屈冉，蘇杭，李航天，戚春華

摘要：為解決典型草原公路交叉口交通標(biāo)志組合設(shè)置現(xiàn)存問題，針對性優(yōu)化交叉口交通工程設(shè)施組合設(shè)置。通過模擬試驗(yàn)，采集40名駕駛員的腦電信號，聚類為5種（MS1—MS5）微狀態(tài)地形圖，并對駕駛員的反應(yīng)時間和微狀態(tài)的持續(xù)時間、覆蓋率、出現(xiàn)頻率、轉(zhuǎn)換概率進(jìn)行統(tǒng)計分析。試驗(yàn)結(jié)果表明，在草原公路交叉口交通設(shè)施組合的認(rèn)知過程中，駕駛員腦電微狀態(tài)中的默認(rèn)網(wǎng)絡(luò)和背側(cè)注意網(wǎng)絡(luò)發(fā)揮主要作用；MS4的持續(xù)時間和MS1—MS3的轉(zhuǎn)換概率隨交通設(shè)施增多呈上升趨勢，可以作為評估駕駛員認(rèn)知負(fù)荷的直接指標(biāo)；微狀態(tài)指標(biāo)和反應(yīng)時趨勢分析發(fā)現(xiàn)在信息量等級C，即4種交通工程設(shè)施組合時駕駛員大腦狀態(tài)具有最佳表現(xiàn)，認(rèn)知能力最強(qiáng)，負(fù)荷較小且反應(yīng)最快。

關(guān)鍵詞：草原公路交叉口；交通工程設(shè)施；認(rèn)知負(fù)荷；微狀態(tài)；量化模型

中圖分類號：U491.5+2文獻(xiàn)標(biāo)識碼：A文章編號：1006-8023（2024）01-0207-08

Research on the Combination of Grassland Highway Intersection?Traffic Facilities Based on Driver's EEG Microstate Analysis

QU Ran， SU Hang， LI Hangtian， QI Chunhua

（College of Energy and Transportation Engineering， Inner Mongolia Agricultural University， Hohhot 010018， China）

Abstract：In order to solve the existing problem of the combination of traffic signs at typical grassland highway intersections， the combination setting of intersection traffic engineering facilities was optimized. Through simulation experiments， the electroencephalogram （EEG） signals of 40 drivers were collected， clustered into 5 （MS1—MS5） microstate topographic maps， and the reaction time and duration， coverage， frequency of occurrence and conversion probability of the drivers were statistically analyzed. The experimental results showed that the default network and the dorsal attention network in the driver's EEG microstate played a major role in the cognitive process of the combination of traffic facilities at the grassland highway intersection. The duration of MS4 and the conversion probability of MS1—MS3 increased with the increase of transportation facilities， which can be used as direct indicators to evaluate driver's cognitive load. Microstate indicators and reaction time trend analysis found that at the information level C， that was， the combination of four traffic engineering facilities， the driver's brain state had the best performance， the strongest cognitive ability， the smaller load and the fastest response.

Keywords：Grassland highway intersection; traffic engineering facilities; cognitive workload; microstate; quantify the model

0引言

相關(guān)調(diào)查研究發(fā)現(xiàn)，草原地區(qū)約50%的交通事故發(fā)生在道路交叉口附近[1]。交叉口作為交通流交匯點(diǎn)和道路關(guān)鍵控制節(jié)點(diǎn)，行車環(huán)境復(fù)雜、車輛行駛流線多變、沖突點(diǎn)多[2]。同時，草原公路線形單一、路側(cè)景觀單調(diào)、地形地貌變化小，駕駛員操作轉(zhuǎn)換頻率低，極易引發(fā)駕駛員精神疲勞，導(dǎo)致駕駛員注意力不集中，處理信息能力下降，致使交叉口成為草原公路交通安全重點(diǎn)風(fēng)險區(qū)域。結(jié)合前期調(diào)查發(fā)現(xiàn)，草原公路小型平面交叉口數(shù)量多，間距密，交通設(shè)施設(shè)置不合理、連續(xù)性差[3-5]。因此，研究草原公路交叉口交通工程設(shè)施組合對駕駛員腦電信號的影響，對深入探究駕駛員認(rèn)知機(jī)理和負(fù)荷能力，進(jìn)而提高交通設(shè)施設(shè)置合理性和交叉口安全水平有重要意義。

