下，能够确保驾驶员的生理负荷不受线形、坡度等光环境以外的因素干扰。现场试验如图1所示。

图1 现场试验

1.2 测试指标

针对特长隧道黑暗封闭的环境对人的生理影响，选择瞳孔面积、心率及呼吸频率作为测试指标，并使用眼动仪和生理仪对相应指标进行采集。瞳孔面积、心率、呼吸频率3个指标均能反映驾驶员的生理负荷，其负荷大小随着指标数值的增加而增大[11-12]。

1.3 试验设备及试验者

本次试验采用德国SMI眼动仪采集驾驶员的瞳孔面积。该眼动仪采样频率为50/60 Hz，视线追踪精度小于0.1°，瞳孔追踪精度为0.5°～1°。采用美国BIOPAC公司生产的MP150生理记录仪采集驾驶员的心率和呼吸指标，采样频率为400 kHz，通过配备的AcKnowledge软件来分析其心电指标的变化情况。在测试时驾驶员需要按照指示在胸前不同位置贴上心电贴片，并用相应的导线连接到心电模块，以采集到准确的心电指标。

选取10位驾驶员进行现场实车试验，其中包括7位男性和3位女性，年龄在20～50岁，且均有1年以上驾龄。为了避免偶然误差带来的影响，每位驾驶员至少做3次有效试验。因为本次试验是采集驾驶员的生理指标，所以在试验前每位驾驶员都需保证有充足的休息时间和平稳的心态。

1.4 试验流程

为了避免早晚高峰出行时较大的车流量对驾驶员生理指标带来的影响，选择天气状况良好且车流量较小的时间段进行实车试验。驾驶员全程按照设计速度行驶，为了避免驾驶员长时间行驶产生疲劳感，每位驾驶员每次试验至少间隔20 min。试验的主要流程如图2所示。

图2 试验的主要流程

1.5 数据预处理

试验结束后，选择隧道出口处和入口处前后20 s的测试值作为本次试验的研究对象，其中隧道出口和入口位置的测试值对应的时间点为0 s，根据时间段将隧道出入口分为4个部分： -10～0 s对应的是入口外(出口内)，0～10 s对应的是出口外(入口内)。从0 s开始，前、后每隔1 s提取该时间段内的平均值作为测试值，如果该时间段内有数据和平均值之差超过3倍标准差时，则需在剔除该数据后重新求平均值。

2 试验结果和分析

瞳孔面积、心率、呼吸频率3个指标在隧道出入口不同区段的测试结果如表1和图3—5所示。为了对驾驶员在隧道不同区段的生理指标进行显著性分析，首先对其进行正态分布检验，结果表明，经Shapiro-wilk检验，各组数据均符合正态分布。因此，采用单因素方差分析对其进行差异性检验。

由表1可知，驾驶员在隧道不同区段的瞳孔面积存在总体显著性差异。由图3可知，驾驶员在隧道出口内的瞳孔面积最大，其次是入口内，入口外和出口外的瞳孔面积整体相差不大且均较小。说明驾驶员在隧道内行驶时由于光线较弱，瞳孔面积较隧道外增大，进而增加了驾驶员的生理负荷。

图3 不同区段的瞳孔面积

由表1可知，驾驶员在隧道不同区段的心率和呼吸频率存在总体显著性差异。由图4和图5可知，驾驶员在隧道入口内的心率和呼吸频率整体最大，入口内和入口外的心率存在显著性差异。因为进入隧道后，驾驶员由于暗适应无法在较短时间内看清前方的交通状况，导致生理负荷上升。而隧道出口内和出口外的心率和呼吸频率均小于入口内，说明相比于明适应，暗适应会给驾驶员带来更高的生理负荷。

图4 不同区段的心率

图5 不同区段的呼吸频率

由上述结果可知，不同指标在特长隧道不同区段的值均具有显著性差异。为了能够综合不同的指标进行评价，量化驾驶员的整体生理负荷，引入基于熵权法的模糊综合分析法建立驾驶员的整体生理负荷模型，并比较隧道不同区段的生理负荷大小。

