王琳虹

(吉林大學(xué) 交通學(xué)院∥汽車工程學(xué)院， 吉林 長春 130025)

高速公路景觀色彩對駕駛?cè)四X電α/β值的影響*

王琳虹

(吉林大學(xué) 交通學(xué)院∥汽車工程學(xué)院， 吉林 長春 130025)

為量化高速公路路側(cè)景觀色彩與駕駛?cè)四X電α/β值之間的關(guān)系，在吉琿高速公路進(jìn)行道路試驗采集所需數(shù)據(jù).基于雙指數(shù)函數(shù)建立景觀色彩值與腦電α/β值的關(guān)系模型.考慮到駕駛時間對駕駛?cè)四X電α/β值的累積影響，基于三次高斯函數(shù)建立駕駛時間與腦電α/β值的關(guān)系模型.最后采用聯(lián)合建模的方式建立駕駛時間、景觀色彩值對腦電α/β值的關(guān)系模型.模型分析結(jié)果表明：路側(cè)景觀色彩均值與駕駛員腦電α/β值呈負(fù)相關(guān)，隨著色彩值的增大即景觀色彩越加明亮、鮮艷，駕駛員的α/β值越趨近于1，即達(dá)到放松與警惕之間的平衡狀態(tài)；駕駛員腦電的α/β值隨著駕駛時間呈現(xiàn)波動，駕駛員的主觀意識強(qiáng)迫自己要時刻處于警醒狀態(tài)，駕駛員自身會存在精神放松與警醒的博弈過程.研究結(jié)果可為考慮駕駛疲勞的高速公路景觀色彩設(shè)計提供理論基礎(chǔ).

交通運(yùn)輸安全工程；高速公路；景觀色彩；駕駛時間；腦電；α/β值

高速公路景觀對駕駛?cè)说挠绊戵w現(xiàn)在兩方面.一方面是偶發(fā)性的影響，如道路上設(shè)置的非交通標(biāo)志廣告牌、強(qiáng)反射光、進(jìn)出隧道時光強(qiáng)的突變等均易對駕駛?cè)嗽斐梢曈X干擾，分散其注意力，帶來安全隱患.另一方面是累積性的影響，如路側(cè)景觀的色彩、連續(xù)性、植被造型及間距等通過長時間作用于駕駛?cè)说纳?、視覺，可能引起駕駛?cè)俗⒁饬?、反?yīng)速度等疲勞特性的變化，進(jìn)而影響駕駛?cè)说牟倏v能力.無論是累積性還是偶發(fā)性的影響，最后均有可能誘發(fā)交通事故.偶發(fā)性影響因素所導(dǎo)致的交通事故常常易被發(fā)現(xiàn)，能夠引起管理者的關(guān)注，并進(jìn)行控制或者預(yù)防.而高速公路路側(cè)景觀通過長時間作用對駕駛疲勞所產(chǎn)生的累積性影響導(dǎo)致操縱能力下降卻不易被發(fā)現(xiàn)，遭到管理者的忽視.腦電常作為評價駕駛疲勞的主要生理指標(biāo)，因此研究高速公路路側(cè)景觀對駕駛?cè)四X電特征參數(shù)的影響規(guī)律具有重要的科學(xué)意義，可為考慮駕駛疲勞的高速公路景觀的設(shè)計提供合理依據(jù).

