結(jié)合功能測試與模擬駕駛的老年人駕駛適性評估

沈永俊 譚 旭 Tom Brijs

(1東南大學(xué)交通學(xué)院，南京 211189)(2Transportation Research Institute (IMOB), Hasselt University, Hasselt 3500, Belgium)

至2018年底，我國65歲及以上人口已達(dá)1.67億，占總?cè)丝诘?1.9%.隨著社會(huì)人口老齡化，老年駕駛?cè)说臄?shù)量與涉及事故數(shù)均呈上升趨勢[1].預(yù)計(jì)1999—2030年，涉及老年駕駛?cè)说闹旅嚨湵壤龑⒃黾?55%，占所有駕駛?cè)祟A(yù)計(jì)致命車禍增加總數(shù)的54%[2].駕駛能力隨年老而下降是造成這一風(fēng)險(xiǎn)的主要原因，高齡駕駛已成為愈發(fā)嚴(yán)峻的公共安全問題，迫切需要對老年駕駛?cè)耸欠襁m合繼續(xù)駕駛進(jìn)行評估.道路駕駛測試能夠直接衡量駕駛能力，其結(jié)果可作為駕駛適性評估的黃金標(biāo)準(zhǔn)[3-4].然而該方法需要耗費(fèi)大量的人力、物力和時(shí)間[5]，且對于駕駛能力已受損的老年駕駛?cè)硕跃哂袧撛谖ｋU(xiǎn)性.因此，建立能夠有效替代道路駕駛測試的老年人駕駛適性評估方法具有重要意義.

醫(yī)學(xué)研究將老年人駕駛能力與各項(xiàng)身體功能建立聯(lián)系，主要包括視覺功能、肢體功能與認(rèn)知功能等.實(shí)際上，高齡駕駛的風(fēng)險(xiǎn)并不在于年齡本身[6]，身體功能退化情況在很大程度上決定老年人能否繼續(xù)安全駕駛[7].視力受損是影響老年人駕駛的最常見感官問題，老年人普遍視力和對比敏感度下降，且更易受到眩光影響[8]；在肢體功能上，老年駕駛?cè)藙?dòng)作時(shí)間更長，駕駛操作能力下降[9]；在認(rèn)知能力上，駕駛?cè)说淖⒁饬?、記憶力以及?zhí)行功能等通常均隨年老而衰退，使得老年駕駛?cè)嗽谟龅綇?fù)雜駕駛環(huán)境和突發(fā)情況時(shí)難以安全應(yīng)對.因此，功能測試是駕駛適性評估中的必要環(huán)節(jié)[10].

美國醫(yī)學(xué)協(xié)會(huì)綜合視覺、動(dòng)作、認(rèn)知功能建立了ADReS(Assessment of Driving-Related Skills)[11]測試組以識(shí)別潛在不安全老年駕駛?cè)耍玫搅藦V泛應(yīng)用，但其效果具有爭議[12]；類似測試組還包括DriveAble[13]、DriveSafe/DriveAware[14]、SMCTests[15]等.一些研究基于典型測試組增刪了特定功能測試項(xiàng)目，建立了改進(jìn)的老年人駕駛適性評估方法，通過Logistic回歸等統(tǒng)計(jì)模型對老年駕駛?cè)藢?shí)際道路駕駛測試結(jié)果進(jìn)行了預(yù)測[16-18].然而，這類方法普遍具有準(zhǔn)確度不高、無法兼具較高的靈敏度與特異性等問題.因此，僅憑功能測試難以成功區(qū)分安全與不安全的老年駕駛?cè)薣10].

結(jié)合模擬駕駛是提高駕駛適性評估方法對道路駕駛測試結(jié)果預(yù)測準(zhǔn)確度的合理選擇.模擬駕駛實(shí)驗(yàn)允許研究人員在受控的環(huán)境中檢測在實(shí)際道路上可能是不實(shí)用、不安全或不道德的復(fù)雜駕駛行為[19].實(shí)驗(yàn)不僅能采集老年駕駛?cè)苏Ｐ旭倳r(shí)的縱、橫向駕駛績效參數(shù)，還可以通過設(shè)計(jì)老年駕駛?cè)溯^難應(yīng)對的場景，比如交叉口讓行、左轉(zhuǎn)、合流變道等[3,10,20]，記錄其表現(xiàn).Lee等[5]通過對比老年人自然駕駛和模擬駕駛的表現(xiàn)，證明了駕駛模擬器測量駕駛行為的有效性.Cuenen等[10]分析了老年駕駛?cè)嗽谀M駕駛實(shí)驗(yàn)中的表現(xiàn)與身體各項(xiàng)功能的關(guān)系，為訓(xùn)練老年人駕駛能力提出了指導(dǎo)意見.

