心理疲劳可分为主动疲劳和被动疲劳。由持续的知觉活动引起的疲劳称为主动疲劳，而由少量的知觉活动和长期单调反应引起的疲劳称为被动疲劳。研究人员提出，负荷不足引起的疲劳为被动疲劳，负荷过载引起的疲劳为主动疲劳。通过创建不同复杂程度的驾驶场景来分类这些问题，复杂的驾驶场景对心理负荷有累积影响。
随着汽车自动化程度的逐步提高，脱离驾驶任务的司机更容易处于较低的心理负荷状态。De Winter等人总结了32名司机心理负荷的实证研究。他们发现，因此，通过创建不同复杂程度的驾驶场景和驾驶模式，我们量化了心理负荷与被动疲劳之间的共变关系。司机心理负荷不足可能导致被动疲劳。K?rber等人基于眼动指数(eye movement index)发现，
测量驾驶疲劳的方法有很多。手动驾驶时，研究人员使用主观报告和速度可变性。自动驾驶时，被动疲劳驾驶员对接管要求的响应速度较慢。这些指标能敏感反映实际工作中的疲劳。即使准确实时地监测驾驶员的状态，也不足以测量疲劳程度。
研究人员青睐脑电指标的准确性和实时性。Lal当人们使用清醒状态的平均脑电图活动作为疲劳基准时，他们分析了不同疲劳阶段脑电图的变化结果，得出结果在模拟驾驶场景中，Jagannath和Balasubramanian发现，为了准确定义驾驶员的被动疲劳状态，还需要更清楚地定义标准。因此，我们的研究目的是分析不同状态下脑电信号的时域特征，并选择α波的功率值被用作被动指标。判断司机被动疲劳的阈值是通过分析方法确定的。因此，我们提出以下假设：
图1 全文研究假设
2.1
2(驾驶模式:自动驾驶、手动驾驶)×2(驾驶场景:简单复杂场景)×6(反应期:1-6)三因素混合设计。被试室变量为驾驶模式和驾驶场景，被试室变量为驾驶六个阶段。
| 第1阶段 |
最初0-10分钟获得的数据 |
| 第2阶段 |
10-20分钟获得的数据 |
| 第3阶段 |
获得20-30分钟的数据 |
| 第4阶段 |
30-40分钟获得的数据 |
| 第5阶段 |
40-50分钟获得的数据 |
| 第6阶段 |
50-60分钟获得的数据 |
2.2
招募48名没有自动驾驶经验的司机，20-35岁(M =24.83，SD =2.81)，驾龄1 -10年(M =2.94，SD = 2.06)。其中有24名男性和24名女性。所有被试均随机分组。司机身体健康，听力和裸眼视力正常。
2.3
检测反应任务(DRT)由宣爱QJ-3A1(小)驾驶模拟器呈现，模拟器视角120°，该模拟器由互动视觉系统、模拟驾驶舱、电子控制系统、定制软件、辅助设备和外部配件组成，具有视频教学、指导驾驶模拟练习、互动场景体验驾驶、事故倾向评估等功能，如图2所示。
图2宣爱 QJ-3A1(小)型驾驶模拟器自动驾驶场景
出现时间间隔 为60±40s，从图片刺激到片刺激到司机踩刹车的反应时间。实验结束 之后，反应超过2s为了评估司机的正确率，试次记录为错误。
驾驶模式和驾驶场景由驾驶模拟器生成。在自动驾驶模式下，司机不需要 操作方向盘和油门踏板，只需对检测反应任务采取制动反应。而手动驾驶 在模式检测反应任务采取制动反应外，驾驶员还需要控制车辆 定路线行驶。复杂的驾驶场景包括城市、乡镇、隧道和高速公路的复杂多弯道路 驾驶员行驶1小时，简单的驾驶场景是一条笔直单调的高速公路，两侧无建筑物。
EEG数据通过以及国际10-20系统扩展的64导电极帽记录。所有电极点头皮电阻小于10 kΩ，采样频率为1 kHz，如图3所示。
图3脑电图数据采集场景
美国航空航天局任务负荷指数()，该量表分为认知负荷、体力需求、努力程度、时间需求、挫折程度和性能水平六个维度。每个维度从低到高分为10个等级。1代表极低，10代表极高。
由Elizabeth Ahsber等人(1997)年研究编制，共有25个题目，分为精力不足、体力消耗、身体不适、动力不足、困倦五个维度，每个维度下有5个题目，每个题目从0到10分11个等级，