腦電微狀態(tài)是大腦全局功能狀態(tài)的瞬時表征，可以反映腦網(wǎng)絡(luò)的整體變化，已經(jīng)成為近年來國際上常用的認(rèn)知和心理評估手段。傳統(tǒng)的腦電分析方法中，研究者通常通過對α、β波等特定腦電波的時域、頻域進(jìn)行研究，探討駕駛員的腦力負(fù)荷[6]；或針對N200、P300等認(rèn)知電位成分研究駕駛員的認(rèn)知能力[7]。其雖然具有時間分辨率高、便攜性好等優(yōu)點(diǎn)，但包含的空間信息較少，易受到環(huán)境干擾。微狀態(tài)分析則能在一定程度上彌補(bǔ)腦電微狀態(tài)（electroencephalogram，EEG）在識別空間分辨率和分析大規(guī)模腦網(wǎng)絡(luò)變化方面的不足。Muthukrishnan 等[8]和Kim等[9]通過視覺空間工作記憶任務(wù)和心算任務(wù)比較了腦電微狀態(tài)在不同任務(wù)負(fù)荷下的區(qū)別，探究了大腦工作記憶的機(jī)理；D'Croz-Baron等[10]設(shè)計了聽覺和視覺任務(wù)進(jìn)行感官刺激，以研究大腦不同狀態(tài)下微狀態(tài)的改變；Krylova等[11]使用腦電微狀態(tài)區(qū)分了不同負(fù)荷任務(wù)下被試的警戒水平。 隨著腦科學(xué)與交通系統(tǒng)的交叉融合，腦電微狀態(tài)逐漸開始在交通領(lǐng)域應(yīng)用。李文斌等[12]和周凌霄等[13]通過模擬試驗(yàn)得到駕駛員腦電微狀態(tài)指標(biāo)，進(jìn)而評估了駕駛員腦力負(fù)荷。

綜上所述，國內(nèi)外學(xué)者針對交叉口交通工程設(shè)施已進(jìn)行了大量研究，在運(yùn)用腦電微狀態(tài)研究腦認(rèn)知與腦負(fù)荷等領(lǐng)域也取得了一定的進(jìn)展，但基于腦電微狀態(tài)進(jìn)行的草原公路交叉口交通設(shè)施組合設(shè)置研究尚處于起步階段。鑒于此，通過開展模擬試驗(yàn)，搭建典型草原公路交叉口場景，設(shè)置不同組合的交通工程設(shè)施，分析不同組合對駕駛員腦電微狀態(tài)指標(biāo)的影響規(guī)律，結(jié)合反應(yīng)時間，探究適宜的交通工程設(shè)施組合，為草原公路交叉口交通工程設(shè)施設(shè)置和道路交通系統(tǒng)安全提供理論依據(jù)和實(shí)踐建議。

1模擬試驗(yàn)設(shè)計

駕駛?cè)嗽趯?shí)際道路駕駛過程中，容易受到環(huán)境中各種干擾因素的影響，而產(chǎn)生其他腦電偽跡。駕駛模擬器不僅可以很好控制外部因素的影響，同時能夠保證試驗(yàn)安全、適合大樣本量試驗(yàn)。課題組前期相關(guān)研究也驗(yàn)證了模擬駕駛試驗(yàn)研究的有效性[4，14]，滿足本研究的需要，因而采用虛擬駕駛模擬平臺開展試驗(yàn)。

1.1試驗(yàn)人員

調(diào)查發(fā)現(xiàn)，18～25歲為事故高發(fā)年齡區(qū)間[15]，且長途駕駛員多為男性。數(shù)理統(tǒng)計簡單隨機(jī)抽樣中樣本量的計算公式如下。

n≥Z2S2Dd2 。（1）

式中：n為試驗(yàn)所需樣本量；Z為某一置信水平的Z統(tǒng)計量，在95%置信水平下，Z=1.960；SD為駕駛員各指標(biāo)的總體標(biāo)準(zhǔn)差，SD=0.629；d為駕駛員各指標(biāo)的允許誤差，d=0.040。

根據(jù)式（1）計算，至少需要38名被試人員。結(jié)合試驗(yàn)需要，最終選取40名青年駕駛員作為試驗(yàn)人員，其中男性25名，女性15名。要求被試人員試驗(yàn)前身心狀態(tài)良好，視力或矯正視力正常且持有駕駛證，具有法定駕駛資質(zhì)。

1.2試驗(yàn)設(shè)備

模擬駕駛系統(tǒng)結(jié)合E-Prime軟件提供盡可能真實(shí)的道路環(huán)境，呈現(xiàn)交通標(biāo)志組合作為刺激材料。腦電采集設(shè)備為32導(dǎo)聯(lián)BrainAmp型設(shè)備，如圖1（a）所示。對采集到的腦電數(shù)據(jù)使用開源工具箱 EEGLAB進(jìn)行分析處理，操作界面如圖1（b）所示。