綜上所述，現(xiàn)有的老年人駕駛適性評估方法在測試內(nèi)容與評價(jià)指標(biāo)上各有差異，只用功能測試建立的評估方法效果普遍不理想，可以借助模擬駕駛進(jìn)行改善.因此，本文以道路測試結(jié)果作為老年人駕駛適性的判斷依據(jù)，從功能測試與模擬駕駛實(shí)驗(yàn)數(shù)據(jù)中分別提取評價(jià)指標(biāo)，建立將兩者相結(jié)合的老年人駕駛適性評估方法，從而有效替代道路測試.

1 駕駛適性評估實(shí)驗(yàn)

研究對象為92名70歲以上的比利時(shí)老年駕駛?cè)?，該人群已表現(xiàn)出或被醫(yī)護(hù)人員懷疑具有認(rèn)知能力下降現(xiàn)象，但仍在繼續(xù)駕駛；樣本平均年齡78.22歲，平均駕齡55.45年，男性占比79.3%.他們依次參與了功能測試、模擬駕駛測試以及仿照比利時(shí)官方駕照許可程序進(jìn)行的道路駕駛測試.

1.1 功能測試

根據(jù)視覺、肢體、認(rèn)知等功能與駕駛能力的關(guān)系，選擇以下日常老年醫(yī)學(xué)實(shí)踐中的常用測試.

1) 在視覺功能評估方面，Snellen視力表用于測試駕駛?cè)艘暳?，分值?～1.2，比利時(shí)法定駕駛最低視力要求為0.5；Pelli-Robson圖表用于測評老年駕駛?cè)艘曈X對比敏感度，測試結(jié)果取值0～2.25，對比敏感度反映人分辨邊界模糊的物體的能力.

2) 在肢體功能評估方面，計(jì)時(shí)起身行走(timed get-up-and-go)測試用于評估移動(dòng)能力，記錄老年駕駛?cè)藦囊话岩巫由掀鹕?，然后行? m，再返回坐下的時(shí)間(s)；功能性伸展(functional reach)測試用于評估身體平衡能力，記錄被試者在站立位時(shí)維持平衡能前伸的最大距離(cm).

3) 一系列測試被用于評估認(rèn)知功能的各個(gè)方面.在總體認(rèn)知評估方面，簡易精神狀態(tài)檢查(MMSE)是一種簡潔而被廣泛使用的總體認(rèn)知功能檢測方法，測試得分范圍為0～30，得分較低說明認(rèn)知功能受損.畫鐘測試(clock drawing test)要求被試者正確畫出一個(gè)鐘表盤面，再畫上時(shí)針和分針，使時(shí)間指到11：10；該測試得分范圍為0～7，高分表示表現(xiàn)更佳.

在記憶力評估方面，八詞測試(eight word subtest)是一種聽覺語言學(xué)習(xí)能力測驗(yàn)，首先8個(gè)單詞被口頭呈現(xiàn)給被試者，并要求其盡可能多地回憶，重復(fù)5次，記錄正確回憶的單詞數(shù)(0～40)；在15 min后，被試者再次被要求回憶盡可能多的單詞(0～8)；最后，被試者被要求在含新增8個(gè)單詞的16詞中，正確判斷每個(gè)詞是否已檢測過(0～16)；3次結(jié)果依次記錄為八詞測試1、八詞測試2和八詞測試3.畫圖測試(rey complexgure test)要求被試者首先按示例臨摹圖像，隨后移除示例憑印象再次繪圖，最后在15 min后再憑記憶繪畫，3次作畫分別打分，分值0～36.數(shù)字回憶(WAIS Ⅲ-Digit Span)測試用于評估成年人的工作記憶能力，被試者被要求分別正向和逆序回憶一組數(shù)字序列，記錄正確回憶的位數(shù).