人體任何細(xì)微的動作及心理變化均可以在腦電中有所體現(xiàn)，利用腦電(EEG)監(jiān)測駕駛?cè)耸窍鄬陀^、精確的方法之一.高速公路上路側(cè)景觀的色彩對駕駛?cè)艘曈X及心理產(chǎn)生刺激，進(jìn)而反映在腦電波中.人類腦電圖中腦波頻率一般在1～30 Hz，根據(jù)頻帶不同可以將腦電波劃分為α、β、θ、δ4個節(jié)律.其中α節(jié)律多在駕駛?cè)司穹潘傻臅r候出現(xiàn)[1- 6]，α節(jié)律的功率譜密度積分成分α值可以表示駕駛?cè)司裆戏潘傻某潭龋欢鹿?jié)律多在駕駛?cè)司窬训臅r候出現(xiàn)[1- 4,7- 8]，β節(jié)律功率譜密度積分的成分β值可以表示駕駛?cè)司竦木殉潭龋荒敲矗?β值(以下均簡稱為腦電α/β值)可以表示駕駛?cè)说臓顟B(tài)是更傾向于放松還是警醒.因此文中研究路側(cè)景觀對駕駛?cè)四X電α/β值的影響，以期為進(jìn)一步研究路側(cè)景觀對駕駛疲勞的影響奠定基礎(chǔ).

當(dāng)前有關(guān)高速公路景觀色彩等景觀自身特性對駕駛?cè)说男碾?、腦電等生理指標(biāo)的研究較少.李香紅等[5]研究了不同景觀路段下駕駛?cè)诵穆?、心率增長率的變化規(guī)律，并對心率增長率與行駛時間、心率增長率與行駛速度進(jìn)行了相關(guān)性分析，結(jié)果表明不同景觀路段導(dǎo)致駕駛?cè)嗽谙嗤瑢嶒灄l件下的生理指標(biāo)存在差異；朱翠翠[6]通過行車試驗，研究了道路圓曲線半徑和坡度與腦電信號β波絕對功率值的相關(guān)性，結(jié)果表明駕駛?cè)嗽趶闹本€路段進(jìn)入到圓曲線路段和上坡坡度時，駕駛?cè)说摩虏ń^對功率值與圓曲線半徑呈負(fù)相關(guān)，與上坡坡度值呈正相關(guān)；而國外相關(guān)領(lǐng)域?qū)W者沒有對景觀色彩對駕駛?cè)松硖匦缘挠绊戧P(guān)系進(jìn)行研究.

綜上所述，目前景觀對駕駛?cè)松淼挠绊懷芯恳矁H局限于定性分析景觀植被間距、公路彎道半徑對駕駛?cè)松硖匦缘挠绊慬9- 11]，而沒有從景觀色彩等自身特性角度出發(fā)進(jìn)行研究.路側(cè)景觀只有在長時間尺度內(nèi)才會對駕駛疲勞產(chǎn)生累積影響，在累積過程中無法忽略駕駛時間的作用.因此文中建立駕駛持續(xù)時間、景觀的色彩均值共同影響下的腦電α/β值的預(yù)測模型.為后續(xù)研究考慮駕駛疲勞的高速公路景觀設(shè)計提供研究基礎(chǔ).

1 實車道路試驗與數(shù)據(jù)預(yù)處理

為研究高速公路路側(cè)景觀色彩與腦電α/β值的關(guān)系，課題組在吉琿高速公路進(jìn)行實車道路試驗，采集路側(cè)景觀圖像及相關(guān)駕駛?cè)四X電相關(guān)參數(shù).

1.1 試驗設(shè)計

為確保路側(cè)景觀色彩的多樣性，課題組在夏季與秋季分別在吉琿高速公路進(jìn)行為期兩天的實車道路實驗，每天的試驗時間為6:00-18:00，具體景觀如圖1所示.要求駕駛?cè)藸顟B(tài)良好，駕駛經(jīng)驗豐富，年齡范圍為35～45歲.試驗采用美國Biopac公司的MP100 16導(dǎo)生理記錄儀采集駕駛?cè)说哪X電生理指標(biāo)；利用數(shù)碼相機(jī)采集高速公路路側(cè)景觀視頻.實車道路試驗相關(guān)情況如圖2所示.

