部分自动驾驶对驾驶员嗜睡发展的影响：来自ERP的证据
1、研究背景
疲劳驾驶员表现为视觉处理速度较慢，选择性注意丧失，干扰抑制差，外周处理能力下降以及清醒状态不稳定。这将导致决策能力下降、反应时间变慢、对前方道路注意力降低以及驾驶性能下降。撞车，中值通常在15-25%之间，与无疲劳驾驶相比，撞车风险增加了1.29-1.34倍。与疲劳相关的碰撞通常发生在夜间或清晨，在太多时间不受干扰地开车后，或在长时间的高或低工作后。这些碰撞类型通常与驾驶员疲劳和注意力不集中有关。这些积极的影响是否能延续到更先进的系统中，例如结合横向和纵向支持的部分自动化功能，目前还不清楚。
本研究的目的是比较手动驾驶和二级部分自动驾驶对睡意主客观指标的影响。这项研究是通过比较白天(充分睡眠)和夜间(睡眠不足)在高速公路上驾驶时驾驶员与真实交通状况下的睡意发展情况来完成的。该假设是，部分自动驾驶将导致更高水平的疲劳，因为负载不足。第二个目标是为开发驾驶员疲劳监测系统收集视频数据。
2、研究方法
2.1、被试
89名司机(36名女性和53名男性)，平均年龄38岁(SD = 11岁，范围：20-59岁)。
选择标准是有先进驾驶辅助系统如自适应巡航控制系统、车道保持辅助经验的驾驶人员，身体质量指数低于30(减少困倦的风险由于诊断阻塞性睡眠障碍),没有睡眠障碍,没有障碍,阻止参与者驾驶一辆普通的车,也不会晕车。
由于内外部原因，最终实际研究人群包括54名有自适应巡航控制经验的驾驶员，44名有车道保持辅助经验的驾驶员，48名有停车辅助经验的驾驶员和19名有二级辅助经验的驾驶员。
2.2、实验材料
两辆装有仪器的车。
2.3、实验过程
①实验中使用了两辆装有仪器的车辆，每天允许4名司机参与试验。每个参与者首先在下午(白天，警戒状态)驾驶，然后在夜间(睡眠不足状态)驾驶。下午的开车时间是15点(司机A和C)或17点(司机B和D)，晚上的开车时间是01点(司机A和C)或03点(司机B和D)。测试路线是一条90公里长的双车道高速公路(瑞典E4公路)，参与者从111号出口(Link oping)开到104号出口(Granna)再开回来，总共行驶180公里。整个路段的限速为120公里/小时，根据瑞典交通管理局的数据，该路段的年平均日交通量约为 8000-15000辆。参与者总是有一名测试负责人陪同，如果司机太困而无法继续或出现不恰当或危险驾驶的迹象，他们就会使用双重指令进行干预。在数据采集过程中，测试负责人没有与驾驶员交谈。
②手动驾驶和自动驾驶在不同的时间进行，因此需要两次进入实验室。自动化模式得到了平衡，但由于政府批准在真正的道路上使用昏昏欲睡的司机被限制在夜间时间，白天(警报)状态总是先于夜间(睡眠不足)状态。每次驾驶后，都要填写一份驾驶后问卷。参与者不允许自带食物或饮料，但在晚上会提供晚餐、水果、米糕、水、红茶或无咖啡因咖啡。参与者知道提供的咖啡和茶不含咖啡因。卡路里摄入量没有记录。晚餐在18点(司机A和C)或19点30分(司机B和D)提供。
③两辆车都配备了远程摄像头眼动跟踪系统，一个内部摄像头和一个前视摄像头。电生理数据用eego sports系统（德国 ANT Neuro），记录脑电（64导联）、心电、眼电（垂直眼电）、呼吸信号。采样频率为512Hz，数据处理时频率降到256Hz，心电带通滤波为0.3-30Hz。呼吸信号以1Hz进行高通滤波，EOG的带通滤波在0.3Hz-11.5Hz。数据仅用心电和Fz-T7（前额），Cz-T8（中央）和Pz-Oz（顶叶）。
④主观睡眠评价（1-9分评制）（The Karolinska Sleepiness Scale, KSS）
在开车的时候每隔五分钟就会自我报告一次睡意。KSS有9个级别：1-非常警惕,2-很警觉,3-警报,4-警惕,5-既不报警也不困,6-一些困倦的迹象,7-昏昏欲睡,没有努力保持清醒,8-昏昏欲睡,努力保持清醒,和9-很困,努力保持清醒,战斗的睡眠。报告的值对应于最后5分钟的平均感觉。通过回顾性地及时复制每个KSS评分，将KSS评分上采样到1Hz。然后，主观睡眠率被计算为每个环节的KSS评分模式。
⑤利用Welch的功率谱密度估计(时间窗为4s，重叠率为75%)，计算了5-9Hz的theta频率范围和8-14Hz的alpha频率范围内的总功率。平均眨眼时间、随时间闭眼的百分比(PERCLOS)和瞳孔直径。在本实验中，眼睑跟踪的有效性为99.91±0.37%，瞳孔跟踪的有效性为91.84±8.12%(质量阈值为0.2)。
2.4、数据采集和处理
①测试是在两款不同的测试车辆上进行的，分别是2015 Volvo XC90和2020 Volvo V60。每个参与者在两次实验中都驾驶同一辆车。两辆车都安装了ODB-II记录器，以记录GPS和车辆运动学、眼动跟踪系统，并对前方道路、驾驶员面部和驾驶员上半身进行视频记录。