2.4
。被试进入实验室后，被要求洗头，戴电图帽和眼动仪。在实验开始前，被试被要求熟悉驾驶模拟器并练习三个随机模拟器DRT(约5分钟)任务。实验正式开始后，要求被试每10分钟填写一次NASA-TLX表格。停止记录脑电图和DRT数据。实验结束后，被试需要参加NASA-TLX和SOFI的后测。
2.5
根据静息脑电数据预处理的原理，对连续脑电数据进行0.5~30 Hz滤波处理后，模拟驾驶过程中每个受试脑电图数据分为6个部分，对应1-6个阶段。脑电图数据参考两个乳突的平均值(M1, M2)。独立分量分析。(ICA)算法用于眼动和肌电(EMG)校正活动污染或其他非生理疾病污染的部分数据。
3.1
以驾驶模式和驾驶场景为试验室变量，以测量阶段为试验室变量，以心理负荷维度分为重复测量方差分析，结果表明驾驶场景的主要效果显著(F(1, 44) = 4.890, p = 0.046, ηp2= 0.088)复杂情景组的司机比简单情景组感受到更高的心理负荷。
以驾驶模式和驾驶场景为受试者之间的变量，以测量阶段为受试者的变量，以挫折程度维度分为变量，重复测量方差分析结果表，阶段的主效应显著(F(1, 44) =7.537, p = 0.009, ηp² = 0.146)，随着阶段的增加，驾驶员所感受到的受挫程度也在增加。
以驾驶模式与驾驶情景为被试间变量，以测量阶段为被试内变量，以缺乏精力、体力消耗、身体不适、缺乏动力和瞌睡维度分别为因变量，进行重复测量方差分析。测量阶段在五个维度中的主效应均显著(表2)，随着测量阶段的增加，驾驶员的疲劳程度也随之增加。
| 量表维度 | 前测 | 后测 | F |
p |
| 缺乏精力 |
1.386±1.887 |
3.390±2.486 |
21.909 |
0.000 |
| 体力耗尽 |
1.251±1.401 |
1.907±1.532 |
6.034 |
0.017 |
| 身体不适 |
1.209±1.359 |
1.879±1.461 |
7.969 |
0.006 |
| 缺乏动力 |
1.688±1.800 |
3.237±2.368 |
39.000 |
0.000 |
| 瞌睡 |
1.688±2.00 |
3.967±2.78 |
27.586 |
0.00 |
3.2
以驾驶模式和驾驶情景为被试间变量，以测量阶段为被试内变量，以DRT反应时为因变量，进行重复测量方差分析。结果表明，驾驶模式和阶段的交互作用显著(F(2, 88)=3.851, p=0.025, ηp2=0.080)。
简单效应检验表明，阶段 1、阶段2和阶段5，驾驶模式在DRT反应时上的差异不显著；阶段3、阶段4和阶段6，驾驶模式在DRT反应时上的差异显著(F(1, 44) = 4.003, p = 0.052, ηp2= 0.083; F(1, 44) =4. 856, p = 0.033, ηp2= 0.099; F(1, 44) = 7.456, p = 0.009, ηp2= 0.145)。在第4和第6阶段中，驾驶员在自动驾驶过程中的反应时间多于手动驾驶，见图4。
图4 驾驶模式对六个阶段中DRT反应时的影响
以驾驶模式和驾驶情景为被试间变量，以测量阶段被试内变量，以DRT正确率为因变量，进行重复测量方差分析，结果表明，驾驶模式和阶段的交互作用显著(F(2, 88)=3.851, p=0.025, ηp2=0.080)。
简单效应检验表明，阶段2、阶段3和阶段5，驾驶模式在DRT正确率上的差异不显著；阶段 1、阶段4和阶段6，驾驶模式在DRT正确率上的差异显著(F(1, 44)=4.805, p=0.049, ηp2=0.082; F(1, 44)=4.468, p=0.040, ηp2=0.089; F(1, 44)=6.491, p=0.014, ηp2=0.124)。阶段4和阶段6，自动驾驶组驾驶员DRT正确率低于手动驾驶组，见图5。