3 模糊综合分析

现有的评价方法主要有回归分析、因子分析、灰色关联分析和模糊综合分析等[13-14]。模糊评价模型的作用是将某些边界不清、不易定量的评价对象定量化，适合对含有不同属性或受不同指标影响的评价对象进行整体评价[15]。因此，本文采用模糊评价模型对驾驶员的生理负荷进行分析评价。

本文选择瞳孔面积、心率和呼吸频率作为评价指标，为了能够使用模糊综合分析法对驾驶员的生理负荷进行评价，建立评价指标集合为U={u1,u2,u3}，每个评价指标又可以划分为5个评价等级，评价等级集合为V={v1,v2,v3,v4,v5}，通过建立隶属度矩阵来确定每个区段的每种指标对不同等级的“贡献度”，再通过熵权法确定不同指标的权重，从而使用模糊综合分析法确定生理负荷的大小。

3.1 确定评价等级的取值范围

采用模糊评价之前需要对不同指标进行等级划分，由于现有规范缺乏相关划分参考，因此，采用k-means聚类分析对不同指标的样本数据进行聚类，从而得到不同等级的取值范围[16]。具体过程如下。

1)指定需要划分的簇的个数k值，从样本矩阵Ti中随机选择k个样本数据作为初始聚类中心si(i=1, 2,…,k)。

2)令Ti的每行元素为pi，计算出pi到聚类中心si的距离，计算公式为

(1)

式中：dis(pi,si)为计算距离；pin和sin为第n个指标对应的第i个样本的值。

3)计算出所有的样本到各中心点的距离后，将样本分配到距离最近的中心点对应的类别中。

4)重新分配类别后，再计算出每个类别对应的中心点，计算公式为

(2)

式中：si为重新聚类后的第i个聚类中心；N为该聚类中心对应的类别的样本个数。

5)重复步骤3)和步骤4)，直到迭代结束，可得到各项测量指标评价等级的取值范围，如表2所示。

表2 不同指标的等级取值范围

3.2 确定隶属度矩阵

隶属度矩阵的建立是模糊综合分析中最重要的部分，隶属度代表不同区段的不同评价指标样本数据在各等级中的“占比”，因此，隶属度函数的选择对评价结果有决定性影响。基于本文所采用的评价指标和评价方法，采用式(3)的隶属度函数[17]来计算隶属度矩阵。本文以隧道入口内区段为计算案例。

(3)

其中：

ρ1=|λi-1/2(aij+bij)|-1/2(bij-aij)；

ρ2=|λi-1/2(api+bpi)|-1/2(bpi-api)。

式中：rij为评价指标Ui对应于不同等级Vj的隶属度；ρ1、ρ2为隶属度衡量值；λi为评价指标样本数据的平均值，取值范围为[api,bpi]，api为该评价指标的最小值，bpi为该评价指标的最大值； 评价指标对应的各评价等级的取值范围为[aij,bij]，aij为该评价等级的最小值，bij为该评价等级的最大值。

本文经过隶属度函数计算，得到每项指标对应于各等级的隶属度，隧道入口内区段的隶属度矩阵如表3所示。

表3 隶属度矩阵

3.3 确定指标权重

为了能够客观地综合不同指标，从而对整体生理负荷进行评价，需对不同指标进行权重计算。现有的权重计算方法有层次分析法、熵权法和主成分分析法等。熵权法通过计算各指标样本数据信息熵的大小来确定权重，能很好地反映出隧道不同区段内驾驶员的各项生理指标所包含的信息量，并将各项指标融合到一起进行整体评价，因此，采用熵权法来计算指标权重，计算过程如下[18]。

1)设有m个评价指标、n个评价对象的初始样本矩阵为X=(xij)m×n，xij为矩阵中的具体元素(i=1, 2,…,m;j=1, 2, …,n)。首先需要消除各项指标量纲的不同，构建标准化矩阵Y=(yij)m×n。由于本文中的3个指标均为极大型指标，所以采用式(4)对初始数据矩阵X=(xij)m×n进行标准化。

