基于眼动实验的物流驾驶员疲劳程度研究

田梦情 汪传雷 秦琴

摘 要：研究物流驾驶员疲劳程度及其影响因素可提高货物运输的安全性和效率。通过眼动实验收集反映物流驾驶员驾驶疲劳程度的眼动数据，融合多种疲劳特征指标和受试者主观疲劳程度打分，评估和K-means聚类分析驾驶员的疲劳程度。研究结果表明，物流驾驶员疲劳程度的评价指标可由瞳孔、眼跳、扫视和注视4 类构成，结合F值贡献度排序为扫视>眼跳>注视>瞳孔，进而将物流驾驶员疲劳分为4 个级别并提出缓解疲劳之策略。

关键词：公路运输；疲劳程度；眼动实验；物流驾驶员；K-means分析

中图分类号：F25     文献标识码：A      doi：10.19311/j.cnki.16723198.2024.12.014

0 引言

驾驶员因素是导致交通事故的主要原因之一，其中疲劳驾驶引发的事故占所有交通事故的 35%～45%。监测和评估物流驾驶员的疲劳程度，有助于提前察觉驾驶疲劳的迹象，因此研究驾驶员疲劳程度的监测和量化具有必要性。

近年来，国内外研究人员尝试多种疲劳检测方法，主要的驾驶员疲劳检测方法包括基于车辆信息、生理信息和行为特征的方法。然而，现有方法大多数是直接观察驾驶员行驶状态并分析驾驶员不同时段的面部特征，分析结果容易出现较大偏差。研究表明驾驶过程约70%的信息是通过视觉感知来获取，视觉感知是驾驶员获取信息的主要途径，且反映驾驶员的精神和生理状态。同时，实验照片中人物的疲劳情绪可以通过情绪传染和共情的心理学机制影响观察照片的人，使其呈现类似的疲劳情绪；情绪传染是指人们在观察他人情绪表达时，自身也会感受到类似的情绪体验；共情是指当受试者看到疲劳的人物时感受到类似的疲劳和疲劳引起的情绪。

因此，选择间接通过受试者的眼动特征了解物流驾驶员驾驶过程的疲劳程度，融合多种疲劳特征指标和受试者主观疲劳程度打分，进行评估和K-means聚类分析量化评估驾驶员的疲劳程度。

1 实验设计

1.1 实验目的

本实验的目的有三：挖掘受试者眼动数据的特征与主观疲劳程度之间的关系；确定外在特征反映疲劳程度的排序及重要性；判断物流驾驶员的主观疲劳程度。

1.2 仪器材料

实验研究采用aSee Pro遥测式眼动跟踪设备以及使用配套的aSee Studio分析软件。本实验所采用的图片是从《疲劳驾驶-国民交通安全系列公益宣传教育片》截取获得。为方便分析，实验截取按时间序列、疲劳程度递增的7张图片，将所有实验图片随机打乱，进行7s定时播放。在受试者查看全部后对图片显示的疲劳程度进行排序。

1.3 实验程序

实验开始前，请受试者在等待区接受实验内容及其要求的详细介绍，完成实验基本信息登记和实验知情书填写，同时接受实验指导。校准过程如下：首先，要求受试者坐在座椅上，调整座椅与显示器之间的距离，使受试者正对显示器，并且保持眼睛与显示器的距离在60 cm左右。其次，采用5 点瞳孔校对法进行眼动校准，若吻合度高，则将实施实验；若吻合度不够，则重新进行校准，直至达到要求为止。

实验正式开始，屏幕上随机呈现7张实验图片，受试者按照观察习惯随意自然查看。实验材料播放完毕时录制自动结束，受试者填写问卷，收集表征疲劳状态的面部和肢体特征的主观数据与眼动仪客观数据结合分析。

2 结果与分析

2.1 指标定义

本实验共收集30 份实验数据，，在反映实验有效性上具有一定代表性。观察发现实验3和实验21注视时长分别为2985 s和4724 s，与设定的观察时间7000 s相差过大，判定为无效数据剔除，最终确定28份为有效数据，后续数据分析均默认28份数据开展。

本实验统计4类眼动指标，共9个变量，4类指标分别为瞳孔、眼跳、扫视、注视，9个变量包括平均瞳孔直径、眼跳次数、总眼跳时长、回看次数、总停留时长、注视次数、平均注视时长、首次注视时长和总注视时长。

2.2 计算处理

在数据预处理基础上，本研究采用某张刺激材料上所有受试者的一个指标数据均值代表某种疲劳程度的某个眼动变量大小。具体计算公式如下：

pi=∑UijN（1）

式中pi表示第i张刺激材料的眼动变量值，∑Uij表示所有受试者在第i张刺激材料的眼动数据总和，j表示第j位受试者，N表示受试者总人数，即j的总和。

汇总各指标后，将同类指标中各变量赋平均权重求和得到四类指标得分。瞳孔、眼跳、扫视和注视四类指标存在不同量纲，且各指标间存在较大差异，故需要将各个指标进行 min-max 归一化处理得到相同的取值范围。采用下式进行归一化处理：

