王海曉， 丁 旭， 呂 貞， 高明星

(內蒙古農業(yè)大學能源與交通工程學院， 呼和浩特 010018)

分心駕駛指行車過程中駕駛人將注意力分配到與駕駛主任務無關的其他次任務的行為，導致駕駛人的視覺資源、認知資源被不同程度占用，存在巨大的安全隱患[1-2]。使用手機已成為誘發(fā)駕駛分心的主要原因之一，而視覺是駕駛人獲取交通信息的主要途徑[3]，因此，研究駕駛人操作手機分心駕駛時的視覺行為特征，對于甄別分心駕駛狀態(tài)，評價駕駛人分心負荷水平具有重要意義。

國內外學者對分心駕駛時駕駛人的視覺特征做了相關研究。HASHASH等[4]開展了城市道路模擬駕駛試驗，表明駕駛人在使用手機瀏覽社交媒體和發(fā)送短信時造成視覺分心，注視前方道路頻率顯著降低。KOUNTOURIOTIS等[5]研究發(fā)現認知分心時視線的集中程度顯著增加。JIN等[6]設計了高速公路模擬駕駛，通過建立眼動指標評價體系，表明分心次任務顯著降低了駕駛安全性。高巖等[7]通過城郊道路模擬駕駛試驗，驗證了特定的手機操作任務對駕駛人視覺特性存在顯著影響。王海曉等[8]設計了草原公路模擬駕駛試驗，表明操作手機分心駕駛時，駕駛人的有效視覺搜索范圍變窄。游峰等[9]通過構建視覺參數影響因子模型研究表明手機操作對駕駛行為造成了明顯影響。

現有研究側重于相同道路類型中單一交通狀況下分心駕駛時駕駛人的視認特性方面的探討，鮮有從不同的交通狀況條件下開展分心駕駛研究。基于此，本文設計城市快速路場景2種行車環(huán)境中模擬駕駛的方法，采集不同駕駛狀態(tài)下的注視指標，以此挖掘駕駛人在分心駕駛過程中的注視行為，量化分心負荷水平，為駕駛人注視行為校正以及行車安全提供理論依據。

1 研究方法

1.1 試驗變量

獲取自由流和擁擠流2種城市道路典型交通狀況下駕駛人進行不同駕駛次任務的眼動參數，以表達“眼動數據”的“視覺特性參數”為因變量，以表達“自由流、擁擠流”的“交通狀況”和表達“正常駕駛、免提通話、語音短信”的“駕駛狀態(tài)”為自變量。

1.2 試驗設備與人員

試驗主要設備包括模擬駕駛器、眼動信息采集裝置及執(zhí)行駕駛次任務所需的智能手機。試驗所采用的全仿真模擬駕駛器是由法國OKTAL公司開發(fā)的QJ-4B1型六自由度模擬駕駛器，設備由模擬駕駛艙、視景顯示設備和操作控制平臺構成(圖1)，其中模擬駕駛艙采用實車操控部件，由比亞迪F3轎車改裝而成。眼動信息采集設備采用德國SMI生產的Iview X HED型眼動儀(含Begaze分析軟件)。駕駛次任務中使用的智能手機均安裝有微信聊天軟件。

圖1 試驗的主要設備

試驗采用滾雪球抽樣的方式，樣本量的計算公式如下：

(1)

其中，n為樣本量，Z為標準正態(tài)分布統(tǒng)計量，σ為總體標準差，E為容許誤差。顯著性水平取0.1，則Z=1.28，σ的取值范圍為0.25～0.50，結合抽樣調查的結果，取σ=0.30、E=10%。

根據式(1)求得所需最小樣本量n=15,因此，試驗招募19名非職業(yè)駕駛人作為被試，所有被試均知曉本實驗的所有流程和研究目的，并已簽訂知情同意書。年齡為27～54歲(均值：34.4，標準差：9.4)；均持有C1駕駛證，視覺功能正常且裸眼或矯正視力在4.8以上，駕齡均在2年以上(均值：8.2，標準差：4.9)。試驗前24 h保證被試人員正常的飲食和休息，無飲酒或服用藥物，同時避免劇烈運動。

1.3 試驗場景

采用3D-MAX搭建試驗場景，模擬晴朗天氣下駕駛人在城市快速路上行駛的情況，為保證試驗數據的可比性，設置自由流、擁擠流2種交通場景，均采用雙向四車道設計，道路全長20 km，車道寬度為3.5 m，限速80 km/h，整體試驗路線設計及場景如圖2所示。