(4)

式中：yij为xij标准化后的值； max(xj)和min(xj)为第j个指标的最大值和最小值。

2)按照式(5)计算第i个评价对象的特征比重pij。

(5)

在得到pij的基础上，按照式(6)计算第j个评价指标的信息熵值ej。

(6)

3)在信息熵值ej的基础上计算信息效用值dj=1-ej，信息效用值越大则表示对应的信息量就越大，熵权值也就越大。通过式(7)将信息效用值归一化得到熵权wj。

(7)

由上述公式可计算得到各项指标的权重值，如表4所示。

表4 指标权重

3.4 确定生理负荷大小

在得到隶属度矩阵和指标权重的基础上，使用matlab对两者进行矩阵计算，如式(8)所示。

t=WR[19]。

(8)

式中：t为模糊综合评价结果向量；W为归一化后的隶属度矩阵；R为指标权重向量。

计算得到模糊综合评价结果向量t=(t1,t2, …,tn)，t中的元素tj表示驾驶员在隧道某一区段的生理负荷依附于等级Vj的程度。对生理负荷的不同等级进行赋值，定义分数向量S=(50, 60, 70, 80, 90)T，t和S的乘积即为最后的综合得分F，表示驾驶员整体生理负荷的大小。使用上述方法计算出隧道4个区段的整体生理负荷得分情况，如图6所示。

图6 生理负荷得分结果

由图6可知，驾驶员在隧道不同区段行驶的生理负荷综合评分中，入口内的生理负荷最大，其次是出口内，然后是出口外和入口外。入口内和出口内的评分很接近，证明驾驶员在隧道黑暗封闭的环境中容易产生较高的生理负荷。

4 基于生理负荷的特长隧道行车安全性研究

由上文可知，驾驶员在隧道入口内的生理负荷是隧道所有区段中最大的，对驾驶员行驶的安全性会产生一定影响。由于隧道洞内外巨大的亮度差，驾驶员在进入隧道时会出现暗适应现象而导致无法看清前方交通状况，需在入口段设置加强照明来保证驾驶员的安全行驶，因此，入口段长度的设置决定了驾驶员行驶的安全性，而目前规范依赖物理指标进行设计，需根据暗适应距离对其安全性进行验证。

根据JTG/T D70/2-01—2014《公路隧道照明设计细则》，隧道入口段的设计长度

(9)

式中：D为隧道入口段的设计长度；Ds为停车视距；h为隧道内净空高度。

由式(9)可知，该设计参数只是考虑了部分物理指标，并没有考虑驾驶员的暗适应距离，而隧道入口段长度决定了加强照明的长度，会影响隧道入口段的交通安全。本文选取试验隧道入口段驾驶员的生理数据来计算暗适应距离，并验证其是否能满足行车安全。

目前，国内研究人员通过暗适应时间来确定暗适应距离[20]。为了得到准确的暗适应时间，选取驾驶员瞳孔面积变化率较上一时刻平均波动小于15%的时间点作为暗适应的完成[8]，再根据暗适应时间来确定暗适应距离。驾驶员的瞳孔面积变化率如图7所示。

图7 驾驶员的瞳孔面积变化率

由图7可得，驾驶员的平均暗适应时间为8.6 s，在隧道入口段的行驶速度为80 km/h，换算单位后与暗适应时间的乘积即为暗适应距离，为191 m。而根据式(9)计算可知，《公路隧道照明设计细则》中规定的特长隧道入口段长度为147 m。所以验证结果表明： 驾驶员的暗适应距离大于规范中规定的特长隧道入口段长度，即加强照明长度会导致较高的行车安全风险。