在注意力評估方面，連線測試(TMT)分為A與B兩部分，A部分(TMT-A)要求被試者對圖紙上的25個(gè)標(biāo)號(hào)點(diǎn)按數(shù)字順序正確連線，B部分(TMT-B)則要求將數(shù)字與字母相間按順序正確連線，分別記錄2次完成連線任務(wù)的時(shí)間(s).有效視野(UFOV)具有3個(gè)子測試，分別評估老年駕駛?cè)说囊曈X處理速度(UFOV1)、注意力分散(UFOV2)和選擇性注意力(UFOV3)，以ms為單位記錄反應(yīng)時(shí)間，取值16.7～500 ms，反應(yīng)時(shí)間越長則表明在測試中表現(xiàn)越差.

在執(zhí)行功能評估方面，交通標(biāo)志理解(knowledge of road sign)測試要求老年駕駛?cè)藢?0個(gè)道路標(biāo)志與交通場景匹配，3 min內(nèi)匹配正確記2分，超過3 min匹配正確記1分，否則不計(jì)分，得分范圍為0～40.迷宮測試(porteus maze test)是對視覺空間能力、規(guī)劃能力和視覺注意力的測試，記錄老年駕駛?cè)似平饷詫m的最高難度等級(jí)，取值為1～11.

1.2 模擬駕駛測試

被試者使用180°環(huán)繞投影與視場的STISIM Drive v3全車駕駛模擬器參與實(shí)驗(yàn).模擬場景包括城市道路、鄉(xiāng)村公路和高速公路等3種不同的道路環(huán)境，其中還包含6個(gè)已知對老年駕駛?cè)硕暂^難應(yīng)對的特殊事件.所有道路環(huán)境分別在交通流量高與低的情況下各呈現(xiàn)一次.駕駛模擬器采集了被試者在城市與鄉(xiāng)村道路無事件區(qū)域行駛時(shí)的平均速度和橫向位置標(biāo)準(zhǔn)差(SDLP)，采集頻率為60 Hz(高速公路環(huán)境僅涉及一個(gè)特殊事件，不包含正常行駛路段)；對于特殊事件而言，記錄被試者在其中相應(yīng)的駕駛表現(xiàn)衡量指標(biāo).各項(xiàng)記錄數(shù)據(jù)分別取在2種不同道路復(fù)雜程度下的平均值.

對6個(gè)特殊事件的具體描述和數(shù)據(jù)采集內(nèi)容介紹如下.

1) 合流變道事件要求被試者從高速公路的入口匝道出發(fā)，行駛并匯入高速公路主線；記錄被試者完成合流變道操作時(shí)所行駛的距離(m)，以下簡稱合流變道距離.

2) ?？刂平徊婵谥苿?dòng)事件要求被試者在鄉(xiāng)村路段行駛并接近一個(gè)停車標(biāo)志控制的十字路口；記錄被試者在交叉口前100 m內(nèi)的最大減速度(m/s2)，以衡量其剎車的突然性.

3) 斑馬線制動(dòng)事件要求被試者在鄉(xiāng)村路段行駛，并看到前方斑馬線處有行人打算過街；預(yù)設(shè)碰撞時(shí)間(TTC)為3 s時(shí)行人開始穿越馬路，記錄被試者開始制動(dòng)時(shí)到斑馬線的距離(m).

5) 行人無前兆意外橫穿事件要求被試者在鄉(xiāng)村路段上行駛并遭遇前方行人意外橫穿馬路，必須采取急剎車才能避免與這名行人相撞；記錄從行人開始橫穿到被試者首次松開油門(10%松開)的時(shí)間為檢測時(shí)間，用于衡量被試者感知和意識(shí)到危險(xiǎn)的能力；記錄從行人開始橫穿到被試者首次踩下剎車的時(shí)間為反應(yīng)時(shí)間，包含被試者感知、決策和執(zhí)行的全過程.該場景在低交通量情況下出現(xiàn).

6) 行人有前兆意外橫穿事件的記錄內(nèi)容與行人無前兆意外橫穿事件相同，區(qū)別在于該事件中行人橫穿處有公交站臺(tái)作為前兆.該場景在高交通量情況下出現(xiàn).

1.3 道路駕駛測試

道路駕駛測試仿照比利時(shí)的官方駕照發(fā)放程序進(jìn)行，被試者在一輛有專業(yè)駕駛適性評估員陪同的教練車上參與實(shí)驗(yàn).評估員基于觀察對被試者的駕駛表現(xiàn)進(jìn)行逐項(xiàng)評分，并根據(jù)總分將其分類為適合駕駛或不適合駕駛.

