駕駛壓力影響因素與識別方法研究綜述

楊柳，楊瑩，宋允洲，張宇

(1.武漢理工大學(xué)，交通與物流工程學(xué)院，武漢 430063；2.同濟(jì)大學(xué)，鐵道與城市軌道交通研究院，上海 201804)

0 引言

在日常駕駛過程中，大量的刺激可以被視為不需要或和預(yù)想不一致的，例如，交通擁堵、時(shí)間壓力、惡劣天氣及突發(fā)狀況等。這些刺激將增加駕駛?cè)说木窆ぷ髁?，形成壓力源，引發(fā)駕駛?cè)水a(chǎn)生壓力感與壓力反應(yīng)。適度的壓力可以誘發(fā)積極的情感，提升駕駛?cè)藢︸{駛?cè)蝿?wù)的專注度，提升駕駛績效。但是，過低的壓力容易導(dǎo)致駕駛?cè)嗽隈{駛過程中無聊和嗜睡，導(dǎo)致注意力不集中。同時(shí)，過度的壓力會使駕駛?cè)搜獕汉托穆噬仙?，引起消極負(fù)面情緒(例如，緊張和憤怒)，導(dǎo)致身體不良反應(yīng)增多，影響駕駛?cè)说淖⒁饬Α⑴袛嗔蜎Q策力，不僅降低駕駛績效，還會對道路交通安全產(chǎn)生危害[1]。相關(guān)研究指出，駕駛壓力是導(dǎo)致車輛碰撞事故的重要因素，能使車輛碰撞事故發(fā)生的概率增加近10倍，澳大利亞交通事故報(bào)告顯示，感到壓力是造成重大車禍的因素之一[2]。因此，掌握駕駛壓力水平演化規(guī)律將幫助駕駛?cè)撕侠響?yīng)對壓力，提升駕駛行為表現(xiàn)，提升道路運(yùn)行效率與交通安全水平。

車輛駕駛是一項(xiàng)復(fù)雜的任務(wù)，駕駛?cè)怂邮盏降膩碜詢?nèi)外部的各影響因素形成壓力源，導(dǎo)致駕駛壓力的產(chǎn)生。因此，系統(tǒng)性總結(jié)駕駛壓力影響因素尤為重要。但現(xiàn)有研究對于駕駛壓力影響因素與駕駛壓力間的相互關(guān)系尚未探索完全，例如，駕駛?cè)诵愿瘛④囕v及道路環(huán)境等與駕駛壓力間的影響機(jī)理，多因素疊加下如何影響駕駛壓力等問題，尚缺乏全面具體的綜合性研究分析。此外，駕駛壓力與駕駛?cè)丝冃揭约暗缆方煌ò踩⑾⑾嚓P(guān)。同時(shí)，隨著自動駕駛技術(shù)、人機(jī)交互及高級輔助駕駛系統(tǒng)等新技術(shù)的發(fā)展，針對駕駛壓力的實(shí)時(shí)監(jiān)測技術(shù)在智能駕駛、無人駕駛以及智能可穿戴設(shè)備等領(lǐng)域有著廣闊的應(yīng)用前景。但現(xiàn)有壓力識別方法，例如，主觀測評量表，雖簡便卻具有一定主觀性；駕駛行為數(shù)據(jù)的采集雖具有非侵入性的優(yōu)點(diǎn)，但易受環(huán)境和車輛等多種因素的干擾；生理數(shù)據(jù)與駕駛?cè)松硇臓顟B(tài)直接關(guān)聯(lián)，卻難以獲取且易存在偽跡。因此，除需要系統(tǒng)性總結(jié)駕駛壓力的影響因素外，還需要綜述其識別方法，為提高駕駛壓力識別的有效性和準(zhǔn)確性指明方向。

為了解駕駛壓力領(lǐng)域當(dāng)前的研究熱點(diǎn)和趨勢，本文采用文獻(xiàn)計(jì)量學(xué)方法，檢索WOS(Web of Science)核心合集數(shù)據(jù)庫近20 年的駕駛壓力研究領(lǐng)域的文獻(xiàn)，并借助CiteSpace 軟件進(jìn)行可視化分析，如圖1和圖2所示。

圖1 關(guān)鍵詞共現(xiàn)知識圖譜Fig.1 Keywords clustering knowledge graph

圖2 關(guān)鍵詞突現(xiàn)知識圖譜Fig.2 Keywords emergent knowledge graph

通過圖1關(guān)鍵詞共現(xiàn)知識圖譜可知，包括駕駛?cè)巳烁?、表現(xiàn)、疲勞、道路及時(shí)間等在內(nèi)的駕駛?cè)藘?nèi)外部因素的研究，與駕駛壓力的影響相關(guān)。同時(shí)，圖1 中心率變異性、心率及壓力識別等高頻關(guān)鍵詞，以及圖2 關(guān)鍵詞突現(xiàn)知識圖譜中，突現(xiàn)強(qiáng)度較高的心率、皮膚電活動及生理信號等關(guān)鍵詞表明，利用心率和皮膚電反應(yīng)等生理信號識別駕駛壓力為當(dāng)前的研究熱點(diǎn)及趨勢?；谝陨峡梢暬治鼋Y(jié)果，本文將歸納匯總駕駛壓力影響因素以及駕駛壓力識別方法相關(guān)的研究成果，并在此基礎(chǔ)上展望駕駛壓力未來研究趨勢。