影響駕駛疲勞的主要因素包括駕駛持續(xù)時間、公路景觀、道路交通狀態(tài)及道路線形4個方面.由于吉琿高速公路上的交通量很小，駕駛?cè)耸芨咚俟飞舷噜徿囕v的影響較小，因此道路交通狀態(tài)因素可以忽略不計.實驗選擇的吉琿高速公路為道路線形既不平直單調(diào)也沒有急彎斗坡的路段，駕駛?cè)耸艿缆肪€形的影響較小，因此也可剔除道路線形這一影響因素.根據(jù)經(jīng)驗可知：在駕駛?cè)诵熊囘^程中，短時(如幾秒或者幾分鐘)的路側(cè)景觀變化難以對駕駛?cè)说纳硖匦援a(chǎn)生影響，但是隨著駕駛時間的逐漸增加，路側(cè)景觀的單調(diào)性或者色彩突變將會對駕駛?cè)水a(chǎn)生作用，甚至造成駕駛?cè)似?因此本次實車道路試驗時間較長，采集的景觀視頻及駕駛?cè)四X電生理指標(biāo)數(shù)據(jù)量較多.

圖1 夏季與秋季的路側(cè)景觀

Fig.1 Typical roadside landscape in summer and autumn

圖2 實車道路試驗相關(guān)情況Fig.2 Field vehicle experiment condition

1.2 數(shù)據(jù)預(yù)處理

實驗中采集了40 h左右的高速公路景觀及駕駛?cè)说纳碇笜?biāo)數(shù)據(jù).考慮駕駛疲勞的累積特性，從中選擇了連續(xù)駕駛3 h的實驗數(shù)據(jù)作為研究對象.剔除了駕駛?cè)诵菹⒋螖?shù)過多、路側(cè)景觀色彩不豐富、天氣惡劣(下雨)時行駛路段的實驗數(shù)據(jù).

實驗采集的景觀視頻速率為30幀/s，而景觀色彩對駕駛?cè)说挠绊懯情L時間的累積作用，不會幾秒之內(nèi)便對駕駛?cè)水a(chǎn)生影響.因此選擇30 s作為圖像采集間隔，即每半分鐘提取一幅景觀圖像.基于Biopac的生理記錄儀采集頻率為1 000 Hz，為了使得兩組數(shù)據(jù)一一對應(yīng)，也選擇每半分鐘提取一組腦電指標(biāo).

視頻圖像處理：將采集的景觀視頻解壓為圖片序列并每半分鐘提取一副圖片.基于圖像分割中的紋理分析方法提取高速公路路側(cè)景觀，并基于k-均值聚類提取路側(cè)景觀主體色彩并計算景觀色彩值[12].用符號C表示景觀的色彩值，C的計算方法為：C=65 536B+256G+R,R、G、B為紅色、綠色、藍(lán)色等3個通道顏色值[13].

生理數(shù)據(jù)處理：根據(jù)引言中的論述，選擇腦電α/β值表征駕駛?cè)说纳硖匦?

因數(shù)據(jù)量較大，選擇Matlab對腦電數(shù)據(jù)進(jìn)行波形處理.試驗中采集的腦電信號均為時域信號，為了獲取腦電不同波形的功率譜密度，需要利用傅里葉變換將腦電時域信號轉(zhuǎn)換為頻域信號.然后根據(jù)腦電α波、β波的不同頻率范圍進(jìn)行濾波.最后對過濾后的波形進(jìn)行功率譜密度分析，進(jìn)而利用微分的思想求得不同節(jié)律腦電波的功率譜密度積分.

2 考慮駕駛時間的景觀色彩對腦電α/β值的影響關(guān)系建模

首先考慮駕駛時間、景觀色彩對腦電α/β值的影響，建立表達(dá)模型；然后為研究高速公路路側(cè)景觀、駕駛時間對駕駛?cè)四X電α/β值的聯(lián)合影響規(guī)律，選擇路側(cè)景觀的色彩值、駕駛時間作為自變量，腦電α/β值作為因變量建立三者之間的聯(lián)合關(guān)系模型.