圖2 試驗路線的設計

在自由流場景中，要求被試人員駕駛主車(Subject Vehicle，SV)跟隨前方引導車(Leader Vehicle，LV)行駛，且保持一定的跟車距離，不允許主車進行超車。引導車的車速設計為65 km/h，為避免學習效應，設置其車速產生小范圍波動，模擬加減速情況。對向車道存在少量車輛，對主車行駛無影響。在擁擠流場景中，主車與和引導車前后同時出現大量車流，將主車和引導車迅速融入其中，車流速度設計為35 km/h，此時主車不需要保持跟車行駛狀態(tài)，在安全行駛的前提下，允許超車與變道。

1.4 試驗過程

被試在工作人員的幫助下先進行10 min的適應性訓練、熟悉操作，不涉及任何駕駛次任務的安排，隨后進入正式試驗，手機切換至微信聊天界面并安置于車輛中控臺位置，被試人員駕駛主車從起點出發(fā)，通過不同交通流場景，行駛至特定位置觸發(fā)駕駛次任務，包括免提通話和語音短信，內容設計為同等難度數學計算，每項操作持續(xù)約50 s，間隔5 min以供駕駛人調整狀態(tài)。被試將分別在2種交通狀況中完成免提通話及發(fā)送語音短信2項任務。

1.5 數據處理

利用Origin 2021數據分析與繪圖軟件、SPSS(Statis tical Product Service Solutions,統(tǒng)計產品與服務解決方案)軟件和眼動儀自帶分析軟件(Begaze)對采集的眼動數據進行統(tǒng)計與數據處理分析。為保證數據的有效性、可比性，分別截取駕駛人完成每種次任務的30 s數據進行分析，并截取駕駛人無次任務正常駕駛狀態(tài)下30 s的數據作為空白對照組。

2 結果與討論

行車過程中駕駛人通過注視不斷加工處理外界信息，以保證行車安全，當駕駛人處于不同程度分心狀態(tài)時，伴隨著相應注視行為指標的變化[10]。因此，挖掘駕駛人在分心駕駛過程中的注視行為特性，對于分心負荷的評價具有重要意義。

2.1 注視區(qū)域劃分

由于行車視野范圍中不同區(qū)域所包含信息的密度、重要程度的差異，駕駛人往往采用選擇性注意的視覺搜索模式。注視點可以表征駕駛人所注意的空間焦點，集中的區(qū)域可以表征駕駛人的興趣區(qū)域(Areas of Interest，AOI)。因此，對視野區(qū)域進行劃分是研究駕駛人注視特性的基礎。

聚類分析方法可以通過多次迭代逐步提高聚類效果，且對于大樣本數據適用性強。層次聚類法可以有效規(guī)避初始聚類中心設定的問題，發(fā)現類簇間的層次關系且實施起來更加靈活，因而適用于注視區(qū)域的劃分。

采用歐式距離建立數據集距離矩陣，運行UPGMA算法計算兩簇之間的距離，完成層次聚合過程。分別將19名被試人員在自由流和擁擠流2種駕駛場景下的注視點坐標進行層次聚類，結合分類數目與類間距離繪制碎石圖，類間距離隨著分類數目的增加均呈現遞減趨勢，自由流和擁擠流狀態(tài)均以5～6類為分界點趨穩(wěn)。

結合機械劃分法將注視區(qū)域劃分為6部分，其中：A為道路左側及左后視鏡區(qū)域；B為前方道路區(qū)域，是行車過程中的主要注視區(qū)域；C為前方道路遠處區(qū)域：D為車內儀表盤區(qū)域；E為中控臺手機放置區(qū)域；F為道路右側及右后視鏡區(qū)域。區(qū)域劃分見圖3。將駕駛人在2種交通狀況下的注視點坐標分別進行層次聚類，選取類的數量為6，聚類中心如表1所示，聚類后的注視點分布如圖4所示。根據層次聚類結果，駕駛人行車過程中注視點主要集中于前方道路區(qū)域，自由流和擁擠流場景中該區(qū)域注視點占比分別為89.59%和93.80%。

圖3 駕駛人視野區(qū)域的劃分

表1 聚類中心結果

圖4 注視點層次聚類結果

2.2 注視區(qū)域信息熵

以前方道路區(qū)域的聚類中心作為整個注視區(qū)域的質心位置，將每個注視點距質心的距離以100 px為步長進行分區(qū)段統(tǒng)計，可以反映出駕駛人的注視點偏移程度，頻次占比情況如圖5所示。