1 駕駛壓力影響因素分析

駕駛?cè)俗鳛榈缆方煌ōh(huán)境的主體，影響其駕駛壓力的因素來自于內(nèi)外部多個(gè)方面，本文主要將駕駛壓力影響因素分為駕駛?cè)俗陨硪蛩?、車輛外部環(huán)境因素和內(nèi)部環(huán)境因素這3方面，如圖3所示。

圖3 駕駛壓力影響因素Fig.3 Influencing factors of driver stress

1.1 駕駛?cè)俗陨硪蛩?/h3>

駕駛?cè)耸邱{駛行為的主體，駕駛?cè)俗陨砬闆r能夠直接影響駕駛壓力。研究表明，駕駛?cè)说娜烁裉卣鳌⑿睦硪蛩?、生理因素以及人口統(tǒng)計(jì)特征等均會對駕駛壓力造成影響。QU 等[3]在對駕駛壓力問卷的驗(yàn)證中發(fā)現(xiàn)，女性駕駛?cè)嗽隈{駛過程中更易感到壓力和疲勞。HILL等[4]的研究指出，老年駕駛?cè)说膲毫λ揭蕾囉谥車h(huán)境，通常情況下，報(bào)告的壓力水平高于年輕駕駛?cè)?。此外，人格特征中的神?jīng)質(zhì)、精神質(zhì)和外傾性等因素[5]，以及駕駛?cè)说乃?、疲勞和駕駛恐懼、不耐煩情緒等生理和心理因素也與駕駛壓力密切相關(guān)[6-7]。USECHE等[8]對快速公交駕駛?cè)说难芯勘砻?，疲勞在與壓力相關(guān)的工作條件和危險(xiǎn)駕駛行為之間具有中介效應(yīng)。駕駛?cè)怂惺艿降鸟{駛壓力也會被具有自身特征的駕駛經(jīng)驗(yàn)與駕駛行為習(xí)慣所影響[9]。若駕駛?cè)嗽?jīng)歷過績效失敗，例如，撞車等歷史事件，會使駕駛?cè)嗽隈{駛時(shí)承受較大的壓力[4]，甚至可能產(chǎn)生駕駛焦慮和創(chuàng)傷后應(yīng)激障礙。

1.2 車輛外部環(huán)境因素

1.2.1 天氣因素

為了判斷能見度對駕駛壓力的影響，RIMINIDOERING 等[10]模擬低能見度的駕駛環(huán)境，以誘發(fā)疲勞和壓力。研究結(jié)果表明，低能見度(例如，夜間駕駛)可以被視為影響駕駛?cè)藟毫λ降囊蛩刂?。朱興林等[11]研究發(fā)現(xiàn)，高原公路不同天氣狀況對駕駛?cè)说墓ぷ髫?fù)荷有顯著的影響，駕駛?cè)斯ぷ髫?fù)荷因天氣條件的惡劣程度和海拔高度的增加而增加。

1.2.2 道路條件

道路線形和道路設(shè)施等道路條件會對駕駛壓力產(chǎn)生影響。研究表明，駕駛壓力與道路的復(fù)雜程度存在正相關(guān)性[12]，道路越復(fù)雜，駕駛壓力程度越高。穿過隧道和在高速公路上變道等行為對駕駛?cè)说能囕v操作需求較為強(qiáng)烈，會誘發(fā)駕駛?cè)水a(chǎn)生較高的駕駛壓力[13-14]。駕駛壓力與車輛行駛區(qū)域道路的復(fù)雜程度[12]存在正相關(guān)性。此外，研究發(fā)現(xiàn)，高速公路隧道縱坡的坡度對駕駛?cè)说男穆首兓视邢喈?dāng)大的影響，能夠造成駕駛壓力[15-16]。

1.2.3 交通環(huán)境

交通擁堵現(xiàn)象能使駕駛?cè)说臅r(shí)間流動感知變慢，感到困倦和駕駛壓力增加，道路越擁擠，駕駛?cè)烁兄降鸟{駛壓力水平越高[17]。在駕駛過程中，駕駛?cè)丝赡軙艿浇煌ㄏ到y(tǒng)中其他個(gè)體的影響，出現(xiàn)不可預(yù)見的緊急情況。例如，在駕駛過程中，側(cè)方車輛突然變道切入所駕駛車輛的前方，需要駕駛?cè)司o急制動，這樣的突發(fā)狀況可能間接增加駕駛?cè)说纳硇膲毫18]。此外，車輛行駛區(qū)域發(fā)生的交通事故數(shù)量越多，駕駛?cè)耸艿降膲毫υ酱骩19]。李顯生等[20]定義了6種不同的交通沖突類型，并通過模擬駕駛實(shí)驗(yàn)驗(yàn)證了不同類型的沖突場景會對駕駛?cè)水a(chǎn)生不同的影響。