2 評價(jià)指標(biāo)選取

上述駕駛適性評估實(shí)驗(yàn)共采集到21項(xiàng)功能測試數(shù)據(jù)、12項(xiàng)模擬駕駛數(shù)據(jù)；根據(jù)道路駕駛測試結(jié)果，61名老年駕駛?cè)吮徽J(rèn)為適合繼續(xù)駕駛，而其余31位被認(rèn)為不適合繼續(xù)駕駛.以此將樣本分為2組，通過獨(dú)立樣本T檢驗(yàn)初步篩選指標(biāo)，再進(jìn)行分層逐步Logistic回歸確定評價(jià)指標(biāo)體系.

2.1 指標(biāo)初步篩選

對實(shí)驗(yàn)數(shù)據(jù)進(jìn)行Z-score標(biāo)準(zhǔn)化，消除量綱差異.對2組老年駕駛?cè)烁黜?xiàng)測試數(shù)據(jù)進(jìn)行獨(dú)立樣本T檢驗(yàn)，篩選出組間均值差異顯著(p<0.05)的變量.為評估所選變量均值在組間差異大小，計(jì)算其效應(yīng)量Cohen’sd；根據(jù)Cohen提出的標(biāo)準(zhǔn)，d代表小、中、大效應(yīng)量的3個(gè)閾值，分別為0.2、0.5與0.8[21].指標(biāo)初步篩選與效應(yīng)量計(jì)算的結(jié)果如下.

看著老婆那亂改古訓(xùn)蠻不講理的樣子，我只得說，我不是當(dāng)官了嗎？堂堂的縣農(nóng)業(yè)局副局長，副科級(jí)，月薪2358塊。

1) 在視覺與肢體功能評價(jià)指標(biāo)方面，視力(p=0.027,d=-0.49)、對比敏感度(p=0.014,d=-0.55)與功能性伸展(p<0.001,d=-0.78)初步入選.圖1(a)展示出該類指標(biāo)在2組老年駕駛?cè)酥械姆植继卣鳎砻鞑贿m合繼續(xù)駕駛的老年人視力、分辨邊界模糊物體的能力以及身體平衡能力更弱，并且差異顯著.

2) 在認(rèn)知功能評價(jià)指標(biāo)方面，八詞測試3(p=0.036,d=-0.47)、TMT-A(p=0.024,d=0.51)、UFOV1(p= 0.047,d=0.44)、UFOV2(p=0.004,d=0.65)、UFOV3(p=0.003,d=0.68)以及交通標(biāo)志理解等6項(xiàng)指標(biāo)初步入選.圖1(b)展示了該類指標(biāo)在2組老年駕駛?cè)酥械姆植继卣鳎砻鞑贿m合繼續(xù)駕駛的老年人記憶力更弱、完成注意力測試花費(fèi)的時(shí)間更長、對交通標(biāo)志的理解程度不足，并且差異顯著.

3) 在模擬駕駛評價(jià)指標(biāo)方面，鄉(xiāng)村路段SDLP(p=0.040,d=0.46)、合流變道距離(p=0.020,d=0.52)以及無前兆檢測時(shí)間(p=0.034,d=0.48)初步入選.圖1(c)為該類指標(biāo)在2組老年駕駛?cè)酥械姆植继卣?，表明不適合繼續(xù)駕駛的老年人在鄉(xiāng)村路段行駛時(shí)的橫向偏移更大、完成合流變道操作的行駛距離更長，在無前兆情況下對行人橫穿的檢測時(shí)間更長，并且差異顯著.

(a) 視覺與肢體

(b) 認(rèn)知能力

(c) 模擬駕駛

如圖1所示，以上共有12項(xiàng)實(shí)驗(yàn)數(shù)據(jù)通過初步篩選，2組老年駕駛?cè)嗽谶@些測試中的表現(xiàn)差異顯著.其中，對比敏感度、功能性伸展、TMT-A、UFOV2、UFOV3、交通標(biāo)志理解以及合流變道距離等7項(xiàng)指標(biāo)對組間差異具有中等以上效應(yīng)；功能性伸展指標(biāo)接近大效應(yīng)量水平.

