基于样本熵特征的驾驶人换道过程特征分析＊

李亚秋 吴超仲▲ 马晓凤

（1.武汉理工大学智能运输系统研究中心 武汉 430063；2.水路公路交通安全控制与装备教育部工程研究中心 武汉 430063）

0 引言

行车过程中，驾驶人的精神负荷是否能合理分配直接影响行驶安全。据2013年《道路交通事故统计年报》数据［1］显示，驾龄为6～10年的驾驶人所发生的城市道路事故占所有事故发生量的26.28%，驾龄为20年以上的驾驶人所发生的城市道路事故占所有事故发生量的3.97%。由于过度的精神负荷占用会导致交通事故，驾驶人的驾驶熟练程度是否与驾驶人驾驶过程中的精神负荷分配有关，具有很大的研究价值。国内外有相关学者已经针对驾驶人精神负荷问题作了一些研究，精神负荷的概念源于人因工程领域，Wickens［2］认为精神负荷是某项特定任务对有限的脑资源施加的负荷，Xie［3］等人认为精神负荷是在规定时间内完成某项任务所需的大脑工作总量。精神负荷的传统评价方法包括主观评价方法和客观评价方法。脑电是客观评价驾驶人精神负荷的主要指标。Lei等人［4］分析了驾驶人在换道工况下的EEG（electroencephalography）信号，发现了不同精神负荷下EEG 不同参数的变化规律，验证了EEG 用于评价驾驶人精神负荷的有效性和敏感性。国内外的研究者在驾驶人精神负荷方面的研究主要集中在将驾驶人的精神负荷作为判定驾驶人是否具备驾驶能力的重要指标之一，从而分析驾驶人自身综合素质是否能胜任驾驶工作［5－6］。Brehmer［7］研究表明，缺乏驾驶技能和经验的驾驶人极易产生系统误差，紧张程度比熟练驾驶人高。Crundall［8］研究了在不同的认知负荷（由于不同道路类型产生）下，熟练驾驶人和非熟练驾驶人在20 min 的驾驶过程中的心电情况不同。Myungsoon［9］使用EEG 研究了匝道进口处不 同部位驾驶人行车紧张状况。张开冉［10］研究结果显示，非熟练驾驶人在基本注意能力上与对照组无差异，但是在模拟器场景中，非熟练驾驶人的抗干扰能力不如熟练的驾驶人，非熟练驾驶人组的负荷分配能力不如熟练驾驶人组，在超车、雨天等情况下，非熟练驾驶人的紧张程度高于熟练驾驶人。刘援朝［11］的研究表明非熟练机动车驾驶人的注意力水平是最低的。张良力［12］的研究提出车辆运行状态与驾驶人的操作动作紧密相关，通过驾驶人的状态，可以很好的判断车辆状态，从而避免碰撞事故。孟妮［13］的研究指出驾驶人在城市道路中的转向行为影响驾驶人的注视行为，从而需要不同的精神负荷水平。对于驾驶人换道行为的识别可以在今后的车路协同技术中为交通安全提供一定的理论依据，Wu C［14］，李亚秋［15］的研究提出基于车辆运行参数对驾驶人换道意图的识别方法，本研究基于驾驶人脑电参数对车辆运行状态的估计则更为简单直接。

传统的驾驶人精神负荷客观评价方法包括心电、脑电、皮电、眼动、呼吸、肌电和血压，车辆行为数据等指标，周鹏［16］的研究表明样本熵作为脑电信号特征进行分类的可行性。笔者在研究中提出了1种样本熵的方法来定量计算驾驶人的脑电数据，从而评价驾驶人在换道过程中的精神负荷问题，即换道过程中脑电信号越复杂，样本熵值越大，需要的精神负荷越高。相对于利用次任务来研究驾驶人精神负荷的方式，笔者所提出的方法更为直观，且更容易量化，使分析及评价描述结果更为科学、合理。

1 实验设计与数据采集

1.1 实验参与者

参加实验的10名驾驶人招募于湖北省武汉市出租车集团。驾驶人选拔的条件包括：①考虑到安全因素，选择年龄在45～55岁之间，身体健康状况良好的驾驶人，全部为男性驾驶人；②驾龄在熟练驾驶人和非熟练驾驶人之间保持平衡，并且年行驶里程在1 000km 以上；③驾驶人视力正常，无佩戴眼镜情况；④参与实验前1d晚上，要保证8h的睡眠时间；⑤参加实验前，被试人员会被告知实验所需了解的注意事项。

1.2 实验过程与采集设备

本研究采用脑电指标来评价城市道路环境中驾驶人在换道和非换道情况下的精神负荷，并使用车速指标来评价驾驶人换道过程中的车辆操控稳定性，因此采用经过技术改装的自动档小汽车作为实验车（见图1），通过自主研发的车辆信息采集系统能够采集车辆速度、加速度等信息。实验过程中，驾驶人佩戴Nueroscan脑电帽采集脑电数据。本次实车实验是从2012 年11 月～12月，共计2个月，实验地点见图2。本次实验主要分析了在直线路段的换道与非换道数据。