Pm=pi－pminpmax－pmin（2）

式中pm、pi、pmax、pmin分别为瞳孔、眼跳、扫视和注视四类指标经过归一化后的值、原始值、最大值和最小值。归一化处理后的结果见表1。

2.3 问卷分析

实验收到28 份有效实验的量化问卷量表，采用IBM SPSS Statistics 26对回收问卷进行统计分析。由问卷第一部分结果可知，眼睛张开程度最能反映疲劳程度的外在特征，说明采用眼动实验研究疲劳程度的思路可行。由问卷第二部分得到受试者对各实验图片材料表现的疲劳程度主观排序结果，排序结果为p1（617）>p7（517）>p2（413）>p3（37）>p4（347）>p5（317）>p6（22），两者结合获得综合得分。

3 疲劳程度分类与评价

3.1 聚类分析

3.1.1 指标变量的相关性

使用K-Means聚类分析数据时，相关性过大的变量可能会在计算欧氏距离时带入冗余信息，使得聚类结果不够准确，故先采用IBM SPSS Statistics 26软件分析变量的相关性，结果显示4类变量之间相关性较小，变量之间不存在显著相关性，可以进行K-Means聚类分析。

3.1.2  确定k值并分类

根据K-Means聚类原理，聚类个数k的取值范围一般在2～10。由于实验个案数为7较少（这里设定p1～p7分别为个案1～7），故初选取k值为2、3、4。比较分析不同k值的结果，发现当k=4时各聚类间的显著性水平最高，且聚类中的个案数分布较为均匀合理，因此确定本实验聚类数为4，得到聚类中心，见表2。

3.1.3 聚类结果与问卷得分的相关性

根据问卷综合得分，将p1～p7的疲劳程度进行分类，设定p1～p7分别为个案1～7，结果如表3所示。K-means与综合得分的分类结果的相关性分析，得到皮尔逊相关性指标值为0867，两者存在较强的相关性，说明使用K-Means 聚类可行。根据F值对各指标进行贡献度排序，得到：扫视>眼跳>注视>瞳孔，这些指标对聚类过程均有贡献。

3.2 分类评价

根据各个受试者的聚类结果，按照所属聚类组计算各物流驾驶员疲劳程度特征评价指标的均值，统计各聚类中个案的数量，结果见表4。

通过分析聚类类别，可得：第一类物流驾驶员的眼动数据特征为瞳孔较大、眼跳活动较少、扫视和注视时间长；第二类物流驾驶员的眼动数据特征为瞳孔大、眼跳活动少、扫视时间较短、注视时间短；第三类物流驾驶员的眼动数据特征为瞳孔较小、眼跳活动较多、扫视时间短、注视时间较短；第四类物流驾驶员的眼动数据特征为瞳孔小、眼跳活动多、扫视时间较长、注视时间较短。

按照疲劳发展的次序和问卷主观疲劳程度的判断，从一到四的顺序显示疲劳程度的逐渐加重，驾驶员一旦出现疲劳迹象应及时休息，以确保行车安全。物流驾驶员应定期进行疲劳程度的评估，根据评估结果采取相应的防护和休息措施。

4 结论

第一，观察疲劳程度的受试者的浏览路径图和热点图等眼动特征数据，论证眼动数据在疲劳程度研究中的可行性，突破传统直接模拟驾驶环境的限制，为基于眼动特征指标的物流驾驶员疲劳程度研究开拓新思路。

第二，基于眼动实验的数据分析，开发用于监测物流驾驶员疲劳程度的实时预警系统，监测眼动特征提前预测疲劳驾驶的风险，进而及时向物流驾驶员发出警报或建议休息的建议。

参考文献

［1］Sahayadhas A，Sundaraj K，Murugappan M，Detecting driver drowsiness based on sensors： a review[J].Sensors，2012，12（12）：1693716953.

[2]任建新，许锋.多特征融合的驾驶员疲劳程度量化方法研究[J/OL].电子测量技术：111[20230903].http：//kns，cnki，net/kcms/detail/11，2175，tn，20230718，1210，004，html.

[3]张瑞，朱天军，邹志亮，等.驾驶员疲劳驾驶检测方法研究综述[J].计算机工程与应用，2022，58（21）：5366.

[4]王政，李延军，严曲，等.监控作业脑力疲劳综合评定方法研究[J].航天医学与医学工程，2010，23（01）：2024.

[5]吴维库.不良情绪传染的“蝴蝶效应”与防避之策[J].领导科学，2016，（22）：1819.

[6]吴奇，谭惠中.我看不到你的疼痛：隐性自恋特质与疼痛共情的关系[J].心理科学，2023，46（05）：12121219.

[7]史恭龙.校园招聘广告的眼动研究[D].西安科技大学，2015.

[8]王莉莉，许凌鹏.基于眼动数据的管制员注意力特征评价[J].中国安全科学学报，2023，33（02）：217224.

[9]张琛.基于KMeans的特高频局部放电定位误差校正[J].电气自动化，2017，（5）：106108.