景觀色彩值與腦電α/β值的數(shù)量級相差非常大，導(dǎo)致建模中存在很多問題，因此對數(shù)據(jù)進(jìn)行歸一化處理，計算公式如下：

(1)

2.1 駕駛時間對腦電α/β值的影響

1)數(shù)據(jù)分析

為了擬合駕駛時間與駕駛?cè)甩?β值的關(guān)系，首先繪制駕駛時間與α/β值的散點圖，如圖3所示.

圖3 駕駛時間與腦電α/β值的散點圖

Fig.3 Scatter diagram between driving time andα/βvalue of EEG

腦電α/β值可以表示駕駛?cè)说臓顟B(tài)更傾向于放松還是警醒.

觀察圖3可以發(fā)現(xiàn)：在駕駛過程初期，α/β值達(dá)到4左右，說明此時駕駛?cè)四X電α值遠(yuǎn)大于β值，駕駛?cè)颂幱诰穹潘傻臓顟B(tài)；之后隨著駕駛時間的延長，α/β值快速變小，甚至小于1，說明駕駛?cè)酥饾u進(jìn)入了高度警醒的狀態(tài)；長時間的精神緊張不會維持過久，在第40 min左右α/β值逐漸升高，說明駕駛?cè)擞种饾u恢復(fù)了精神放松的狀態(tài).這種變化過程體現(xiàn)了人體的自我調(diào)節(jié)能力.此外，由于高速公路上駕駛比較危險，駕駛?cè)说闹饔^意識強(qiáng)迫自己要時刻處于警醒狀態(tài)，駕駛?cè)俗陨頃嬖诰穹潘膳c警醒的博弈過程，因此在圖3中α/β值呈現(xiàn)了周期波動的現(xiàn)象.

2)模型建立及檢驗

觀察駕駛時間與腦電α/β值的散點圖，發(fā)現(xiàn)二者的變化趨勢符合三次高斯函數(shù)形式.三次高斯函數(shù)的形式為

(2)

式中,ai、bi、ci(i=1，2，3)均為待擬合參數(shù).

利用三次高斯函數(shù)對二者的關(guān)系式進(jìn)行擬合，擬合模型參數(shù)結(jié)果為：a1=4.732×e13，b1=-370.4，c1=67.75；a2=48.43，b2=382.6，c2=120.2；a3=1.24，b3=67.61，c3=47.67.則駕駛時間t對腦電α/β值的影響關(guān)系模型為：

(3)

式中,t為駕駛時間.

擬合模型的判定系數(shù)r2=0.855，表明自變量與因變量的相關(guān)性較大，模型的回歸效果較好.

擬合模型中自變量與因變量的關(guān)系曲線如圖4所示.

圖4 駕駛時間與腦電α/β值的影響關(guān)系擬合曲線Fig.4 Fitting curve between driving time and α/β value of EEG

2.2 景觀色彩對腦電α/β值的影響

1)數(shù)據(jù)分析

為了建立景觀色彩對腦電α/β值的影響關(guān)系模型，首先繪制二者之間的散點圖，如圖5所示.

圖5 景觀色彩值與腦電α/β值的散點圖

Fig.5 Scatter diagram between landscape color andα/βvalue of EEG

從圖5可看出,隨著色彩值的增大(即景觀色彩越加明亮、鮮艷)，駕駛?cè)说摩?β值趨近于1，即達(dá)到放松與警惕之間的平衡狀態(tài).而這說明景觀色彩越明亮，駕駛?cè)说木駹顟B(tài)越處于放松與警醒的平衡狀態(tài).

經(jīng)分析發(fā)現(xiàn)，當(dāng)路側(cè)景觀色彩值小于0.2時，駕駛?cè)四X電α/β值較大且隨著景觀色彩值的增加而快速下降，說明景觀色彩偏暗時(多為灰色的水泥邊坡、灰褐色的泥土邊坡以及收割后的耕地等單調(diào)、枯燥的景觀)，駕駛?cè)四X電α/β值遠(yuǎn)大于1，即腦電α波的成分遠(yuǎn)多于β波的成分，此時大腦處于比較放松或者低速運(yùn)行狀態(tài)，說明單調(diào)枯燥的景觀可以使駕駛?cè)司裥傅?，如遇突發(fā)事故可能無法及時做出響應(yīng).