2 研究方法

样本熵是时间序列复杂度的1种度量，在20个世纪末期由几位非线性动力学研究者提出，在分析生物信号序列的复杂度分析中已经获得成功应用。将复杂样本数据使用样本熵的方法找出其特征值，具有良好的理论依据与可行性。目前已经有不少研究者将样本熵作为复杂数据定量化的方法。由于样本熵可以将复杂的信号定量简单化，因此在分析驾驶人换道过程中脑电信号的时候将脑电信号以样本熵的形式表达。

图1 试车实验试验车Fig.1 Smart－car used in the on－road experiment

图2 试车实验路线Fig.2 Route of on－road experiment

2.1 样本熵

样本熵的计算过程所需数据短，算法运算量小，具有较好的抗噪和抗干扰能力，对确定信号和随机信号都适用。因此，本研究采用样本熵的方法，其定义算法描述如下。

有N个连续的时间序列

用上述N点时间序列构造N－m＋1 个m维向量

式中：m为每个向量的点数（即构造向量的维数）。

同理，构造（N－m）个（m＋1）维向量

任意2个向量之间的距离定义为

Bi为在相似性容限r下，d［Xm（i），Xm（j）］＜r的数目，1≤i≤N－m，1≤j≤N－m。

式中：（r）为在相似性容限r的意义下，N－m个Xm（j）与1个Xm（i）相似的概率。

对于有限长的N点时间序列样本熵计算

在样本熵计算中，其流程图见图3。

图3 样本熵计算过程流程图Fig.3 The calculating process of entropy

通常情况下，样本熵计算过程中，m取2，r取0.1～0.25SD（u），本研究中尝试了若干组m和r值，以换道和非换道情况下脑电样本熵值数据差异性显著作为指标，得出了最优的组合值为m＝4，r＝0.37。

2.2 实验数据处理与分析

脑电采集过程中会有很多干扰信号，主要的噪声来源：50Hz工频干扰，脑电采集设备或采集环境中的其他设备中的电路系统产生的干扰信号，肌电信号，眼电信号（0～15 Hz），皮肤与电极间的阻抗改变（出汗等）。因此，在脑电信号预处理过程中，本研究采取了合并导联方式去眼电，DC校正，滤波（30～45 Hz），对基准电极减法等消除影响。由于每名被试在驾驶过程中，有效的换道次数（排除转弯，单车道等情况）并不固定，因此本研究中对每名被试换道时的脑电波进行分析时，统计了驾驶过程中的全部换道过程脑电，最后以这些换道过程脑电样本熵平均值来做数据分析。

3 研究结果

3.1 驾驶人换道过程脑电分析

本研究对采集到的32导电极分别进行了预处理，由于人的大脑在进行决策过程时，主要是顶区和前额叶皮层活动，在Neuroscan脑电采集软件帽使用国标10－20系统电极放置法，诸点电极的间隔均以10%和20%来衡量。在Neuroscan脑电采集软件采集过程中，覆盖了CZ，C3，C4，FZ，F3，F4电极，见图4。

图4 Neuroscan计算机采集软件脑电帽电极示意图Fig.4 Electrode diagram of eeg cap in neuroscan eeg acquisition software

本研究对采集到的32导电极分别进行了预处理，驾驶人在换道时，在负责决策的脑区包含的6个电极中均有脑电波样本熵变化，因此，对换道过程中6个电极的样本熵做单因素方差分析，分析结果见图5。

图5 FZ，F3，F4，CZ，C3，C4电极换道情况下的样本熵值Fig.5 FZ，F3，F4，CZ，C3，C4electrode entropy during lane changing

由图4可知，FCZ和CZ电极的分布最集中。前额叶电极的样本熵FP1，FP2，FCZ电极样本熵差异中值差异较大，C3，CZ，C4 电极的样本熵值中值分布较相似。通过单因素方差分析的方法对数据的有效性进行验证，结果显示，以上6个电极对换道与非换道情况的脑电样本熵影响差异性不显著（P＝0.063 895＞0.05），因此，结合图6，CZ电极可以作为驾驶人换道情况下的决策脑区代表电极。

3.2 驾驶人换道过程与非换道过程脑电对比分析

对负责决策的脑区6个电极做了换道与非换道情况下样本熵分析之后，绘制柱状图见图6。本研究中由于是分析换道过程中脑电复杂度，因此选取车辆压线前后5s的脑电数据做样本熵计算输入。

