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(guó)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(shì)[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(wèn)題，迫切需要對(duì)老年駕駛?cè)耸欠襁m合繼續(xù)駕駛進(jìn)行評(píng)估.道路駕駛測(cè)試能夠直接衡量駕駛能力，其結(jié)果可作為駕駛適性評(píng)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(duì)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(cè)試的老年人駕駛適性評(píng)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(jué)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(jiàn)感官問(wèn)題，老年人普遍視力和對(duì)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(zhǎng)，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(duì).因此，功能測(cè)試是駕駛適性評(píng)估中的必要環(huán)節(jié)[10].

美國(guó)醫(yī)學(xué)協(xié)會(huì)綜合視覺(jué)、動(dòng)作、認(rèn)知功能建立了ADReS(Assessment of Driving-Related Skills)[11]測(cè)試組以識(shí)別潛在不安全老年駕駛?cè)?，得到了廣泛應(yīng)用，但其效果具有爭(zhēng)議[12]；類似測(cè)試組還包括DriveAble[13]、DriveSafe/DriveAware[14]、SMCTests[15]等.一些研究基于典型測(cè)試組增刪了特定功能測(cè)試項(xiàng)目，建立了改進(jìn)的老年人駕駛適性評(píng)估方法，通過(guò)Logistic回歸等統(tǒng)計(jì)模型對(duì)老年駕駛?cè)藢?shí)際道路駕駛測(cè)試結(jié)果進(jìn)行了預(yù)測(cè)[16-18].然而，這類方法普遍具有準(zhǔn)確度不高、無(wú)法兼具較高的靈敏度與特異性等問(wèn)題.因此，僅憑功能測(cè)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(píng)估方法對(duì)道路駕駛測(cè)試結(jié)果預(yù)測(cè)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(cè)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(jī)效參數(shù)，還可以通過(guò)設(shè)計(jì)老年駕駛?cè)溯^難應(yīng)對(duì)的場(chǎng)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(guò)對(duì)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(cè)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(jiàn).

綜上所述，現(xiàn)有的老年人駕駛適性評(píng)估方法在測(cè)試內(nèi)容與評(píng)價(jià)指標(biāo)上各有差異，只用功能測(cè)試建立的評(píng)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(cè)試結(jié)果作為老年人駕駛適性的判斷依據(jù)，從功能測(cè)試與模擬駕駛實(shí)驗(yàn)數(shù)據(jù)中分別提取評(píng)價(jià)指標(biāo)，建立將兩者相結(jié)合的老年人駕駛適性評(píng)估方法，從而有效替代道路測(cè)試.

1 駕駛適性評(píng)估實(shí)驗(yàn)

研究對(duì)象為92名70歲以上的比利時(shí)老年駕駛?cè)耍撊巳阂驯憩F(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(cè)試、模擬駕駛測(cè)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(cè)試.

1.1 功能測(cè)試

根據(jù)視覺(jué)、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(cè)試.

1) 在視覺(jué)功能評(píng)估方面，Snellen視力表用于測(cè)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(cè)評(píng)老年駕駛?cè)艘曈X(jué)對(duì)比敏感度，測(cè)試結(jié)果取值0～2.25，對(duì)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(píng)估方面，計(jì)時(shí)起身行走(timed get-up-and-go)測(cè)試用于評(píng)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(cè)試用于評(píng)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(cè)試被用于評(píng)估認(rèn)知功能的各個(gè)方面.在總體認(rèn)知評(píng)估方面，簡(jiǎn)易精神狀態(tài)檢查(MMSE)是一種簡(jiǎn)潔而被廣泛使用的總體認(rèn)知功能檢測(cè)方法，測(cè)試得分范圍為0～30，得分較低說(shuō)明認(rèn)知功能受損.畫鐘測(cè)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(cè)試得分范圍為0～7，高分表示表現(xiàn)更佳.

在記憶力評(píng)估方面，八詞測(cè)試(eight word subtest)是一種聽(tīng)覺(jué)語(yǔ)言學(xué)習(xí)能力測(cè)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(cè)過(guò)(0～16)；3次結(jié)果依次記錄為八詞測(cè)試1、八詞測(cè)試2和八詞測(cè)試3.畫圖測(cè)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(cè)試用于評(píng)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(píng)估方面，連線測(cè)試(TMT)分為A與B兩部分，A部分(TMT-A)要求被試者對(duì)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(cè)試，分別評(píng)估老年駕駛?cè)说囊曈X(jué)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(zhǎng)則表明在測(cè)試中表現(xiàn)越差.