圖5 不同駕駛狀態(tài)下注視點偏移質心距離的頻次占比

在2種行車環(huán)境中，相較于正常駕駛狀態(tài)，語音短信狀態(tài)下，注視點偏移距離在300 px以上的中長距離區(qū)間內注視頻次占比顯著增加，0～100 px短距離區(qū)間內注視頻次占比顯著減小，表明該過程駕駛人大多處于視覺分心狀態(tài)，需要在手機屏幕和前方道路之間頻繁轉移視線，為保證行車安全，擴大了道路區(qū)域的視覺搜索范圍。

在免提通話狀態(tài)下，注視點偏移距離在300 px以上的區(qū)間內注視頻次占比減少，且行車環(huán)境單一的自由流場景中，0～100 px區(qū)間內注視頻次占比顯著增加，表明該過程駕駛人大多處于認知分心狀態(tài)，注視點集中于道路前方區(qū)域，觀察周圍路況的行為大幅減少。信息熵是量化信息量的指標，從熱力學中借鑒而來，可衡量系統(tǒng)的有序化程度。即系統(tǒng)越有序，信息熵越?。环粗酱骩11]。同理，駕駛人注視區(qū)域的信息熵越高，表明注視點分布越離散，反之則越集中。將注視點坐標到質心的距離以100 px為1個步長劃分成5個區(qū)段。信息熵：

(2)

其中，H(X)為注視區(qū)域信息熵，單位為比特(bit)；pij為駕駛人處于i種駕駛狀態(tài)下注視點偏移質心距離在第j距離區(qū)段內的頻次占比，pij≥0，當pij=0時，pijlog2pij=0；h為距離劃分區(qū)段數，本文h=5。

統(tǒng)計2種交通狀況下駕駛人處于不同駕駛狀態(tài)的注視區(qū)域信息熵(圖6)，2種交通狀況下注視區(qū)域信息熵分布區(qū)間和離散程度相似，自由流中信息熵主要分布于0.545～1.707 bit，擁擠流中信息熵主要分布于0.651～1.714 bit，語音短信狀態(tài)下信息熵均值相較于正常駕駛狀態(tài)激增。在自由流場景中，免提通話狀態(tài)下注視區(qū)域信息熵相較于正常駕駛狀態(tài)銳減，而在擁擠流場景中則與正常駕駛狀態(tài)無顯著差異。原因是由于自由流場景行車環(huán)境單一，駕駛人在免提通話時處于嚴重認知分心狀態(tài)，觀察周圍路況的頻次大幅減小。

圖6 駕駛人注視區(qū)域信息熵分布

采用統(tǒng)計學方法對數據進行單因素方差分析，研究2種交通狀況下駕駛人處于不同駕駛狀態(tài)的注視區(qū)域信息熵差異性。如表2所示，顯著性水平為0.05，在不同交通狀況下，不同駕駛狀態(tài)下駕駛人的注視區(qū)域信息熵差異顯著。為進一步研究交通狀況與駕駛狀態(tài)對注視區(qū)域信息熵的影響程度，采用雙因素方差分析如表3所示，駕駛狀態(tài)對注視區(qū)域信息熵有顯著影響,而交通狀況以及交通狀況與駕駛狀態(tài)的交互作用對注視區(qū)域信息熵不存在顯著影響。

表2 駕駛狀態(tài)對注視區(qū)域信息熵影響的單因素方差分析

表3 注視區(qū)域信息熵雙因素方差分析

2.3 注視持續(xù)時間

注視持續(xù)時間是指一次注視過程中，人眼視軸中心位置保持不變的持續(xù)時間，單位為ms。在行車過程中，駕駛人的注視持續(xù)時間直觀地反映了識別、處理目標信息的難易程度以及對注視目標的感興趣程度。將駕駛人在不同交通狀況下處于不同駕駛狀態(tài)時的注視持續(xù)時間以200 ms為步長進行分區(qū)段統(tǒng)計，結果如圖7所示。

圖7 注視持續(xù)時間頻次占比

在2種行車環(huán)境中，相較于正常駕駛狀態(tài)，免提通話操作時注視持續(xù)時間在400 ms以上的中長時間區(qū)間內注視頻次占比顯著增加，且擁擠流場景中注視頻次占比增幅更加明顯，表明駕駛人大多處于認知分心狀態(tài)，需要通過多次長時間的注視搜尋處理交通信息，調節(jié)行車狀態(tài)；在語音短信狀態(tài)下，由于駕駛人需要在手機屏幕和前方道路之間頻繁轉移視線，增加了視覺分心程度，導致0～200 ms區(qū)間的短時注視頻次占比增加，且自由流場景下注視頻次占比增幅更加明顯。