當(dāng)路側(cè)景觀色彩值大于0.2時(即景觀顏色越加明亮、鮮艷，如夏季綠色的植被、秋季橙黃色的針葉林等)，駕駛?cè)说摩?β值趨近于1，即腦電α波的成分與β波的成分接近，此時駕駛?cè)颂幱诜潘膳c警醒的平衡狀態(tài)，是駕駛?cè)吮容^理想的駕駛狀態(tài)，既不會因為過于放松而無法及時應(yīng)對突發(fā)事故，也不會過于緊張導(dǎo)致疲勞的加速.散點圖中間波動部分可能是受到外界突發(fā)的刺激而產(chǎn)生的，比如超車、換道等.

2)模型建立及檢驗

觀察景觀色彩與腦電α/β值的散點圖，發(fā)現(xiàn)二者關(guān)系可以采用雙指數(shù)函數(shù)進(jìn)行表達(dá)，即

α/β=a1eb1x+a2eb2x

(4)

式中：ai、bi(i=1，2)均為待擬合參數(shù).

采用散點圖中的數(shù)據(jù)擬合景觀色彩值C與腦電α/β值的關(guān)系式，擬合參數(shù)為：a1=110.7，b2=-42.88，a2=1.167，b2=-0.333 2.那么二者的關(guān)系模型為

α/β=110.7e-42.88C+1.167e-0.333 2C

(5)

擬合模型的判定系數(shù)r2=0.917 7，表明擬合效果較好.景觀色彩值C與腦電α/β值的擬合曲線如圖6所示.

圖6 景觀色彩值對α/β值的影響關(guān)系擬合曲線

Fig.6 Fitting curve between landscape color andα/βvalue of EEG

2.3 考慮駕駛時間的景觀色彩對腦電α/β值的影響

1)基于迭代的模型融合

在實際情況中，駕駛時間與景觀色彩共同作用于腦電α/β值.因此還需建立以駕駛時間、景觀色彩為自變量，駕駛?cè)甩?β值為因變量的關(guān)系模型.

在2.1和2.2節(jié)已經(jīng)分別建立了駕駛時間、景觀色彩對α/β值的影響關(guān)系模型，在這兩個模型中，自變量與因變量呈非線性關(guān)系，因此無法通過簡單的線性疊加融合兩個模型.文中采用變量替換法將非線性問題線性化.

α/β=β1x1+β2x2+β3x3+β4x4+β5x5+β6

(6)

式中，βi(i=1，2，…,6)為待擬合參數(shù).

模型參數(shù)標(biāo)定過程如下：

①將所有的樣本C和t代入計算出的x1，x2，…x5中，并計算出其對應(yīng)的腦電α/β值.

②利用Matlab中的Curve Fitting Tool工具箱對式(6)進(jìn)行多元線性回歸，得到擬合模型的參數(shù)為：β1=0.748，β2=0.556，β3=0.117，β4=0.081，β5=3.553，β6=-3.321.

③得到最終的多元回歸模型：

α/β=0.748x1+0.556x2+0.117x3+0.081x4+

3.553x5-3.321

(7)

將擬合模型中的x1，x2，…,x5還原為t、C，得到景觀色彩、駕駛時間與腦電α/β值的關(guān)系模型：

4.146e-0.333C-3.321

(8)

2)模型驗證

為了評價模型擬合效果，分別對模型擬合優(yōu)度進(jìn)行相關(guān)性檢驗和顯著性檢驗.F檢驗通過利用變量z的總離差平方和中剩余平方和與回歸平方和的比值，檢驗回歸模型整體的顯著性.對回歸模型進(jìn)行r2檢驗以及F檢驗并能夠檢驗通過，方可應(yīng)用擬合模型.