1.2.4 社會環(huán)境

在社會背景方面，社會歧視與駕駛壓力呈正相關(guān)態(tài)勢，受歧視水平更高的駕駛?cè)嗽隈{駛過程中感受到更多壓力，且更容易產(chǎn)生焦慮和慢性疼痛等病癥[21]。公交司機(jī)作為職業(yè)駕駛?cè)耍蛟馐苈殬I(yè)壓力而影響駕駛行為，甚至影響其身心健康[22]。社會環(huán)境中，工作壓力和時(shí)間壓力也與駕駛壓力相關(guān)。多任務(wù)處理和顯示不確定性等工作量因素與駕駛壓力密切相關(guān)[23]。時(shí)間緊迫而超速是造成交通事故的主要原因。研究表明，人們會通過增加生理活動或調(diào)整任務(wù)策略緩解任務(wù)需求，以應(yīng)對時(shí)間壓力[24]，并且時(shí)間壓力會導(dǎo)致駕駛?cè)嗽隈{駛過程中表現(xiàn)出較高的侵略性，給交通安全帶來隱患[25]。此外，COVID-19 大流行的社會環(huán)境與駕駛?cè)嗽诘缆沸旭傔^程中感受到的壓力存在相關(guān)性，且COVID-19 大流行加劇了現(xiàn)有的壓力源并引入了新的壓力源[26]。

1.3 車輛內(nèi)部環(huán)境因素

1.3.1 新技術(shù)使用

隨著科技的發(fā)展，越來越多的高新技術(shù)被應(yīng)用到汽車當(dāng)中，這些新興技術(shù)在某些情況下也會對駕駛壓力產(chǎn)生影響。研究表明，導(dǎo)航和警示危險(xiǎn)的行為[27]、導(dǎo)航系統(tǒng)的指示[28]及運(yùn)行不當(dāng)?shù)淖詣玉{駛系統(tǒng)[29]等均有可能在某些情況下增加駕駛壓力。ARAKAWA等[30]借助腦電、眼動及血壓等生理數(shù)據(jù)研究駕駛?cè)说男睦砩硖卣鳎芯拷Y(jié)果表明，自動駕駛下的精神負(fù)荷較小，認(rèn)知水平較低，眼動數(shù)據(jù)顯示駕駛?cè)嗽谙到y(tǒng)故障需要切換手動駕駛時(shí)會發(fā)生“精神分散”，且依賴自動駕駛系統(tǒng)的駕駛?cè)舜藭r(shí)會承受較大的壓力。

1.3.2 車輛性能

近年來，隨著科技水平的提高和綠色發(fā)展的要求，電動汽車和自動駕駛汽車等新型交通工具應(yīng)運(yùn)而生。KIM等[31]分析了受試者的腦電圖、生理數(shù)據(jù)以及車輛運(yùn)行數(shù)據(jù)(例如，充電狀態(tài)，高度和速度)，發(fā)現(xiàn)電動汽車可能存在更高的駕駛挑戰(zhàn)性，并會導(dǎo)致更高的駕駛壓力。RAUH 等[32]和FRANKE 等[33]研究電動汽車的可行駛范圍限制對駕駛壓力的影響，結(jié)果表明，駕駛電動汽車時(shí)，預(yù)期行程與可行駛范圍沖突會增加駕駛壓力。此外，里程壓力在性別上表現(xiàn)出一定差異，女性駕駛?cè)藢τ诶锍虊毫Ω鼮槊舾衃30]。

1.3.3 車內(nèi)干擾

在車輛運(yùn)行過程中，乘客與駕駛?cè)说幕咏涣鲿︸{駛?cè)说臓顟B(tài)產(chǎn)生干擾，使駕駛?cè)朔中?，產(chǎn)生駕駛壓力[34]。WIESENTHAL 等[35]通過檢驗(yàn)過的調(diào)查問卷研究發(fā)現(xiàn)，聆聽自選音樂能夠在擁堵路況下舒緩駕駛?cè)说膲毫?。潘福全等[36]基于Logitech仿真駕駛器研究手機(jī)通話對駕駛?cè)说挠绊懀芯拷Y(jié)果表明，駕駛?cè)耸褂梦⑿耪Z音通話時(shí)，心率和呼吸速率指標(biāo)的變化程度最大，緊張感最強(qiáng)烈。

相關(guān)研究的實(shí)驗(yàn)規(guī)模、樣本數(shù)據(jù)來源、數(shù)據(jù)類別及數(shù)據(jù)分析方法等內(nèi)容，如表1所示。