統(tǒng)計所有被試人員的平均注視持續(xù)時間如圖8所示，自由流中注視持續(xù)時間主要分布于309～674 ms；擁擠流中主要分布于239～453 ms，且更加集中，持續(xù)時間較短，這是由于擁擠流場景中，駕駛人需要時刻觀察前方車流的變化，通過多次短時間的注視搜尋處理交通信息，適應復雜的行車環(huán)境。在2種交通狀況下，駕駛人處于手機操作狀態(tài)的注視持續(xù)時間均值相較于正常駕駛狀態(tài)普遍增加。在自由流場景中駕駛人執(zhí)行語音短信任務時，注視持續(xù)時間比正常駕駛狀態(tài)的短，原因是駕駛人需要頻繁觀察手機，且單次注視手機的持續(xù)時間比自由流中正常駕駛時識別處理交通信息的單次注視時間更短，致使總體持續(xù)時間均值下降。

圖8 駕駛人注視持續(xù)時間分布

對注視持續(xù)時間進行單因素方差分析，如表4所示，在不同交通狀況下，處于不同駕駛狀態(tài)駕駛人的注視持續(xù)時間差異都是顯著的。采用雙因素方差分析如表5所示，交通狀況與駕駛狀態(tài)均對駕駛人注視持續(xù)時間有顯著影響，且交通狀況與駕駛狀態(tài)對注視持續(xù)時間存在交互影響。

表4 駕駛狀態(tài)對注視持續(xù)時間影響的單因素方差分析

表5 注視持續(xù)時間雙因素方差分析

2.4 注視偏差

2.4.1 垂直方向注視偏差 垂直方向注視偏差是指注視點在垂直方向上分布位置的標準差，利用眼動儀直接采集得到，用來表征行車過程中駕駛人垂直方向的視覺搜索廣度。如圖9所示，自由流中注視偏差主要分布于13～35 px；擁擠流中主要分布于11～31 px。在2種交通狀況下垂直方向注視偏差分布情況相似，且駕駛人處于手機操作狀態(tài)的注視偏差均值相較于正常駕駛狀態(tài)普遍增加。值得注意的是，自由流場景中在駕駛人進行免提通話時，垂直方向注視偏差比正常駕駛狀態(tài)的小，原因是自由流場景行車環(huán)境單一，且駕駛人執(zhí)行免提通話任務過程中大多處于認知分心狀態(tài)，傾向于長時間注視于前方道路區(qū)域。

圖9 駕駛人垂直方向注視偏差分布

對垂直方向注視偏差進行單因素方差分析，如表6所示，在不同交通狀況下，處于不同駕駛狀態(tài)駕駛人垂直方向注視偏差的差異都是顯著的。采用雙因素方差分析如表7所示，交通狀況與駕駛狀態(tài)均對駕駛人垂直方向注視偏差有顯著影響，且交通狀況與駕駛狀態(tài)對垂直方向注視偏差存在交互影響。

表6 駕駛狀態(tài)對垂直方向注視偏差影響的單因素方差分析

表7 垂直方向注視偏差的雙因素方差分析

2.4.2 水平方向注視偏差 水平方向注視偏差是指注視點在水平方向上分布位置的標準差，用來表征行車過程中駕駛人水平方向的視覺搜索廣度。經統(tǒng)計分析表明駕駛狀態(tài)以及交通狀況與駕駛狀態(tài)的交互作用對水平方向注視偏差均不存在顯著影響，故不做詳細分析討論。

2.5 瞳孔面積

瞳孔面積常作為反映駕駛人心理負荷和視覺舒適度的輔助指標。引發(fā)個體瞳孔面積變化的因素眾多，環(huán)境亮度的改變會促使瞳孔面積快速擴張或收縮；情緒、心理努力程度、知覺與注意等多重心理因素也會導致瞳孔面積發(fā)生明顯變化[12-13]。