①回歸模型的相關(guān)檢驗

回歸模型的相關(guān)性檢驗是對模型的精度減小驗證，并決定擬合模型是否可應(yīng)用于研究中.

擬合模型的r2=0.852，表明判定系數(shù)較大、模型的回歸效果較好.

②F檢驗

為了判別擬合模型輸出的腦電α/β值與實際采集到的腦電α/β值是否存在顯著差異，對兩組數(shù)據(jù)進(jìn)行F檢驗.選擇顯著性水平0.05，5自由度的擬合函數(shù)，樣本量為168，查表得F0.05(5,∞)=2.21.而根據(jù)兩組數(shù)據(jù)方差計算得到的F值為129.671，遠(yuǎn)大于F臨界值，擬合方程通過F檢驗.

綜上可判斷所建模型能有效地表達(dá)高速公路路側(cè)景觀色彩值、駕駛時間與腦電α/β值的關(guān)系.

3 敏感性分析

3.1 敏感性分析方法選擇

為了研究隨著路側(cè)景觀色彩值C、駕駛時間t的變化，駕駛?cè)四X電α/β值變化的幅度，對所建模型進(jìn)行敏感性分析.敏感性分析包括單因素敏感性分析和多因素敏感性分析.單因素敏感性分析僅研究某一個參數(shù)變化對目標(biāo)的影響，而多因素敏感性分析需要考慮各種因素組合變動對目標(biāo)的影響.單因素與多因素敏感性分析的區(qū)別在于是否考慮各參數(shù)之間的相互作用[14].因駕駛時間與景觀色彩無相互作用，因此選擇單因素敏感性分析.

3.2 單因素敏感性分析

敏感度系數(shù)是在影響因素作用下目標(biāo)值變化百分比與該影響因素變化百分比的比值.敏感度系數(shù)高代表目標(biāo)對影響因素的敏感程度高，反之敏感程度低.敏感度系數(shù)計算公式如下：

E=ΔH/ΔF

(9)

式中:E為敏感度系數(shù)；ΔF為影響因素F的變化率，%；ΔH為影響因素發(fā)生變化時目標(biāo)的相應(yīng)變化率，%.

E>0表示目標(biāo)與影響因素同方向變化，E<0表示目標(biāo)與影響因素朝相反方向變化.在本節(jié)將駕駛?cè)松碇笜?biāo)腦電α/β值作為評價指標(biāo)，駕駛時間、景觀色彩作為影響因素；以擬合關(guān)系模型(8)為基礎(chǔ)，研究在固定一個影響因素的情況下，各個指標(biāo)對另一個影響因素的敏感程度.

腦電α/β值對景觀色彩值C、駕駛時間t的敏感系數(shù)如表1所示.以一個場景為例測試了景觀色彩值C、駕駛時間t以10%為步長、上下變化30%情況下腦電α/β值的變化率，進(jìn)而得到腦電α/β值指標(biāo)對影響因素的敏感系數(shù)E(α/β).

表1顯示，隨著駕駛時間t增幅的變化，腦電α/β值的增量幅度相對較大，即腦電α/β值對駕駛時間t的敏感程度相對較大，表明駕駛時間會影響駕駛?cè)舜竽X的活動活躍程度以及放松、警醒程度.駕駛時間t與駕駛?cè)四X電α/β值呈正相關(guān)，即駕駛時間越長，腦電α/β值越大，亦即駕駛?cè)舜竽X中α節(jié)律越多，大腦運(yùn)轉(zhuǎn)速度及活躍程度降低.