表1 駕駛壓力影響因素相關(guān)研究內(nèi)容匯總Table 1 Summary of related research on influencing factors of driver stress

2 駕駛壓力識別方法研究

根據(jù)選取的壓力指標(biāo)數(shù)據(jù)來源，駕駛壓力識別方法主要可分為基于主觀測評量表、駕駛行為、生理數(shù)據(jù)以及多模態(tài)數(shù)據(jù)融合的壓力識別方法。

2.1 基于主觀測評量表的識別

基于主觀測評量表的壓力識別指通過駕駛?cè)藢毫λ降闹饔^評價(jià)、駕駛?cè)藟毫α勘?DSI)、壓力喚醒清單(SACL)、鄧迪壓力狀態(tài)量表(DSSQ)及跨駕駛員壓力量表(TDS-15)等測量被試者直接感受到的情感體驗(yàn)。MATTHEWS等[37]所設(shè)計(jì)的駕駛?cè)藟毫α勘?DSI)由刺激尋求、攻擊性、不喜駕駛、危險(xiǎn)監(jiān)控和疲勞傾向這5個(gè)因素組成，主要測試駕駛?cè)藢ι硇膲毫Φ恼J(rèn)知、情感和行為反應(yīng)。MACKAY等[38]研究的壓力喚醒清單(SACL)最初是一種情緒形容詞清單，包括17 個(gè)壓力項(xiàng)和13 個(gè)喚醒項(xiàng)，通過詢問駕駛?cè)说母杏X檢查壓力感。MATTHEWS 等[39]設(shè)計(jì)的鄧迪壓力狀態(tài)量表(DSSQ)主要用于分析不同性能環(huán)境中普遍存在的各種壓力源對駕駛?cè)说挠绊懞头治鲇绊懙膫€(gè)體差異性，通過動機(jī)、認(rèn)知和情感領(lǐng)域這3 個(gè)方面測量主觀狀態(tài)，擴(kuò)展情緒評估。不同量表的目的和側(cè)重點(diǎn)有所不同，單個(gè)實(shí)驗(yàn)中，可以將不同的量表相結(jié)合用于特定的研究目的。例如，F(xiàn)UNKE 等[40]將DSSQ 中的駕駛壓力部分與NASA 任務(wù)負(fù)荷指數(shù)(NASA-TLX)相結(jié)合，采用6 個(gè)10 分的評分標(biāo)準(zhǔn)對精神，身體和時(shí)間需求的程度，與任務(wù)相關(guān)的績效，努力和挫敗感進(jìn)行自我評估報(bào)告。

主觀測評量表具有簡單便捷和成本低的優(yōu)點(diǎn)。然而，基于主觀測評量表的壓力識別往往缺乏客觀性，且通常需要設(shè)定一組特定目的的問題和選項(xiàng)。因此，主觀評估通常被作為壓力標(biāo)簽使用[41]。此外，主觀壓力評估表通常在實(shí)驗(yàn)過程中或?qū)嶒?yàn)后進(jìn)行評估。實(shí)驗(yàn)過程中，駕駛?cè)送ǔＲ钥陬^形式回答問卷問題，這會導(dǎo)致駕駛?cè)朔中?，存在一定安全隱患；而實(shí)驗(yàn)后評估會因駕駛?cè)顺霈F(xiàn)難以回憶起駕駛過程中出現(xiàn)的壓力事件情況，而影響結(jié)果準(zhǔn)確性。

2.2 基于駕駛行為的識別

基于駕駛行為的壓力識別主要指通過對方向盤運(yùn)動、駕駛速度、車輛軌跡和車輛距障礙物之間的距離等駕駛行為相關(guān)數(shù)據(jù)識別駕駛壓力。SCHI?L等[42]通過對方向盤運(yùn)動情況和車輛速度的監(jiān)測，辨別有壓力和無壓力的駕駛事件。LEE等[43]開發(fā)了一個(gè)壓力預(yù)測駕駛輔助系統(tǒng)，使用方向盤運(yùn)動，即測量操縱方向盤的駕駛?cè)耸植窟\(yùn)動。智能車輛系統(tǒng)，例如ViewCar，GYS等[44]可以監(jiān)視真實(shí)車輛中方向盤的轉(zhuǎn)向模式，并識別車道和加速模式，記錄并分析收集到的數(shù)據(jù)，以監(jiān)視和測量駕駛?cè)说膲毫拘褷顟B(tài)。BORIL 等[45]通過車輛方向盤運(yùn)動情況及車速判斷駕駛?cè)嗽诮哟螂娫挼确中臓顟B(tài)下的壓力狀況。LU等[46]將車輛速度和加速度等駕駛行為數(shù)據(jù)與駕駛環(huán)境數(shù)據(jù)相結(jié)合，采用XGBoost算法識別低、中及高這3 種等級的駕駛壓力水平。MAGANA 等[47]考慮先前的駕駛行為數(shù)據(jù)，基于休息駕駛、疲勞駕駛、交通擁堵和能見度這4種情況，利用深層信念網(wǎng)絡(luò)預(yù)測駕駛壓力。