2.5.1 瞳孔面積差異性 提取駕駛人(S1～S19)在2種交通狀況且處于正常駕駛(無次任務)狀態(tài)的瞳孔面積數據平均值，在不執(zhí)行駕駛任務的情況下，各駕駛人的瞳孔面積分布情況如圖10所示，處于擁擠流場景中駕駛人瞳孔面積普遍增大，這是由于擁擠流場景中行車環(huán)境復雜，駕駛人心理努力程度加大，心理負荷加重，視覺適應性下降，致使其瞳孔擴張。采用單因素方差分析研究駕駛人在不同交通狀況下瞳孔面積的個體差異性。結果顯示：自由流中F=512.350(P=0.000)，擁擠流中F=735.875(P=0.000)，駕駛人瞳孔面積的個體差異顯著。

圖10 不同交通狀況下駕駛人瞳孔面積

2.5.2 瞳孔面積變異系數 為減小瞳孔面積個體差異性的影響，引入變異系數衡量各駕駛人瞳孔面積數據的離散程度。變異系數越大，瞳孔面積的波動越顯著，從而間接反映駕駛人視覺適應性及心理負荷水平。變異系數：

(3)

其中，Cv為變異系數，σ為標準差，μ為平均值。

如圖11所示，在2種交通狀況下，瞳孔面積變異系數分布情況相似，手機操作狀態(tài)時的瞳孔面積變異系數高于正常駕駛狀態(tài)。自由流中該變異系數主要分布于0.035～0.140；擁擠流場中該變異系數主要分布于0.036～0.127。

圖11 駕駛人瞳孔面積變異系數分布

免提通話狀態(tài)瞳孔面積變異系數增長率較小，在自由流、擁擠流中分別為7.25%和4.51%，瞳孔面積的變化主要由駕駛人心理負荷增加所致；語音短信狀態(tài)變異系數激增，在自由流、擁擠流中增長率分別為81.81%和83.51%，引起該變化的因素：手機屏幕和視景顯示設備存在亮度差，駕駛人執(zhí)行語音短信次任務時需要頻繁轉移視線；分心駕駛過程駕駛人心理負荷增加。瞳孔面積在雙因素的耦合效應下顯著變化。

對瞳孔面積變異系數進行單因素方差分析，如表8所示，在不同交通狀況下，處于不同駕駛狀態(tài)駕駛人瞳孔面積變異系數均有顯著差異。采用雙因素方差分析如表9所示，駕駛狀態(tài)對駕駛人瞳孔面積變異系數有顯著影響,交通狀況以及交通狀況與駕駛狀態(tài)的交互作用對瞳孔面積變異系數不存在顯著影響。

表8 駕駛狀態(tài)對瞳孔面積變異系數影響的單因素方差分析

表9 瞳孔面積變異系數的雙因素方差分析

2.6 分心負荷

2.6.1 分心負荷指數 本文設計免提通話和語音短信2種分心次任務，分別誘使被試人員產生認知分心和視覺分心，為了評價不同類型分心任務對駕駛人的影響程度是否存在差異，提出“分心負荷”概念對駕駛分心狀態(tài)的嚴重程度進行表征，綜合評價駕駛人的心理負荷水平，從而探究手機操作行為對分心負荷的影響過程及定量結果。根據描述統(tǒng)計和方差分析結果，選取注視區(qū)域信息熵、注視持續(xù)時間、垂直方向注視偏差和瞳孔面積變異系數作為評價駕駛人分心負荷的依據，建立駕駛人分心狀態(tài)的評價指標，分心負荷指數的建立過程如下。

步驟1：分別將2種交通狀況下的各注視指標做區(qū)間化處理，設第j項注視指標輸入集合為Xj，

Xj={x1j,x2j,…,xij}，

則指標的區(qū)間化方法為：

(4)

其中，Rj為區(qū)間化處理后的注視指標輸出集合，即

Rj={r1j,r2j,…,rij}；

xij為第j項注視指標的第i個輸入值；為便于指標權重的計算，取a=0.01，b=0.99，即數據區(qū)間化范圍取0.01～0.99。

步驟2：將區(qū)間化處理后的指標進行熵權法分析，熵權法可根據各項指標的變異程度，利用信息熵計算出指標熵權，再通過熵權對指標權重進行修正，得出較為客觀的指標權重[14]。熵權法的計算過程如下。

(1)構建區(qū)間化處理后的原始數據矩陣：

(5)

(2)記第j項指標下第i個輸入值的比重為pij，則：

(6)

(3)計算第j項指標的信息熵ej：

(7)

其中，m為輸入值個數，k=1/lnm。

(4)計算第j項指標的信息效用值dj：

dj=1-ej。

(8)

d越大，則該指標提供的信息量越大，越應給予較大的指標權重。

(5)計算第j項指標的熵權：

(9)