在執(zhí)行功能評(píng)估方面，交通標(biāo)志理解(knowledge of road sign)測(cè)試要求老年駕駛?cè)藢?0個(gè)道路標(biāo)志與交通場(chǎng)景匹配，3 min內(nèi)匹配正確記2分，超過(guò)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(cè)試(porteus maze test)是對(duì)視覺(jué)空間能力、規(guī)劃能力和視覺(jué)注意力的測(cè)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(cè)試

被試者使用180°環(huán)繞投影與視場(chǎng)的STISIM Drive v3全車駕駛模擬器參與實(shí)驗(yàn).模擬場(chǎng)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(duì)老年駕駛?cè)硕暂^難應(yīng)對(duì)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(wú)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(duì)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(duì)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(jiǎn)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(guò)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(wú)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(cè)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(guò)程.該場(chǎng)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(wú)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(chǎng)景在高交通量情況下出現(xiàn).

1.3 道路駕駛測(cè)試

道路駕駛測(cè)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(píng)估員陪同的教練車上參與實(shí)驗(yàn).評(píng)估員基于觀察對(duì)被試者的駕駛表現(xiàn)進(jìn)行逐項(xiàng)評(píng)分，并根據(jù)總分將其分類為適合駕駛或不適合駕駛.

2 評(píng)價(jià)指標(biāo)選取

上述駕駛適性評(píng)估實(shí)驗(yàn)共采集到21項(xiàng)功能測(cè)試數(shù)據(jù)、12項(xiàng)模擬駕駛數(shù)據(jù)；根據(jù)道路駕駛測(cè)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(guò)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(píng)價(jià)指標(biāo)體系.

2.1 指標(biāo)初步篩選

對(duì)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(duì)2組老年駕駛?cè)烁黜?xiàng)測(cè)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(píng)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(shuō)，我不是當(dāng)官了嗎？堂堂的縣農(nóng)業(yè)局副局長(zhǎng)，副科級(jí)，月薪2358塊。

1) 在視覺(jué)與肢體功能評(píng)價(jià)指標(biāo)方面，視力(p=0.027,d=-0.49)、對(duì)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?，表明不適合繼續(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(píng)價(jià)指標(biāo)方面，八詞測(cè)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?，表明不適合繼續(xù)駕駛的老年人記憶力更弱、完成注意力測(cè)試花費(fèi)的時(shí)間更長(zhǎng)、對(duì)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(píng)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(wú)前兆檢測(cè)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(zhǎng)，在無(wú)前兆情況下對(duì)行人橫穿的檢測(cè)時(shí)間更長(zhǎng)，并且差異顯著.

(a) 視覺(jué)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(guò)初步篩選，2組老年駕駛?cè)嗽谶@些測(cè)試中的表現(xiàn)差異顯著.其中，對(duì)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(duì)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(jiǎn)化老年人駕駛適性評(píng)價(jià)指標(biāo)體系和評(píng)估方法，并有效結(jié)合功能測(cè)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(píng)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(cè)試指標(biāo)基礎(chǔ)上考察模擬駕駛數(shù)據(jù)是否對(duì)模型有顯著提升.先將上述9項(xiàng)功能測(cè)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(cè)試數(shù)據(jù)得到的回歸結(jié)果如表1所示，確定對(duì)比敏感度、功能性伸展以及交通標(biāo)志理解為評(píng)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(cè)試數(shù)據(jù)回歸結(jié)果

結(jié)合功能測(cè)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(cè)試指標(biāo)外，合流變道距離進(jìn)入評(píng)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(cè)試與模擬駕駛數(shù)據(jù)回歸結(jié)果

綜上，對(duì)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(píng)價(jià)指標(biāo)，分別代表視覺(jué)、身體、認(rèn)知和模擬駕駛等4個(gè)方面.

3 駕駛適性評(píng)估模型

老年人駕駛適性的評(píng)估結(jié)果為適合或不適合繼續(xù)駕駛，可視為二分類問(wèn)題.盡管Logistic回歸可以用于解決該問(wèn)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(cè)老年駕駛?cè)说缆否{駛測(cè)試的結(jié)果，并對(duì)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(píng)價(jià)指標(biāo)數(shù)據(jù)為特征、道路測(cè)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(píng)估其泛化能力，建模過(guò)程在RStudio中實(shí)現(xiàn).