駕駛行為數(shù)據(jù)采集過程是非侵入性的，不會對正在駕駛的駕駛?cè)水a(chǎn)生干擾，現(xiàn)有研究通常將駕駛行為數(shù)據(jù)與生理數(shù)據(jù)等其他數(shù)據(jù)結(jié)合使用[48]。駕駛模擬器具有易于控制實(shí)驗(yàn)條件[49]和便于設(shè)置實(shí)驗(yàn)場景[50]的優(yōu)點(diǎn)，被廣泛使用于采集駕駛行為數(shù)據(jù)。但是，相比于真實(shí)駕駛環(huán)境，駕駛模擬器的模擬能力有限，駕駛?cè)怂惺艿降膲毫π∮谡鎸?shí)駕駛環(huán)境[51]，從而影響壓力的識別研究。

2.3 基于生理數(shù)據(jù)的識別

相比上述兩種方法，基于生理數(shù)據(jù)的壓力識別應(yīng)用更為廣泛。該方法主要借助相關(guān)生理數(shù)據(jù)采集設(shè)備，采集駕駛?cè)藟毫顟B(tài)變化時(shí)的生理數(shù)據(jù)，主要包括：腦電(Electroencephalogram,EEG)、心電(Electrocardiogram, ECG)、肌電(Electromyogram,EMG)、皮電(皮膚電導(dǎo)或皮膚電反應(yīng)(Galvanic Skin Response, GSR))、呼 吸 頻 率(Breathing Frequency,BR)及心率變異性(Heart Rate Variability,HRV)等[52-59]。

在上述生理數(shù)據(jù)中，心電與皮電信號被認(rèn)為是與駕駛壓力最為相關(guān)的生理數(shù)據(jù)[60-61]。心電信號，例如，心率和心率變異性能夠反映心臟自主神經(jīng)系統(tǒng)的狀態(tài)，直接反映心臟活動，其時(shí)域及頻域指標(biāo)常用于測量瞬時(shí)駕駛?cè)藟毫Ψ磻?yīng)和衡量駕駛壓力等級。SLOAN 等[62]證明壓力與頻域指標(biāo)中LF/HF的比值顯著相關(guān)。MUNOZ等[63]提取心率變異性的LF/HF比值與RMSSD，識別三分類駕駛壓力等級，準(zhǔn)確率達(dá)97.5%。皮電信號也是檢測駕駛?cè)藟毫ΤＳ玫纳頂?shù)據(jù)，當(dāng)駕駛?cè)颂幱趬毫顟B(tài)時(shí)，其皮膚電導(dǎo)隨之增加[61]。除心電與皮電信號外，腦電、呼吸及肌電等信號也被用于駕駛壓力的識別。壓力會顯著影響大腦的認(rèn)知功能，腦電信號的不對稱、α、β、θ和γ頻帶的功率[64]等特征被用于壓力識別。將腦電應(yīng)用于駕駛行為領(lǐng)域有助于提高駕駛?cè)说恼J(rèn)知水平[65]。但微弱的腦電信號在采集過程中極易受到其他噪聲信號的干擾，需要經(jīng)過濾波和去除偽跡等一系列復(fù)雜的處理過程，信息提取上有較高的難度。呼吸信號能夠反映駕駛?cè)说膲毫σ约扒榫w狀態(tài)，其統(tǒng)計(jì)特征與壓力水平之間具有明顯的相關(guān)性。肌電信號的平均值、均方根及過零率等統(tǒng)計(jì)特征能夠用于檢測壓力水平，其中，過零率的相關(guān)性最強(qiáng)。為了減少對駕駛?cè)说挠绊?，通常采用表面肌電作為試?yàn)數(shù)據(jù)，其中位頻率能更好地反應(yīng)交通中駕駛?cè)说募∪饩o張情況。部分基于生理數(shù)據(jù)的駕駛壓力識別相關(guān)研究情況如表2所示。

表2 基于生理數(shù)據(jù)的駕駛壓力識別研究匯總Table 2 Summary of studies on driver stress recognition based on physiological signals

將基于生理數(shù)據(jù)的駕駛壓力識別方法與以上兩種方法比較分析發(fā)現(xiàn)，生理數(shù)據(jù)能直接反應(yīng)駕駛?cè)说纳硇臓顟B(tài)。并且，基于生理數(shù)據(jù)的壓力狀態(tài)識別不僅能夠連續(xù)實(shí)時(shí)監(jiān)測駕駛?cè)说纳碜兓闆r，對駕駛壓力水平分類的精度也更高，對駕駛?cè)说闹饔^影響較小，這是其他兩種識別方法不具備的。因此，基于生理數(shù)據(jù)識別駕駛?cè)藟毫顟B(tài)更具優(yōu)勢，應(yīng)用更為廣泛。