5 结论与讨论

1)驾驶员的瞳孔面积、心率和呼吸频率在隧道不同区段均具有显著性差异。瞳孔面积在出口内最大，其次是入口内，出口外和入口外相差不大，反映出驾驶员在隧道内黑暗环境行驶时瞳孔面积会急剧扩大。心率和呼吸频率均在入口内最大，反映出驾驶员刚进入隧道时会因为暗适应而无法看清周边状况，从而产生恐慌心理，增加生理负荷。

2)基于模糊综合评价模型对生理负荷进行量化，结果显示，特长隧道入口内驾驶员的生理负荷最大，其次是出口内，出口外和入口外的生理负荷均较低。表明暗适应会比明适应带来更大的生理负荷，而在隧道外明亮的环境下，驾驶员的生理负荷较低。

3)对驾驶员生理负荷影响最大的隧道入口段的行车安全性进行研究，结果显示，驾驶员在特长隧道入口段的暗适应时间为8.6 s，根据暗适应时间确定暗适应距离为191 m，大于规范规定的入口段加强照明长度，会增加行车安全风险。

4)驾驶员生理负荷与行车安全有着密切的关系，故还需增加隧道数量及评价指标类型，以得到更准确的生理负荷值，并通过生理负荷改善隧道交通安全设计。

参考文献(References)：

[1] DE WAAR D. The measurement of drivers′ mental workload[M]. Netherlands: Groningen University of Groningen, 1996.

[2] RECARTE M A, ELISA P, CONCHILLO A, et al. Mental workload and visual impairment: Differences between pupil, blink, and subjective rating[J]. Spanish Journal of Psychology, 2008, 11(2): 374.

[3] RUBIO S, DIAZ E, MARTIN J, et al. Evaluation of subjective mental workload: a comparison of SWAT, NASA-TLX, and workload profile methods[J]. Applied Psychology, 2004, 53(1): 61.

[4] JIAO Fangtong, DU Zhigang, WANG Shoushuo, et al. Research on drivers′ visual characteristics in different curvatures and turning conditions of the extra-long urban underwater tunnels[J]. Tunnelling and Underground Space Technology, 2020(99): 22.

[5] FENG Zhongxiang, YANG Miaomiao, ZHANG Weihua, et al. Effect of longitudinal slope of urban underpass tunnels on drivers′ heart rate and speed: a study based on a real vehicle experiment[J]. Tunnelling and Underground Space Technology, 2018(81): 525.

[6] WANG Shoushuo, DU Zhigang, JIAO Fangtong, et al. Drivers′ visual load at different time periods in entrance and exit zones of extra-long tunnel[J]. Traffic Injury Prevention, 2020, 21(8): 539.

[7] HE Shiyong, LIANG Bo, PAN Guobing, et al. Effects of transient adaptation on drivers′ visual performance in road tunnel lighting[J]. Tunnelling and Underground Space Technology, 2017(70): 42.

[8] 焦方通， 杜志刚， 王首硕， 等. 城市水下特长隧道出入口视觉及舒适性研究[J]. 中国公路学报， 2020， 33(6)： 147.

JIAO Fangtong, DU Zhigang, WANG Shoushuo, et al. Visual characteristic and comfort at the entrance and exit of the extra-long urban underwater tunnel[J]. China Journal of Highway and Transport, 2020, 33(6): 147.

[9] 朱彤， 吴玲， 胡月琦， 等. 基于因子模型的高速公路特长隧道驾驶人心理负荷特性研究[J]. 中国公路学报， 2018， 31(11)： 165.

ZHU Tong, WU Ling, HU Yueqi, et al. Research on characteristics of drivers′ mental workload in extra-long expressway tunnels based on the factor model[J]. China Journal of Highway and Transport, 2018, 31(11): 165.

[10] 杜志刚， 黄发明， 严新平， 等. 基于瞳孔面积变动的公路隧道明暗适应时间[J]. 公路交通科技， 2013， 30(5)： 98.

DU Zhigang, HUANG Faming, YAN Xinping, et al. Light and dark adaption time based on pupil area variation at entrance and exit areas of highway tunnel[J]. Highway and Transportation Science and Technology, 2013, 30(5): 98.