表1 駕駛?cè)四X電α/β值對景觀色彩值的敏感性分析結(jié)果

Table1Sensitiveanalysisresultsoftheα/βvalueofdriver’sEEGtolandscapecolor

c增量/%α/β增量/%E(α/β)t增量/%α/β增量/%E(α/β)10-2.01-0.2010100.250.024720-3.98-0.1990200.420.021130-5.91-0.1970300.540.0179-102.06-0.2056-10-0.320.0318-204.16-0.2079-20-0.690.0346-306.30-0.2101-30-1.080.0359

由表1還可看出，景觀色彩值C與駕駛?cè)四X電α/β值呈負(fù)相關(guān)，且隨著景觀色彩C值增幅的變化，腦電α/β值的增量幅度較大，即腦電α/β值對駕駛時間t的敏感程度較大，且遠(yuǎn)大于其對景觀色彩C的敏感程度，說明景觀色彩是影響駕駛?cè)四X部活躍程度的主要因素.

4 結(jié)論

文中首先基于雙指數(shù)函數(shù)建立景觀色彩值與腦電α/β值的關(guān)系模型.然后考慮到駕駛時間對駕駛?cè)四X電α/β值的累積影響，基于三次高斯函數(shù)建立駕駛時間與腦電α/β值的關(guān)系模型.最后采用聯(lián)合建模的方式建立駕駛時間、景觀色彩值對腦電α/β值的影響關(guān)系模型.研究結(jié)果如下：①路側(cè)景觀色彩值c與駕駛?cè)四X電α/β值呈負(fù)相關(guān)，隨著色彩值的增大(即景觀色彩越加明亮、鮮艷)，駕駛?cè)说摩?β值趨近于1，即達(dá)到放松與警惕之間的平衡狀態(tài)；②駕駛?cè)四X電的α/β值隨著駕駛時間t呈現(xiàn)波動，其原因為駕駛?cè)说闹饔^意識強(qiáng)迫自己要時刻處于警醒狀態(tài)，駕駛?cè)俗陨頃嬖诰穹潘膳c警醒的博弈過程；③敏感性分析結(jié)果表明駕駛時間、景觀色彩對駕駛?cè)四X電α/β值存在不同程度的影響，其中前者的影響程度要高于后者的影響程度，說明景觀色彩是影響駕駛?cè)四X部活躍程度的主要因素.

后續(xù)研究基于腦電信號的駕駛疲勞判別方法、高速公路路側(cè)景觀對駕駛疲勞的綜合影響機(jī)理.科學(xué)設(shè)計高速公路路側(cè)景觀奠定基礎(chǔ).

[1] 吳紹斌,高利,王劉安.基于腦電信號的駕駛疲勞檢測研究 [J].北京理工大學(xué)學(xué)報,2009，29(12):1072- 1075. WU Shao-bin,GAO Li,WANG Liu-an.Detecting driving fatigue based on electroencephalogram [J].Transactions of Beijing Institute of Technology,2009,29(12):1072- 1075.

[2] 莫雄強(qiáng).基于腦電的疲勞度檢測方法研究 [D].秦皇島：燕山大學(xué)電氣工程學(xué)院,2009.

[3] QU Xiao-bo,YANG Ying,LIU Zhi-yuan,et al.Potential crash risks of expressway on-ramps and off-ramps:a case study in Beijing,China [J].Safety Science,2014,70:58- 62.

[4] QU Xiao-bo,KUANG Yan,ERWIN Oh,et al.Safety eva-luation for expressways:a comparative study for macroscopic and microscopic indicators [J].Traffic Injury Prevention,2014,15(1):89- 93.

[5] 李香紅，朱守林，戚春華．基于不同公路景觀環(huán)境的駕駛員生理反應(yīng)實驗研究 [J]．內(nèi)蒙古農(nóng)業(yè)大學(xué)學(xué)報(自然科學(xué)版)，2010，31(4)：172- 176 LI Xiang-hong,ZHU Shou-lin,QI Chun-hua.Experiment research on influence about the different road environment on drivers’ physiology reaction [J].Journal of Inner Mongolia Agricultural University(Natural Science Edition),2010,31(4):172- 176.

[6] 朱翠翠.駕駛員腦電特性與山區(qū)雙車道公路線形相關(guān)性研究 [D].成都：西南交通大學(xué)交通運(yùn)輸與物流學(xué)院,2013.