2.4 基于多模態(tài)數(shù)據(jù)融合的識別

現(xiàn)有研究表明，單模態(tài)數(shù)據(jù)不足以全面反應(yīng)駕駛?cè)说纳硇臓顟B(tài)，識別準(zhǔn)確率較低，多模態(tài)數(shù)據(jù)的使用可以顯著改善駕駛壓力的識別精度和準(zhǔn)確性。多模態(tài)數(shù)據(jù)融合利用算法整合多源數(shù)據(jù)，充分利用其互補(bǔ)信息，從整體角度進(jìn)行分析和綜合判斷決策。多模態(tài)數(shù)據(jù)主要可從數(shù)據(jù)層、特征層和決策層進(jìn)行融合[68]。RIGAS 等[60]借助貝葉斯網(wǎng)絡(luò)建立基于心電信號、皮膚電信號和呼吸數(shù)據(jù)的壓力事件識別方法，該方法實(shí)時(shí)識別壓力事件的精度達(dá)82%。SOMAN等[66]從駕駛?cè)说男碾娨约凹‰娦盘栔刑崛∨c駕駛壓力直接相關(guān)的特征，并使用支持向量機(jī)算法區(qū)分壓力水平的高低，該模型靈敏度、準(zhǔn)確率及特異性均達(dá)到97%以上，效果優(yōu)于K近鄰算法。RASTGOO等[2]提出一種基于卷積神經(jīng)網(wǎng)絡(luò)和長短期記憶的多模式融合模型，以融合心電數(shù)據(jù)、車輛數(shù)據(jù)和駕駛環(huán)境數(shù)據(jù)，結(jié)果顯示，該模型對壓力水平的分類精度為95%，顯著提升了駕駛?cè)藟毫ψR別的性能。

相較于數(shù)據(jù)層和決策層融合，多源數(shù)據(jù)融合中的特征層融合的研究較多，但特征層融合會造成特征冗余和維度災(zāi)難，需要進(jìn)行特征選擇及降維步驟。針對多源數(shù)據(jù)維度高和運(yùn)算效率低的問題，葉朋飛等[67]提出一種基于多種過濾式算法與禁忌搜索算法相結(jié)合的混合算法。張傲等[69]則以多種群遺傳算法為核心提取多源生理數(shù)據(jù)特征。HAOUIJ等[70]通過小波分析提取皮膚電、肌電、呼吸和心率生理變量的特征，借助隨機(jī)森林遞歸特征消除法進(jìn)行特征選擇。上述算法均能有效消除數(shù)據(jù)冗余，并提升駕駛壓力分類的準(zhǔn)確率。

3 研究展望

3.1 駕駛壓力主要影響因素研究

(1)重視社會環(huán)境的影響

影響駕駛?cè)笋{駛壓力的環(huán)境因素中，除車輛、道路與交通環(huán)境等常見的駕駛壓力影響因素外，工作壓力、時(shí)間壓力以及疫情影響在內(nèi)的社會環(huán)境影響因素也十分重要。然而，現(xiàn)有研究集中于開展駕駛模擬實(shí)驗(yàn)或?qū)嵻噷?shí)驗(yàn)，以量化車輛和道路等微觀環(huán)境對駕駛壓力造成的影響，針對社會環(huán)境影響因素的考慮較少，且局限于采用問卷或量表手段。因此，重視社會環(huán)境對駕駛壓力的影響，建立描述社會環(huán)境對于駕駛壓力影響的綜合框架系統(tǒng)對預(yù)防和減輕駕駛壓力有重要意義。

(2)關(guān)注職業(yè)駕駛?cè)藟毫?/p>

相較于非職業(yè)駕駛?cè)?，卡車司機(jī)、公交司機(jī)及出租車司機(jī)等職業(yè)駕駛?cè)擞捎陂L期暴露于環(huán)境壓力源及不利工作條件下，更易引發(fā)駕駛壓力，從而影響身心健康并為交通安全帶來隱患。因此，關(guān)注職業(yè)駕駛?cè)说鸟{駛壓力問題，并采取相應(yīng)干預(yù)措施以減緩壓力至關(guān)重要。目前，針對壓力舒緩的策略主要有駕駛輔助系統(tǒng)、通知警報(bào)和環(huán)境舒緩[1]。但需要考慮的是，在駕駛輔助系統(tǒng)還不夠成熟完善的當(dāng)下，司機(jī)是否足夠信任該系統(tǒng)？突如其來的警報(bào)是否會增加壓力？音樂和座椅舒緩等環(huán)境舒緩策略是否適用于職業(yè)駕駛?cè)说墓ぷ鳝h(huán)境？此外，除了從個(gè)人層面開展壓力舒緩策略，還應(yīng)從管理層面著手。例如，建立相應(yīng)的壓力管理政策和干預(yù)措施，開展相關(guān)職業(yè)培訓(xùn)，以改善其壓力應(yīng)對策略，并實(shí)施職業(yè)健康監(jiān)測，以保證駕駛安全。