[11] JOHAN E, GUSTAV M, TRENT V, et al. Effects of cognitive load on driving performance: The cognitive control hypothesis[J]. The Journal of Human Factors and Ergonomics Society, 2017, 59(5): 1.

[12] 李聪颖， 邵壮壮， 封少帅， 等. 自行车骑行者生理、心理与综合负荷感知模型[J]. 交通运输工程学报， 2020， 20(1)： 181.

LI Congying, SHAO Zhuangzhuang, FENG Shaoshuai, et al. Physiology, psychology and comprehensive loading perception model of cyclists[J]. Journal of Traffic and Transportation Engineering, 2020, 20(1): 181.

[13] 胡江碧， 李然， 马勇. 高速公路隧道入口段照明安全阈值评价方法[J]. 中国公路学报， 2014， 27(3)： 92.

HU Jiangbi, LI Ran, MA Yong. Evaluation method of lighting safety threshold for threshold zone of expressway tunnel[J]. China Journal of Highway and Transport, 2014, 27(3): 92.

[14] 赵妮娜， 赵晓华， 林展州， 等. 基于驾驶行为的高速公路出口标志形式研究[J]. 中国公路学报， 2020， 33(4)： 137.

ZHAO Nina, ZHAO Xiaohua, LIN Zhanzhou, et al. Exit gore sign forms for freeway based on driving behavior[J]. Chinese Journal of Highway and Transport, 2020, 33(4): 137.

[15] 谢季坚， 刘承平. 模糊数学方法及其应用[M]. 4版. 武汉： 华中科技大学出版社， 2013.

XIE Jijian, LIU Chengping. Fuzzy mathematical methods and applications[M]. 4th ed. Wuhan: Huazhong University of Science and Technology Press, 2013.

[16] XIAO Qiang, HE Ruichun, YU Jianning. Evaluation of taxi carpooling feasibility in different urban areas through the K-means matter-element analysis method[J]. Technology in Society, 2018(53): 135.

[17] ZHOU Jibiao, CHEN Hong, YAN Bin, et al. Risk assessment of operation safety in freeway tunnels: an evaluation approach using multiple safety indices[J]. Journal of Transportation Safety & Security, 2014, 6(2): 93.

[18] 陈红， 周继彪， 王建军， 等. 公路隧道运行环境安全评价指标与方法[J]. 长安大学学报(自然科学版)， 2013， 33(4)： 54.

CHEN Hong, ZHOU Jibiao, WANG Jianjun, et al. Safety evaluation index and method of highway tunnel operating environment[J]. Journal of Chang′an University (Natural Science Edition), 2013, 33(4): 54.

[19] 赵晓华， 鞠云杰， 李佳， 等. 基于驾驶行为和视觉特性的长大隧道突起路标作用效果评估[J]. 中国公路学报， 2020， 33(6)： 29.

ZHAO Xiaohua, JU Yunjie, LI Jia, et al. Evaluation of the effect of RPMs in extra-long tunnels based on driving behavior and visual characteristics[J]. China Journal of Highway and Transport， 2020， 33(6): 29.

[20] 杜峰， 刘辉， 翁季， 等. 基于视觉功效的公路隧道入口段长度研究[J]. 重庆交通大学学报(自然科学版)， 2020， 39(3)： 36.

DU Feng, LIU Hui, WENG Ji, et al. Threshold zone length of road tunnel based on visual performance[J]. Journal of Chongqing Jiaotong University (Natural Science Edition), 2020, 39(3): 36.

引用格式：黄俊， 董盛时， 季红玲， 等. 基于能源桩的城市隧道路面融雪防结冰技术探究[J]. 隧道建设(中英文)， 2021, 41(9)： 1468.

HUANG Jun, DONG Shengshi, JI Hongling, et al. Exploration of deicing technology for urban tunnel pavements using geothermal energy piles[J]. Tunnel Construction, 2021, 41(9)： 1468.