2.2 指標(biāo)體系確定

為進(jìn)一步簡化老年人駕駛適性評價(jià)指標(biāo)體系和評估方法，并有效結(jié)合功能測試與模擬駕駛，參考文獻(xiàn)[4, 20]方法，用分層逐步Logistic回歸確定評價(jià)指標(biāo)體系.逐步回歸是常用的特征選擇方法，能夠基于模型篩選建模變量；分層則能夠在功能測試指標(biāo)基礎(chǔ)上考察模擬駕駛數(shù)據(jù)是否對模型有顯著提升.先將上述9項(xiàng)功能測試數(shù)據(jù)加入回歸模型，再加入上述3項(xiàng)模擬駕駛數(shù)據(jù)，分別進(jìn)行以似然比為迭代計(jì)算值的向后逐步Logistic回歸.

僅用功能測試數(shù)據(jù)得到的回歸結(jié)果如表1所示，確定對比敏感度、功能性伸展以及交通標(biāo)志理解為評價(jià)指標(biāo).該模型χ2(3)=18.759，具有統(tǒng)計(jì)意義(p<0.001)，所解釋的變異即R2=0.256.

表1 功能測試數(shù)據(jù)回歸結(jié)果

結(jié)合功能測試與模擬駕駛數(shù)據(jù)的回歸結(jié)果如表2所示，除以上3項(xiàng)功能測試指標(biāo)外，合流變道距離進(jìn)入評價(jià)指標(biāo)集.該模型χ2(4)=22.612，相比于上一模型(χ2(3)=18.759)有顯著提升(χ2(1)=3.853>3.840，p<0.05)；所解釋的變異為0.302，其中合流變道距離解釋了0.046的變異，證明了選擇該指標(biāo)的合理性.

表2 功能測試與模擬駕駛數(shù)據(jù)回歸結(jié)果

綜上，對比敏感度、功能性伸展、交通標(biāo)志理解以及合流變道距離等4項(xiàng)指標(biāo)被確定為老年駕駛?cè)笋{駛適性評價(jià)指標(biāo)，分別代表視覺、身體、認(rèn)知和模擬駕駛等4個(gè)方面.

3 駕駛適性評估模型

老年人駕駛適性的評估結(jié)果為適合或不適合繼續(xù)駕駛，可視為二分類問題.盡管Logistic回歸可以用于解決該問題，但大多數(shù)情況下其效果并不理想[12-17].因此，本文應(yīng)用了決策樹、隨機(jī)森林和支持向量機(jī)等主流機(jī)器學(xué)習(xí)分類模型以預(yù)測老年駕駛?cè)说缆否{駛測試的結(jié)果，并對其進(jìn)行比選.上述模型各有其優(yōu)缺點(diǎn)，如表3所示.

表3 分類模型優(yōu)缺點(diǎn)

3.1 建模方法

以評價(jià)指標(biāo)數(shù)據(jù)為特征、道路測試結(jié)果為標(biāo)簽，分別訓(xùn)練決策樹、隨機(jī)森林與支持向量機(jī)模型，評估其泛化能力，建模過程在RStudio中實(shí)現(xiàn).

由于樣本中通過道路測試的老年駕駛?cè)藬?shù)量約為未通過者的2倍(61∶31)，在訓(xùn)練集抽樣過程中容易造成2類樣本數(shù)量差異較大.一般而言，數(shù)量偏少一類對算法模型目標(biāo)函數(shù)的貢獻(xiàn)較低，故許多機(jī)器學(xué)習(xí)算法在不平衡數(shù)據(jù)集上的總體準(zhǔn)確度不高，且對少數(shù)類的預(yù)測準(zhǔn)確度很低.為保障交通安全，駕駛適性評估模型應(yīng)當(dāng)對不適合繼續(xù)駕駛的老年人具有較高的評估準(zhǔn)確率.因此，需要對訓(xùn)練集數(shù)據(jù)進(jìn)行平衡處理.SMOTE算法是一種合成采樣方法，能夠隨機(jī)近似生成少數(shù)類樣本，以達(dá)到平衡訓(xùn)練集的目的；該方法可以通過R語言中的ROSE(random over-sampling examples)程序包實(shí)現(xiàn).

用留出法將70%的數(shù)據(jù)進(jìn)行平衡處理后用于訓(xùn)練模型，其余30%的數(shù)據(jù)留作測試.通過設(shè)定不同的隨機(jī)種子對數(shù)據(jù)集進(jìn)行10次劃分，并分別對決策樹、隨機(jī)森林以及支持向量機(jī)進(jìn)行訓(xùn)練，各模型的參數(shù)(如決策樹的剪枝復(fù)雜度、隨機(jī)森林中決策樹的數(shù)量、支持向量機(jī)的誤分類懲罰因子等)經(jīng)過試錯(cuò)標(biāo)定，以測試集分類準(zhǔn)確率的平均值比選模型.