图6描述了与决策相关的CZ电极。由于C3和C4电极处于对称位置，FC3和FC4处于对称位置，因此，对2类脑电数据进行相关性和差异性分析。相关性分析结果显示，C3和C4电极在换道和非换道情况下样本熵相关系数分别为0.887 871和0.927 651，对FC3和FC4电极进行换道和非换道情况下样本熵相关系数进行相关性分析结果显示为0.895 301和0.914 986。差异性分析结果在图6显示。因此，图5只绘制了换道和非换道情况下CZ电极的样本熵情况，由图6可见，对于每名被试，在换道情况下，脑电电极样本熵值明显大于非换道情况。

图6 换道和非换道状态下CZ电极样本熵Fig.6 Cz electrode entropy during lane changing and car following

3.3 驾驶人熟练程度对换道过程脑电样本熵影响

由3.2节的讨论可知，一般情况下，驾驶任务越复杂，即换道情况下，需要占用的驾驶人认知资源也就会多。本研究分析了10名驾驶人的熟练程度对其换道过程CZ 电极脑电样本熵的影响。结果见表1。表1将10名被试按照驾驶熟练程度分为熟练驾驶人和非熟练驾驶人，其中驾龄为20～27年的被试为熟练驾驶人，驾龄为6～16年的被试为非熟练驾驶人，第3列给出了计算之后的驾驶人换道过程CZ电极脑电样本熵值。

表1 不同驾驶人换道过程中CZ电极脑电样本熵比较Tab.1 CZ electrode entropy comparison during lane changing between different drivers

从表1不同驾驶人换道过程中CZ电极脑电样本熵比较中可以看出，熟练驾驶人的脑电样本熵值区间为0.476 743 1和0.503 430 8之间，非熟练驾驶人的脑电样本熵值区间为0.493 981 6和0.556 819 2之间，熟练驾驶人的脑电样本熵值区间低于非熟练驾驶人的脑电样本熵值。对表1的样本熵值进行独立样本的t检验，P＝0.004＜0.5，拒绝0假设，即熟练与非熟练驾驶人的脑电样本熵值有显著差异，表明相对于非熟练驾驶人，熟练驾驶人有更高的脑电波稳定性，可以调用更少的精神负荷来完成换道过程，这样就可以空余出有更多精神负荷来关注周围其他信息，比如提前观察到冲突物，保证行车过程中的安全性。

3.4 驾驶人熟练程度对换道过程车速影响

车速作为换道过程中与驾驶安全紧密相关的指标，能很好的反应换道的安全度，本研究分析了驾驶人的熟练程度与车速之间的关系，见表2。本研究分析了10名驾驶人的熟练程度对其换道过程中车速的影响。本研究所采用的车速数值来源于实际车辆中，取每名被试换道过程的车速平均值。结果如表2所示。表2将10名被试按照驾驶熟练程度分为熟练驾驶人和非熟练驾驶人，其中驾龄为20～27年的被试为熟练驾驶人，驾龄为6～16年的被试为非熟练驾驶人，第3列给出了计算之后的驾驶人换道过程中的平均车速值。

从表2不同驾驶人换道过程中平均车速比较中，可以看出熟练驾驶人换道过程中的平均车速区间为47.13和58.62之间，非熟练驾驶人换道过程中的平均车速区间为47.92和55.88之间，熟练驾驶人的平均车速高于非熟练驾驶人的平均车速值。进行独立样本的t检验，P＝0.104＜0.5，拒绝0假设，即熟练与非熟练驾驶人在换道过程中的平均车速有显著差异，表明相对于熟练驾驶人，非熟练驾驶人在驾驶过程中更为小心，降低车速保持较低的车速来安全换道。

表2 不同驾驶人换道过程中平均车速比较Tab.2 Speed comparison during lane changing between different drivers

4 结束语

本研究基于实际道路实验环境，分析了驾驶人换道驾驶行为的特征，引入样本熵计算脑电复杂度的方法，研究了熟练程度与驾驶人换道过程中精神负荷的关系，结果显示，换道状态下，驾驶人的脑电数据复杂度明显大于非换道状态下，占用更多的精神负荷；样本熵计算数据显示，驾驶人的脑电数据样本熵明显大于非换道状态下的样本熵值；熟练驾驶人与非熟练驾驶人比较，熟练驾驶人的脑电数据样本熵明显小于非熟练驾驶人的样本熵值，熟练驾驶人在换道过程中车速高于非熟练驾驶人。

本研究对驾驶人换道过程中精神负荷的占用研究，采用脑电的波动作为研究指标，虽然本研究已经最大可能的滤波，消除驾驶过程中无关因素的干扰，但不可避免的会有其他一些干扰，最后将脑电数据用样本熵的方法来量化是1种很好的方法。研究结论对于驾驶人熟练程度评价以及换道过程检测有重要的理论支撑作用，可以在车路协同技术中较好的保障行车安全。由于本研究是初步讨论驾驶人换道过程中的注意资源占用问题，实验设计中考虑的变量较少，可以在今后的研究中讨论更多的变量，为驾驶人换道过程检测提供更多的理论支撑。

［1］公安部交通管理局.中华人民共和国道路交通事故统计年报［Z］.北京：公安部交通管理局，2013..Traffic Management Bureau of Public Security Ministry.The traffic accident statistics report of People＇s Republic of China［Z］，Beijing：Traffic Management Bureau of Public Security Ministry，2013.（in Chinese）.