②两辆车中都记录了呼吸和心电信号，Volvo XC90车上放置了64导联的EEG记录设备。两辆车不包括EOG和EEG的原因是，面部和头部的阻塞电极可能会限制数据集的通用性。例如，电极可能会在开发用于驾驶员疲劳监测的计算机视觉算法时产生干扰，这是目前数据集的未来目标。在356场计划中的试验中，有2场由于恶劣天气而取消，1场由于测井设备的技术问题而取消，4场由于危险驾驶员而取消，18场由于日程和可用性问题而取消，最后有效试验有333场可用于分析。
③使用滤波方法从心电中提取心跳(R峰)，并导出一个RR时间序列作为心跳之间的时间差。通过递归程序得到相应的正态到正态(NN)时间序列，如果RR区间与周围RR区间的均值相差超过30%，则将RR区间去除。较低的心率为连续心跳之间的可变性提供了更大的空间，允许较高的心率可变性。这通常发生在身体放松准备睡觉的困倦期间。与大多数困倦指标一样，心率和心率变异性通常在群体水平上给出明确的结果，但结果在个体之间和个体内部随时间而变化，这取决于内部和外部因素。心率在这里表示为每个节段的平均NN-interval，心率变异性量化为正常心跳之间连续差值的均方根(RMSSD)。
④驾驶表现：驾驶性能指标如速度、横向位置的可变性和越线，这些通常用于研究司机的困倦。然而，由于纵向和横向行为都受到本实验中所研究的自动化功能的影响，因此本文决定不包含任何驾驶性能指标。
⑤精神运动警觉性任务（Psychomotor vigilance task, PVT）：随机刺激开始，刺激之间的间隔为2-10 s，最大刺激持续时间为2 s，总测试持续时间为10 min。PVT是一种广泛使用的警惕性注意测试，具有高信度和预测效度。
⑥本研究采用受试者2×2设计，考虑了条件(白天与夜间驾驶)和自动化模式(手动与部分自动化的2级驾驶)的因素。从180公里的驾驶中提取出16段10公里的路段，以分析任务时间的变化。努力使男女人数大致相等，以说明性别差异。五因素混合模型分析：条件（白天，夜晚）* 自动条件（手动，部分手动）* 时间（驾驶任务前后）为被试内因素，车辆（Volvo V60，Volvo XC90）* 性别（男性，女性）为被试间因素。
3、实验结果
图1 不同驾驶条件下，每10公里计算一次的瞌睡指标
（图解：误差棒表示平均的标准误差）
表1 线性回归模型的决定系数(R2)，模型拟合(-2LL)和方差分析结果(f值)
（图解：自由度在所有情况下为df1 = 1，根据表格df2。0.01水平(Bonferroni校正后的0.0005)的显著差异用绿色(**)表示，0.05水平(校正后的0.0025)的显著差异用绿色/黄色(*)表示，更高水平的显著差异用黄色/橙色到红色的阴影表示。EEG分析中排除了Vehicle因素，因为EEG数据仅在一辆车中可用）
结果显示：夜间开车后面导致嗜睡水平KSS,眨眼时间,PERCLOS,瞳孔直径和interbeat间隔(图1和表1)。大量的时间任务影响被发现在KSS、瞳孔直径和interbeat间隔,以及夜间和时间之间的交互作用在KSS的任务,眨眼时间,PERCLOS，瞳孔直径，脑电顶叶alpha和theta功率。
总的来说，在夜间，随着工作时间的增加，困倦的发展表现得更快。白天和夜间瞳孔直径的主要变化可能是由于光线条件的变化而不是睡意。相比于比手动驾驶，部分自动驾驶导致显著但小增加的嗜睡水平KSS、眨眼时间,瞳孔直径、interbeat间隔,脑电中央α,脑电额θ和脑电中央θ(图1和表1)。在部分自动驾驶报告KSS值高出0.07个单位,眨眼时间长4.5 ms，瞳孔直径窄0.1 mm，间隔时间长9.22 ms。与手动驾驶相比，驾驶员报告的部分自动驾驶的KSS水平在白天较低，而在夜间较高。与白天相比，夜间的眨眼时间随着工作时间的增加而急剧增加，特别是在部分自动驾驶(图1)。即使有一个夜间和时间在任务之间的相互影响脑电α和θ尽管从图1的总体趋势可以看出，夜间驾驶和任务时间对EEG指标的主效应均不显著，但随着任务时间的增加，夜间驾驶和任务时间对EEG指标的主效应均不显著。因此，部分自动驾驶对脑电嗜睡指标的影响难以解释。男性参与者表现出更高水平的主观睡意和额叶θ波能量，但除了这些发现外，在性别方面没有显著差异。车辆类型无显著差异。
4、结论
①部分自动化驾驶会导致更高程度的困倦，尤其是在夜间驾驶时，睡眠压力很大。
②在白天，当研究中的驾驶员处于警觉状态时，部分自动驾驶对驾驶员疲劳几乎没有不利影响。这可能会对UNECE GSR 2022和Euro NCAP 2024等驾驶员监测法规/评估的评估和执行产生影响。
5、文献名称及DOI号
Caa, B. , Rz, C. , Hj, C. , Cf, D. , Jk, D. , & Aaae, F. . Effects of partially automated driving on the development of driver sleepiness. Accident Analysis & Prevention, 153.
DOI：10.1016/j.aap.2021.106058