图5 驾驶模式对六个阶段中DRT正确率的影响
3.3
将各组被试的单受试者脑电图平均，得到组级脑电图。画取4个水平、6个阶段的α波脑地形图如下(图6)。
图6 驾驶员α波脑地形图
以驾驶模式和驾驶情景为被试间变量，以测量阶段为被试内变量，以α波的功率值为因变量，进行重复测量方差分析。结果表明，驾驶模式、驾驶情景和测量阶段之间存在显著的交互作用(F(1, 37)=4.651, p=0.038, ηp2=0.112)。
简单效应检验表明，复杂情景下，6个阶段中驾驶模式的差异均不显著。而 在简单情景下，阶段1、阶段2、阶段3和阶段5，驾驶模式在α波的功率值上差异不显著；阶段4和阶段6，驾驶模式在α波的功率值上差异显著(F(1,37)=4.651, p=0.038, ηp2=0.02; F(1,37)=4.651, p=0.038, ηp2=0.015)。如图7所示，在简单情景下的阶段4和阶段6，自动驾驶组α波的功率值显著高于手动驾驶组。
图7 驾驶模式、驾驶情景与阶段对α波的交互作用
将简单情景下手动驾驶阶段4和阶段6的数据作为清醒组，将简单情景下自动驾驶阶段4和阶段6的数据作为被动疲劳组。清醒和被动疲劳状态下脑电图信号α功率值的散点图如图8所示。使用GraphPad Prism 8软件对两组数据进行ROC计算，结果显示清醒状态和被动疲劳状态的脑电信号的α功率值之间存在显著差异(p=0.021)，表明α功率值反映了驾驶员的疲劳状态，可以作为被动疲劳的一个鉴别指标。
图8 被动疲劳前后散点图
为确定被动疲劳的判断阈值，根据ROC曲线分析方法绘制基于α功率值的ROC曲线，如图9所示。根据阈值选择原则，选取y左上指数最大的特征点作为判别阈值。计算每个甄别阈值对应的y指数，选取指数最大的特征点(图9中的点)作为最佳临界点，对应脑电图信号。α功率值为0.000852，敏感性为90%，特异性为70%，ROC曲线下面积为0.78，表明该方法具有较高的准确性。
图9 EEG功率的ROC曲线
我们旨在考察驾驶员在自动驾驶条件下的被动疲劳。目前大多数关于被动疲劳的研究仅依赖于驾驶情境需求的单向维度来定义低负荷状态。我们证实了自动驾驶条件下驾驶场景对驾驶员心理负荷的影响，在自动驾驶模式下，简单情景会降低心理负荷。我们发现，只有当被试的心理负荷较低且疲劳累积时，被动疲劳诱导才会成功。
在主观报告中，驾驶员在简单情景下的心理负荷低于参与状态。在简单情景下，驾驶员更容易感到疲劳，这表明本研究中驾驶员的疲劳属于被动疲劳状态。由于主观报告仅在实验前后填写，无法确定被动疲劳的精确时间。通过对数据的进一步分析，我们发现在40分钟左右时自动驾驶简单情景的脑电图指标和检测反应任务的表现与手动驾驶有明显不同。因此，
有必要对驾驶员被动疲劳的生理特征进行量化。在明确了被动疲劳的发生时间后，我们分析了简单情景条件下的自动驾驶和手动驾驶过程中驾驶员的α功率值。使用ROC曲线方法，基于α功率值的被动疲劳鉴别阈值为0.000852。阈值的确定进一步明确了被动疲劳的发生时间和生理特征，完善了被动疲劳理论。
根据对48名驾驶员的综合测量，我们探讨了驾驶模式和驾驶情景对驾驶员心理负荷的影响。我们提出了被动疲劳诱导的有效性标准，并通过定义被动疲劳的时间和临界阈值改进了驾驶员被动疲劳理论。得出以下结论：(1)自动驾驶简单情景时，驾驶员的心理负荷较低；(2)驾驶员处于低负荷状态约40分钟时，会出现被动疲劳；(3)当驾驶员脑电图的α功率值大于0.000852时，驾驶员处于被动疲劳状态。
原文作者：马锦飞老师等
翻译：零卡果冻
封面：青囊
编辑：蔡瑞