中汽研汽车检验中心（宁波）有限公司

对驾驶员的生理状态和驾驶行为进行研究至关重要，特别是在评估疲劳驾驶风险方面。通过在固定试验范式下对不同KSS嗜睡等级的驾驶员采集眼动、脑电和行为特征等生理数据，我们能够更准确地识别疲劳状态。这些数据不仅对交通安全至关重要，也对医学、心理学等领域的研究具有重要价值。 通过特征提取和统计学分析，我们可识别出与KSS嗜睡等级高度相关的生理指标。这些指标不仅有助于评估疲劳程度，还能为其他研究领域提供数据支持，如医学治疗和心理健康维护。 进一步地，将这些生理指标与KSS量表相对应，我们能够构建出适用于大众的客观生理数据集。利用机器学习技术，特别是支持向量分类（SVC）模型，可以建立有效的KSS等级预测模型。这不仅有助于筛选出对疲劳更敏感的驾驶员，还能针对性地提供培训，以提高他们的驾驶技能和警觉性。 此外，这些数据对于开发和测试驾驶员疲劳和警觉性警告系统（DDAW）同样重要。通过深入分析，可以优化DDAW系统，提高其准确性和实用性。通过对数据进行清洗、数据预处理和特征数据提取。试验范式将包含精神运动警戒任务、卡洛林斯卡嗜睡测试、α衰减测试 、视觉P300测试、听觉P300测试、100毫米视觉模拟量表的嗜睡量表和中文卡罗林斯卡困倦量表。特征提取： 1、闭眼时间占比（PERCLOS）是指在一段时间内闭眼时间所占比例。计算公式如下： 眼动跟踪仪可以将人眼状态分为眨眼、注视、扫视三种状态。 2、脑电特征 微分熵（DE）是香农信息熵-∑_x▒p(x)log(p(x)) 在连续变量上的推广形式。 DE=-∫_a^b▒p(x) log(p(x))dx 其中，p(x)表示连续信息的概率密度函数，[a,b]表示信息取值的区间，对于一段特定长度的近似服从高斯分布N(μ,σ^2 )的EEG，其微分熵为： 等于其在特定频段上的能量谱的对数。脑电数据进行频域特征计算，得到不同kss等级睁眼闭眼状态下，对应Alpha频段能量的对比图，将疲劳等级根据KSS评分划分为1~3、4~5、6、7、8~9五个类别。