由于樣本中通過(guò)道路測(cè)試的老年駕駛?cè)藬?shù)量約為未通過(guò)者的2倍(61∶31)，在訓(xùn)練集抽樣過(guò)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(duì)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(duì)少數(shù)類的預(yù)測(cè)準(zhǔn)確度很低.為保障交通安全，駕駛適性評(píng)估模型應(yīng)當(dāng)對(duì)不適合繼續(xù)駕駛的老年人具有較高的評(píng)估準(zhǔn)確率.因此，需要對(duì)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(guò)R語(yǔ)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(cè)試.通過(guò)設(shè)定不同的隨機(jī)種子對(duì)數(shù)據(jù)集進(jìn)行10次劃分，并分別對(duì)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(guò)試錯(cuò)標(biāo)定，以測(cè)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(píng)估結(jié)果如表4所示.由表可知，支持向量機(jī)在測(cè)試集上的平均預(yù)測(cè)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(shì)明顯.

表4 模型評(píng)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(duì)支持向量機(jī)進(jìn)行了訓(xùn)練，評(píng)估結(jié)果如表4所示.對(duì)比兩者可見(jiàn)，用平衡數(shù)據(jù)訓(xùn)練的支持向量機(jī)預(yù)測(cè)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(duì)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(cè)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(cè)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(duì)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(cè)準(zhǔn)確率的波動(dòng)，但對(duì)總體和少數(shù)類的預(yù)測(cè)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(píng)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)?，可以替代道路測(cè)試進(jìn)行老年人駕駛適性評(píng)估.

表7 最佳模型混淆矩陣

4 討論

本文通過(guò)獨(dú)立樣本T檢驗(yàn)與分層逐步Logistic回歸提取出對(duì)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(píng)價(jià)指標(biāo)，并以此建立老年人駕駛適性評(píng)估模型.所選取的指標(biāo)覆蓋視覺(jué)、肢體、認(rèn)知與模擬駕駛等4個(gè)方面，結(jié)合了功能測(cè)試與模擬駕駛；以此建立的模型具有較好的評(píng)估效果，驗(yàn)證了Cuenen等[10]的結(jié)論.

研究結(jié)果證明了視覺(jué)能力對(duì)駕駛的重要作用[8]，尤其突出了對(duì)比敏感度在駕駛適性評(píng)估中的作用，而沒(méi)有將視力作為評(píng)價(jià)指標(biāo)；對(duì)比敏感度測(cè)試對(duì)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(jué)疾病對(duì)駕駛能力均有極大負(fù)面影響.此外，研究結(jié)果還說(shuō)明功能性伸展所衡量的老年駕駛?cè)松眢w平衡能力對(duì)安全駕駛有重要作用.

對(duì)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(duì)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(píng)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(duì)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(cè)試(TMT)等常用注意力測(cè)試[23-24]在本文中未能入選評(píng)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(shuō)明其在處理小樣本分類問(wèn)題上有優(yōu)勢(shì)；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(cè)試數(shù)據(jù)集的不同劃分對(duì)預(yù)測(cè)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(duì)預(yù)測(cè)效果提升較大.所構(gòu)建的老年人駕駛適性評(píng)估方法準(zhǔn)確率可達(dá)84.6%，可以有效替代道路駕駛測(cè)試；其評(píng)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(duì)性提升駕駛能力(如通過(guò)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(jiàn).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(cè)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(duì)結(jié)果起判別作用，但足以解決實(shí)際問(wèn)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(cè)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?duì)象的原因是比利時(shí)作為歐洲發(fā)達(dá)國(guó)家之一，相比我國(guó)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?wèn)題較為嚴(yán)峻，對(duì)其展開研究可以為我國(guó)將來(lái)解決類似的現(xiàn)實(shí)問(wèn)題提供參考.后續(xù)將在國(guó)內(nèi)組織實(shí)驗(yàn)驗(yàn)證該評(píng)估方法對(duì)我國(guó)老年駕駛?cè)说挠行?，建立適用于我國(guó)的老年人駕駛適性評(píng)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(cè)試與模擬駕駛數(shù)據(jù)中提取出適當(dāng)?shù)脑u(píng)價(jià)指標(biāo)，構(gòu)建了替代道路駕駛測(cè)試的老年人駕駛適性評(píng)估方法，其準(zhǔn)確率最高可達(dá)84.6%.

2) 對(duì)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(píng)價(jià)指標(biāo)，涵蓋了視覺(jué)、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(duì)老年人駕駛適性的檢測(cè)效果較決策樹與隨機(jī)森林更好.通過(guò)合成采樣平衡訓(xùn)練數(shù)據(jù)中的大小類樣本量對(duì)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(píng)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(jiàn).后續(xù)將在國(guó)內(nèi)組織實(shí)驗(yàn)，研究針對(duì)我國(guó)老年駕駛?cè)说鸟{駛適性評(píng)估方法和改善措施.