3.2 結(jié)果分析

3種模型10次訓(xùn)練的評估結(jié)果如表4所示.由表可知，支持向量機(jī)在測試集上的平均預(yù)測準(zhǔn)確率最高(75.05%)，且標(biāo)準(zhǔn)差最小(6.80%)，泛化能力最強(qiáng)，相比決策樹與隨機(jī)森林優(yōu)勢明顯.

表4 模型評估準(zhǔn)確度 %

為驗(yàn)證訓(xùn)練數(shù)據(jù)平衡處理的效果，以原始不平衡數(shù)據(jù)對支持向量機(jī)進(jìn)行了訓(xùn)練，評估結(jié)果如表4所示.對比兩者可見，用平衡數(shù)據(jù)訓(xùn)練的支持向量機(jī)預(yù)測準(zhǔn)確率整體更高，而用原始數(shù)據(jù)訓(xùn)練的支持向量機(jī)表現(xiàn)更為穩(wěn)定，需對兩者進(jìn)行衡量和取舍.觀察表4中第5次數(shù)據(jù)集劃分發(fā)現(xiàn)，使用平衡數(shù)據(jù)和原始數(shù)據(jù)訓(xùn)練的支持向量機(jī)測試準(zhǔn)確率相同，可比較分析兩者的混淆矩陣，如表5和表6所示.

表5 平衡數(shù)據(jù)建?；煜仃?/p>

表6 原始數(shù)據(jù)建?；煜仃?/p>

在本次數(shù)據(jù)集隨機(jī)劃分中測試集僅有15個(gè)樣本，其中4人不適合繼續(xù)駕駛.以原始數(shù)據(jù)訓(xùn)練的模型誤判其中3人為適合繼續(xù)駕駛，而以平衡數(shù)據(jù)訓(xùn)練的模型對其判斷完全正確.數(shù)據(jù)平衡處理盡管小量增加了預(yù)測準(zhǔn)確率的波動(dòng)，但對總體和少數(shù)類的預(yù)測準(zhǔn)確率有所提升.

綜上，用平衡數(shù)據(jù)集訓(xùn)練的支持向量機(jī)模型評估效果最佳，其最高準(zhǔn)確率為84.6%，模型核函數(shù)為高斯函數(shù)，高斯核帶寬γ=0.25，誤分類懲罰因子cost=1.該模型的混淆矩陣如表7所示，能正確識(shí)別88.9%的適合繼續(xù)駕駛的老年駕駛?cè)?，以?5%的不適合繼續(xù)駕駛的老年駕駛?cè)耍梢蕴娲缆窚y試進(jìn)行老年人駕駛適性評估.

表7 最佳模型混淆矩陣

4 討論

本文通過獨(dú)立樣本T檢驗(yàn)與分層逐步Logistic回歸提取出對比敏感度、功能性伸展、交通標(biāo)志理解以及合流變道距離等4項(xiàng)評價(jià)指標(biāo)，并以此建立老年人駕駛適性評估模型.所選取的指標(biāo)覆蓋視覺、肢體、認(rèn)知與模擬駕駛等4個(gè)方面，結(jié)合了功能測試與模擬駕駛；以此建立的模型具有較好的評估效果，驗(yàn)證了Cuenen等[10]的結(jié)論.

研究結(jié)果證明了視覺能力對駕駛的重要作用[8]，尤其突出了對比敏感度在駕駛適性評估中的作用，而沒有將視力作為評價(jià)指標(biāo)；對比敏感度測試對于青光眼、黃斑病等的早期發(fā)現(xiàn)具有重要實(shí)用價(jià)值，這些視覺疾病對駕駛能力均有極大負(fù)面影響.此外，研究結(jié)果還說明功能性伸展所衡量的老年駕駛?cè)松眢w平衡能力對安全駕駛有重要作用.