［2］Wickens C D.Multiple resources and mental workload［J］.Human Factors：The Journal of the Human Factors and Ergonomics Society，2008，50（3）：449－455.

［3］Xie B，Salvendy G.Review and reappraisal of modeling and predicting mental workload in single－and multi－task environments［J］.Work ＆Stress，2000，14（1）：74－99.

［4］D.de Waard.The Measurement of Driver’s Mental Workload［D］.Groningen：Rijks Universiteit Groningen，The Netherlands，1996.

［5］郭应时，付 锐，张建峰，等.不同通道宽度条件下汽车驾驶员注视点分布规律［J］.交通运输工程学报，2006，6（2）：51－54.Guo Yingshi，Fu Rui，Zhang.Jianfeng，et al.Fixation distribution of driver while driving through passageways with different widths［J］.Journal of Traffic and Transportation Engineering.2006，6（2）：51－54.（in Chinese）.

［6］张殿业，金 键，杨京帅.驾驶员身心条件安全可靠性综合评价［J］.中国公路学报，2004，17（4）：96－100.Zhang Dianye，Jin Jian，Yang Jingshuai.Psychophysiological evaluation of driver safety reliability［J］.China Journal of Highway and Transport.2004，17（4）：96－100.（in Chinese）.

［7］Brehmer B.Variable errors set a limit to adaptation［J］.Ergonomics，1990，33（10－11）：1231－1239.

［8］Crundall D E，Underwood G.Effects of experience and processing demands on visual information acquisition in drivers［J］.Ergonomics，1998，41（4）：448－458.

［9］Chang Myungsoon，Kim Juyoung，Kang Kyungwoo，et al.Evaluation of driver’s psychologysiologocal load at freeway merging area［C］∥Transportation Research Board Annual Meeting 80th，Washington D.C，Transportation Research Board，2001.

［10］张开冉.低驾龄驾驶人典型驾驶心理－行为特性研究［D］.成都：西南交通大学，2008.Zhang Kairan.Study on novice driver’s typical psychology－behavior［D］.Chengdu：Southwest Jiaotong University，2008.（in Chinese）.

［11］刘援朝，孙忠友，魏玉桂.机动车驾驶员注意及相关因素的调查研究［J］.社会心理科学，2007，22（1）：89－100.Liu Yuanchao，Sun Zhongyou，Wei Yugui.The investigation of the motorists pay attention to and the related factors［J］.Science of Social Psychology，2007，22（1）：89－100.（in Chinese）.

［12］张良力，吴超仲，黄 珍，等.面向安全预警的机动车驾驶意图研究现状与展望［J］.交通信息与安全，2012，30（3）：87－92.Zhang Liangli，Wu Chaozhong，Huang Zhen.Research on driver＇s intention for traffic safety precaution［J］.Journal of Transport Information and Safety，2012，30（3）：87－92.（in Chinese）.

［13］孟 妮，韩 丹.城市道路中驾驶员转向行为对注视行为的影响［J］.交通信息与安全，2013，31（2）：41－46.Meng Ni，Han Dan.Influence of Steering Behavior on Driver＇s Gazing Behavior in City Road［J］.Journal of Transport Information and Safety，2013（2）：41－46.（in Chinese）.

［14］Wu C，Li Y，Ma X，et al.A Recognition Model for Lane change intention based on Neural Network［C］∥Wuhan，China Communications and Transportation Association：The 2nd International Conference on Transportation Information and Safety（ICTIS 2013），Wuhan：ICTIS，2013.

［15］李亚秋，吴超仲，马晓凤，等.基于EKF学习方法的BP神经网络汽车换道意图识别模型研究［J］.武汉理工大学学报：交通科学与工程版，2013，37（4）：843－847.Li Yaqiu，Wu Chaozhong，Ma Xiaofeng，et al.A recognition model for lane change intention based on neural network with ekf learning method［J］.Journal of Wuhan University of Science and Technology：Transportation Science and Engineering，2013，37（4）：843－847.（in Chinese）.

［16］周 鹏，葛家怡，曹红宝，等.基于样本熵的运动想象分类研究［J］.信息与控制，2008，37（2）：191－196.Zhou Peng，Ge Jiayi，Cao Hongbao，et al.Classification of motor imagery based on sample entropy［J］.Information And Control－Shenyang－，2008，37（2）：191.（in Chinese）.