(3)聚焦新技術(shù)應(yīng)用的影響

自動駕駛和駕駛輔助系統(tǒng)等新技術(shù)應(yīng)用的目的在于減少駕駛?cè)说墓ぷ髁?，進(jìn)而減少駕駛壓力，提升駕駛?cè)苏w行為表現(xiàn)。然而，使用這些新技術(shù)可能造成的壓力及對駕駛?cè)说挠绊懳幢怀浞挚紤]。研究表明，電動車對環(huán)境友好，但存在里程范圍焦慮問題，導(dǎo)致范圍壓力，影響駕駛安全；自動駕駛或駕駛輔助系統(tǒng)出現(xiàn)故障時(shí)，駕駛壓力會顯著增加。此外，除了自動駕駛對駕駛?cè)藟毫Φ挠绊懲?，還要考慮在自動駕駛車輛并未完全應(yīng)用背景下，自動駕駛與手動駕駛車輛混行時(shí)，自動駕駛車輛對手動駕駛車輛的駕駛?cè)藟毫Φ挠绊?。因此，將駕駛壓力因素納入新技術(shù)應(yīng)用的考慮范圍之內(nèi)，對智能駕駛系統(tǒng)的開發(fā)及交通安全至關(guān)重要。

3.2 駕駛壓力識別方法研究

(1)優(yōu)化數(shù)據(jù)采集方案

現(xiàn)有駕駛壓力識別研究主要在駕駛模擬器中開展實(shí)驗(yàn)，在駕駛模擬器中設(shè)計(jì)壓力源場景誘導(dǎo)壓力，其實(shí)驗(yàn)條件可控且安全。但模擬駕駛所設(shè)置壓力源場景考慮因素有限，駕駛?cè)怂惺艿降膲毫Σ蝗缯鎸?shí)駕駛環(huán)境真實(shí)。當(dāng)前所公認(rèn)的公開數(shù)據(jù)集為HEALEY 等[61]分別在波士頓的城市道路和高速公路采集的一系列生理數(shù)據(jù)。因此，由于真實(shí)駕駛環(huán)境下采集的自然數(shù)據(jù)更具有說服力，未來研究趨向于在真實(shí)駕駛環(huán)境下開展駕駛壓力實(shí)驗(yàn)，但面臨著包括安全影響和實(shí)驗(yàn)條件不可控等在內(nèi)的諸多挑戰(zhàn)。

生理數(shù)據(jù)由于其直接與駕駛?cè)说纳硇臓顟B(tài)相關(guān)聯(lián)，被現(xiàn)有研究所廣泛使用。并且，由于融合多模態(tài)數(shù)據(jù)識別駕駛壓力的研究趨勢，實(shí)驗(yàn)過程中需要采集多種生理數(shù)據(jù)。現(xiàn)有研究通過侵入式傳感器設(shè)備采集數(shù)據(jù)，不僅昂貴且干擾駕駛，還存在運(yùn)動偽影影響數(shù)據(jù)質(zhì)量，難以滿足實(shí)時(shí)監(jiān)測需求。當(dāng)前，例如，心率手環(huán)，固定于車輛方向盤、座椅、安全帶的簡易傳感器以及視頻采集方式等可穿戴設(shè)備，非侵入式或非接觸式采集設(shè)備為研究重點(diǎn)。但是，安裝于車輛方向盤上的傳感器要求駕駛?cè)耸冀K接觸，而通過非接觸式視頻采集方法易受到實(shí)驗(yàn)光照及氣候的影響，進(jìn)而影響數(shù)據(jù)質(zhì)量。因此，如何優(yōu)化數(shù)據(jù)采集方案，在保證數(shù)據(jù)質(zhì)量的同時(shí)又不干擾駕駛是未來的研究重點(diǎn)。

此外，現(xiàn)有研究多采用機(jī)器學(xué)習(xí)方法識別駕駛壓力，因此，在優(yōu)化數(shù)據(jù)采集方案的同時(shí)還需關(guān)注數(shù)據(jù)標(biāo)簽問題。實(shí)驗(yàn)過程中或?qū)嶒?yàn)后的問卷或量表往往被用作數(shù)據(jù)的標(biāo)簽，但是，實(shí)驗(yàn)過程中，問卷詢問會干擾駕駛?cè)?，而?shí)驗(yàn)后問詢由于時(shí)間滯后駕駛?cè)擞洃浤芰τ邢薅痪哂袦?zhǔn)確性。同時(shí)，該種數(shù)據(jù)標(biāo)簽還存在一定主觀性。由于心率被認(rèn)為與駕駛壓力高度相關(guān)，已有研究采用心率作為客觀標(biāo)簽識別駕駛壓力，未來研究應(yīng)該關(guān)注如何采用客觀標(biāo)簽或采用主客觀標(biāo)簽結(jié)合的方法，以提高識別的準(zhǔn)確性。