[7] 李影潔，邱意弘，朱貽盛．腦電信號分析方法及其應(yīng)用 [M]．北京：科學(xué)出版社，2009．

[8] JAP B T,LAL S,FISCHER P,et al.Using EEG spectral components to assess algorithms for detecting fatigue [J].Expert Systems with Applications,2009,36(2):2352- 2359.

[9] LI Shi-wu,WANG Lin-hong,YANG Zhi-fa.A driver fatigue recognition model using multiple physiological features based on support vector machine [J] Information Journal,2012,15(12):5321- 5328.

[10] JAP B T,LAL S,FISCHER P.Comparing combinations of EEG activity in train drivers during monotonous driving [J].Expert Systems with Applications,2011,38:45- 53

[11] PARTIN D L,SULTAN M F,THRUSH C M,et al.Monitoring driver physiological parameters for improved safety [R].Detroit:SAE,2006:76- 79

[12] 李世武，王琳虹，楊志發(fā)，等.高速公路路側(cè)景觀提取及量化研究 [J]．吉林大學(xué)學(xué)報(工學(xué)版)，2011，41(4):956- 962. LI Shi-wu,Wang Lin-hong,Yang Zhi-fa,et al.Feature quantification method for freeway roadside landscape [J].Journal of Jilin University(Engineering and Technology Edition),2011,41(4):956- 962.

[13] 何韻旺.色彩基礎(chǔ) [M].北京:北京理工大學(xué)出版社，2009.

[14] 秦偉，朱守林，戚春華.草原公路駕駛室噪聲與駕駛員心率變異指標(biāo)敏感性研究 [J].內(nèi)蒙古農(nóng)業(yè)大學(xué)學(xué)報(自然科學(xué)版)，2011,32(3):246- 249 QIN Wei,ZHU Shou-lin,QI Chun-hua.The research about prairie road cab noise environment and sensitivity of driver heart rate variability [J].Journal of Inner Mongolia Agricultural University(Natural Science Edition),2011,32(3):246- 249.

Impacts of Roadside Landscape Color of Freeways onα/βValue of Driver’s EEG Signal

WANGLin-hong

(School of Transportation∥College of Automotive Engineering,Jilin University, Changchun 130025, Jilin, China)

In order to quantify the relationship between the roadside landscape color of freeways and theα/βvalue of the driver’s EEG signal, real vehicle experiments were conducted in Jilin-Hunchun freeway to collect the data. Based on the double exponential function, a relationship model between the landscape color and theα/βvalue of the driver’s EEG signal was constructed. Then, by considering the cumulative impact of the driving time on theα/βvalue, their relationship model is constructed based on the cubic Gaussian function. Finally, a model describing the relationships of the driving time and the landscape color to theα/βvalue was constructed by means of the joint modeling method. Model analysis results show that the landscape color is negatively correlated with theα/βvalue, i.e. with the increase in the brightness of the landscape color, theα/βvalue approaches to 1, which indicates a balance between the relaxed state and the alert state, and that there is a fluctuating relationship between the driving time and theα/βvalue, specifically, when a driver forces himself into an alert state, there is a game between falling into fatigue and resisting fatigue. The findings can provide a theoretical basis for the landscape color design considering the driving fatigue.

traffic and transportation safety engineering; freeways; landscape color; driving time; EEG signal;α/βvalue

2015- 12- 07

國家自然科學(xué)基金資助項目(51308251)；中國博士后科學(xué)基金資助項目(2013M541306) Foundation items: Supported by the National Natural Science Foundation of China(51308251) and China Postdoctoral Science Foundation(2013M541306)

王琳虹(1984-)，女，博士后，副教授，主要從事交通環(huán)境與安全技術(shù)研究.E-mail:wanghonglin0520@126.com

1000- 565X(2016)12- 0061- 06

U 491.2

10.3969/j.issn.1000-565X.2016.12.009