對交通標(biāo)志的認(rèn)識(shí)和理解是駕駛需具備的重要能力，忽視、誤解交通標(biāo)志信息會(huì)對個(gè)人出行與交通流的安全與效率造成負(fù)面影響.合流變道距離是綜合性的評價(jià)指標(biāo)，駕駛?cè)藦脑训绤R入主線需多次觀察后視鏡、判斷變道時(shí)機(jī)并同時(shí)留意前方路況才能安全、有效地完成，對老年駕駛?cè)说淖⒁饬x擇和集中具有一定要求；該指標(biāo)將所需的認(rèn)知能力反映在模擬駕駛操作上，而有效視野(UFOV)、連線測試(TMT)等常用注意力測試[23-24]在本文中未能入選評價(jià)指標(biāo)體系.

模型建立與比選方面，支持向量機(jī)總體而言效果最佳，說明其在處理小樣本分類問題上有優(yōu)勢；隨機(jī)森林優(yōu)于決策樹符合集成學(xué)習(xí)器優(yōu)于個(gè)體學(xué)習(xí)器的規(guī)律.訓(xùn)練與測試數(shù)據(jù)集的不同劃分對預(yù)測準(zhǔn)確率有較大影響，這與合成采樣有關(guān)；但總體而言數(shù)據(jù)平衡的利大于弊，對預(yù)測效果提升較大.所構(gòu)建的老年人駕駛適性評估方法準(zhǔn)確率可達(dá)84.6%，可以有效替代道路駕駛測試；其評估結(jié)果可為老年駕駛?cè)苏{(diào)整駕駛行為(如避免在復(fù)雜道路和夜間行車)、針對性提升駕駛能力(如通過認(rèn)知訓(xùn)練與模擬駕駛訓(xùn)練)以及采用輔助駕駛技術(shù)等提供參考意見.然而不同于Logistic回歸或決策樹等能夠明晰特征變量與預(yù)測標(biāo)簽之間作用關(guān)系或分類規(guī)則的模型，支持向量機(jī)屬于黑箱模型，只對結(jié)果起判別作用，但足以解決實(shí)際問題.

本研究的樣本絕大部分為男性，由于駕駛?cè)说男袨樘卣髟趦尚灾g普遍有所不同，因此所提出的預(yù)測方法在男性高齡駕駛?cè)后w中更為有效.最后，選擇比利時(shí)的老年駕駛?cè)藶檠芯繉ο蟮脑蚴潜壤麜r(shí)作為歐洲發(fā)達(dá)國家之一，相比我國提前幾十年進(jìn)入了老齡化時(shí)代，目前面臨的老年駕駛?cè)私煌ò踩珕栴}較為嚴(yán)峻，對其展開研究可以為我國將來解決類似的現(xiàn)實(shí)問題提供參考.后續(xù)將在國內(nèi)組織實(shí)驗(yàn)驗(yàn)證該評估方法對我國老年駕駛?cè)说挠行裕⑦m用于我國的老年人駕駛適性評估方法；此外，為兼顧交通安全與老年人的出行需求，進(jìn)一步研究可從面向老年人的公交服務(wù)系統(tǒng)、駕駛能力訓(xùn)練方法以及智能輔助駕駛系統(tǒng)設(shè)計(jì)等方面展開.

5 結(jié)論

1) 本文從92名比利時(shí)老年駕駛?cè)说墓δ軠y試與模擬駕駛數(shù)據(jù)中提取出適當(dāng)?shù)脑u價(jià)指標(biāo)，構(gòu)建了替代道路駕駛測試的老年人駕駛適性評估方法，其準(zhǔn)確率最高可達(dá)84.6%.

2) 對比敏感度、功能性伸展、交通標(biāo)志理解以及合流變道距離可作為老年人駕駛適性評價(jià)指標(biāo)，涵蓋了視覺、身體、認(rèn)知和模擬駕駛等4個(gè)方面.其中，模擬駕駛指標(biāo)具有不可忽視的作用.

3) 支持向量機(jī)對老年人駕駛適性的檢測效果較決策樹與隨機(jī)森林更好.通過合成采樣平衡訓(xùn)練數(shù)據(jù)中的大小類樣本量對于總體和不適合繼續(xù)駕駛的老年人判斷準(zhǔn)確率提升很大.

4) 評估結(jié)果可為老年駕駛?cè)苏{(diào)整駕駛行為、訓(xùn)練提升駕駛能力、使用輔助駕駛技術(shù)等提供參考意見.后續(xù)將在國內(nèi)組織實(shí)驗(yàn)，研究針對我國老年駕駛?cè)说鸟{駛適性評估方法和改善措施.