分別計算2種交通狀況下各注視指標的權重，計算結果如表10所示。

表10 不同交通狀況熵權法分析計算結果匯總

步驟3：根據權重，分別計算不同交通狀況下全部指標第i個輸入值的綜合得分為：

(10)

其中，Fi為綜合得分；wj為第j項注視指標的權重系數；rij為區(qū)間化處理后的第j項注視指標的第i個輸入值；n為注視指標數量，本文n=4。

步驟4：將計算得到的2種交通狀況下不同駕駛狀態(tài)的指標綜合得分取均值，計算分心負荷指數結果如圖12所示。除自由流場景中免提通話狀態(tài)，相比于正常駕駛，手機操作對駕駛人注視行為有顯著影響，使得駕駛人分心負荷指數普遍提高，其中擁擠流場景中免提通話狀態(tài)下該指數增幅為20.62%，2種場景語音短信狀態(tài)下該指數增幅分別達到24.91%和67.32%，結果表明：擁擠流行車環(huán)境增幅更加顯著，且語音短信操作對駕駛人影響程度明顯高于免提通話。

圖12 不同交通狀況下分心負荷指數的變化

2.6.2 分心負荷指數結果驗證 采用TOPSIS法對分心負荷指數的評估結果進行進一步驗證，TOPSIS法是研究評價對象與理想化方案相似性的順序選優(yōu)模型，通過檢測評價對象與正負理想解的相對接近程度，從而進行相對優(yōu)劣評價的一種方法[15]。

(1)將同一交通狀況中相同駕駛狀態(tài)下區(qū)間化處理后的各指標輸入值rij取均值并計算倒數，使數據全部同趨勢正向化，得到u種駕駛狀態(tài)下的指標zuj，構建t行n列的正向化矩陣Z，本文每種交通狀況對應3種駕駛狀態(tài)，反映分心負荷的指標共4個，因此取t=3，n=4，建立矩陣

Z=(zuj)t×n。

(11)

(2)確定矩陣Z的最優(yōu)向量Z+和最劣向量Z-：

(12)

(13)

(14)

(15)

(4)最后計算各評價對象與理想化方案的相對接近程度Cu：

(16)

分別計算2種交通狀況下各駕駛狀態(tài)與理想化狀態(tài)的相對接近度Cu并排序，Cu越大表明駕駛狀態(tài)越優(yōu)。TOPSIS法分析結果如表11、表12所示，2種交通狀況不同駕駛狀態(tài)的優(yōu)劣排序結果與分心負荷指數的評估結果一致。

表11 自由流場景TOPSIS法的評價結果

表12 擁擠流場景TOPSIS法的評價結果

將本文構建的分心負荷指數模型與游峰等[9]構建的視覺參數影響因子模型做對比(圖13)，不同駕駛狀態(tài)下2種模型計算結果呈現出相同的變化趨勢，進一步驗證了分心負荷指數評估結果的有效性。

圖13 不同模型計算結果對比

3 結論

本文選取城市快速路場景進行模擬駕駛試驗，采集了自由流和擁擠流2種典型交通狀況下駕駛人執(zhí)行不同手機操作任務的注視指標，對比正常駕駛狀態(tài)分析了手機分心操作對注視行為特性的影響，得到以下結論：

(1)駕駛人執(zhí)行免提通話任務時大多處于認知分心狀態(tài)，視域相對集中，對路況和環(huán)境觀測不足；駕駛人執(zhí)行語音短信任務時多處于視覺分心狀態(tài)，頻繁轉移視線，常通過努力擴大搜索范圍進行安全補償。

(2)根據聚類原則，城市快速路行車時駕駛人的注視興趣區(qū)域劃分為6類；通過描述統(tǒng)計和方差分析，可將注視區(qū)域信息熵、注視持續(xù)時間、垂直方向注視偏差、瞳孔面積變異系數作為衡量注視行為特性的敏感性指標集。

(3)計算并驗證分心負荷指數對分心程度的評估效果。根據評估結果，相較于正常駕駛，除自由流場景中進行免提通話操作時分心負荷差異甚微，操作手機時駕駛人分心負荷指數普遍升高，且擁擠流行車環(huán)境中增幅更加顯著，其中執(zhí)行語音短信操作的分心負荷增幅可達67.32%，駕駛風險遠高于免提通話。

后續(xù)研究還應進一步結合其他眼動、心電、腦電等指標，全面量化駕駛人分心時的心理負荷水平，結合車輛運行指標開展分心警示和干預的研究。