(2)深入研究多模態(tài)融合識別

駕駛壓力識別研究中，由于單一模態(tài)數(shù)據(jù)不夠全面，駕駛行為數(shù)據(jù)、生理數(shù)據(jù)及上下文數(shù)據(jù)等多模態(tài)數(shù)據(jù)融合識別成為當(dāng)前研究趨勢。除多模態(tài)數(shù)據(jù)采集問題外，多模態(tài)數(shù)據(jù)如何融合的問題也存在許多挑戰(zhàn)。目前，多模態(tài)數(shù)據(jù)融合層級中的特征層融合為當(dāng)前主要研究內(nèi)容。但是，多模態(tài)數(shù)據(jù)之間的非線性相關(guān)關(guān)系[71]，為特征層級的多模態(tài)融合帶來了一定的挑戰(zhàn)。為達(dá)到實(shí)時(shí)連續(xù)檢測駕駛壓力的目的，首先，需要解決數(shù)據(jù)同步問題；其次，是不同模態(tài)數(shù)據(jù)的滑動窗口大小選擇問題；最后，是多模態(tài)數(shù)據(jù)所帶來的特征冗余問題?，F(xiàn)有特征層融合通過一系列特征選擇降維步驟解決特征冗余問題，未來可考慮如何采用數(shù)據(jù)層及決策層融合方法，以提高駕駛壓力識別精度。

4 結(jié)論

本文分析總結(jié)了駕駛壓力主要影響因素及駕駛壓力識別方法。首先，分別從駕駛?cè)俗陨硪蛩亍④囕v外部環(huán)境因素和車輛內(nèi)部環(huán)境因素這3 個(gè)方面歸納總結(jié)駕駛壓力的主要影響因素，發(fā)現(xiàn)：①駕駛環(huán)境因素是駕駛壓力的主要誘因；②非職業(yè)駕駛?cè)烁资艿杰囕v外部環(huán)境的影響，且個(gè)體之間差異性較大；③職業(yè)駕駛?cè)擞捎谛枰c乘客進(jìn)行溝通交流以及長時(shí)間短間歇駕駛等原因，易產(chǎn)生疲勞和厭倦等負(fù)面狀態(tài)，進(jìn)而導(dǎo)致駕駛壓力增加；④自動駕駛和輔助駕駛系統(tǒng)等新技術(shù)的應(yīng)用在減少駕駛?cè)斯ぷ髁坎⒔档蛪毫Φ耐瑫r(shí)，也會由于信任及技術(shù)不完善等問題帶來壓力。

其次，從駕駛壓力識別方法中總結(jié)得出：①基于生理數(shù)據(jù)的識別在精確度、連續(xù)性及實(shí)時(shí)性上具有優(yōu)勢，且受駕駛?cè)酥饔^表現(xiàn)影響較小，對駕駛壓力識別的精確度較高，已經(jīng)逐漸成為主流的駕駛壓力識別方法；②單模態(tài)數(shù)據(jù)識別駕駛壓力具有一定局限性，融合多模態(tài)數(shù)據(jù)可顯著提高識別駕駛壓力的準(zhǔn)確率。

后續(xù)在駕駛壓力研究中，主要有以下發(fā)展趨勢：①重視社會環(huán)境對駕駛壓力的影響；②職業(yè)駕駛?cè)讼噍^普通駕駛?cè)烁滋幱趬毫Νh(huán)境中，需提高實(shí)時(shí)檢測駕駛壓力的能力，并采取適當(dāng)壓力舒緩策略，以緩解駕駛疲勞與厭倦感；③將駕駛壓力納入新技術(shù)應(yīng)用所考慮問題范圍之內(nèi)，同時(shí)，開發(fā)駕駛監(jiān)測與警報(bào)系統(tǒng)，以改善駕駛?cè)说恼w表現(xiàn)；④當(dāng)前研究主要集中于某單一因素產(chǎn)生的駕駛壓力與部分生理指標(biāo)之間的相關(guān)性，后續(xù)研究可展開多因素疊加影響下的駕駛壓力研究，有助于實(shí)際駕駛狀態(tài)下的駕駛壓力監(jiān)測，且能提升相關(guān)研究結(jié)果的準(zhǔn)確性；⑤開展基于真實(shí)環(huán)境下的駕駛實(shí)驗(yàn)，采集具有客觀性、非侵入性和易用性的自然數(shù)據(jù)，并獲取主客觀結(jié)合的數(shù)據(jù)標(biāo)簽；⑥多模態(tài)數(shù)據(jù)融合采用特征層融合方法存在數(shù)據(jù)同步、滑動窗口選擇和特征冗余等問題，未來可考慮如何采用數(shù)據(jù)層及決策層融合方法，以提高駕駛壓力識別精度；⑦現(xiàn)有研究主要集中于利用多種傳感器檢測壓力上，進(jìn)一步地，應(yīng)該進(jìn)行量化或建模，以探究駕駛壓力對駕駛決策的影響。