1.3交通設(shè)施組合選擇

經(jīng)過對內(nèi)蒙古地區(qū)典型一、二級草原公路的調(diào)查發(fā)現(xiàn)，小型平面交叉口占絕大多數(shù)，其前置的交通工程設(shè)施主要包括指路標(biāo)志、交叉口警告標(biāo)志、禁令標(biāo)志、地面誘導(dǎo)線以及紅白警示樁等。結(jié)合課題組前期對草原公路交通工程設(shè)施的研究[3-5]，將交叉口常見的交通工程設(shè)施組合按照交通工程設(shè)施種類數(shù)量[4]劃分成4個信息量等級，見表1。

1.4試驗(yàn)流程

模擬試驗(yàn)分2個階段， 1）練習(xí)試驗(yàn)，連接腦電設(shè)備后告知試驗(yàn)人員試驗(yàn)?zāi)康呐c任務(wù)，進(jìn)行約5 min的練習(xí)，了解操作內(nèi)容和程序; 2）正式試驗(yàn)，練習(xí)完成后保持一段靜息狀態(tài)，關(guān)閉手機(jī)、車內(nèi)空調(diào)等電子設(shè)備，避免干擾。運(yùn)行E-Prime軟件，屏幕中間呈現(xiàn)注視點(diǎn)1 000 ms，后以7 500 ms為時間窗[16-17]隨機(jī)播放不同信息量的交通標(biāo)志組合方案，被試認(rèn)讀信息完成后做出按鍵反應(yīng)，全程記錄腦電數(shù)據(jù)和被試按鍵時間。

2結(jié)果與分析

2.1微狀態(tài)聚類

腦電微狀態(tài)分析方法是基于腦電地形圖分類進(jìn)行的。為提高分析的精度，設(shè)置了多種腦電微狀態(tài)分類模式，進(jìn)行對比選擇，如圖2（a）所示。由圖2（b）可知，經(jīng)過聚類指標(biāo)的分析，微狀態(tài)全局解釋方差（Global Explained Variance， GEV）和交叉驗(yàn)證標(biāo)準(zhǔn)（Cross-Validation Criterion， CV）在腦電地形圖聚為5類時具有最佳表現(xiàn)，既能代表大多數(shù)腦電信號，殘余噪聲又最少。最終將駕駛員腦電信號分為5種微狀態(tài)地形圖（MS1—MS5）。腦源分析[18]研究表明腦電微狀態(tài)與功能系統(tǒng)存在對照關(guān)系，微狀態(tài)MS1與聽覺網(wǎng)絡(luò)和語音處理有關(guān)；MS2在前額葉和后枕葉電勢較高，是默認(rèn)模式網(wǎng)絡(luò)的一部分，默認(rèn)模式網(wǎng)絡(luò)是一個任務(wù)負(fù)性網(wǎng)絡(luò)，隨著認(rèn)知任務(wù)難度的增加而減少活動，而在注意力降低時變得活躍；微狀態(tài)MS3與視覺網(wǎng)絡(luò)有關(guān)，反映了視覺意象型活動；MS4與背側(cè)注意網(wǎng)絡(luò)相關(guān)，可以反映注意力增加、認(rèn)知控制能力、焦點(diǎn)轉(zhuǎn)換和重新定位的反射性；MS5則常在任務(wù)微狀態(tài)研究中出現(xiàn)[19-20]。

2.2指標(biāo)分析

微狀態(tài)時間序列映射著豐富的神經(jīng)信息和生理學(xué)意義，其中平均持續(xù)時間、覆蓋率、發(fā)生頻率和轉(zhuǎn)換概率常被用于描述大腦認(rèn)知過程、反應(yīng)任務(wù)完成情況和評估腦力負(fù)荷[6]。采用EEGLAB軟件提取上述5個微狀態(tài)在不同信息量等級組合下的平均持續(xù)時間、覆蓋率、發(fā)生頻率和轉(zhuǎn)換概率，進(jìn)行對比分析，探究不同交通工程設(shè)施的組合對駕駛員腦電微狀態(tài)指標(biāo)的影響差異。

2.2.1持續(xù)時間分析

將微狀態(tài)在相對穩(wěn)定狀態(tài)下維持的平均時間稱為持續(xù)時間，反映了微狀態(tài)對應(yīng)是功能網(wǎng)絡(luò)及該網(wǎng)絡(luò)底層神經(jīng)組件的穩(wěn)定性。由圖3可知，無論何種等級的組合認(rèn)知任務(wù)下，微狀態(tài)MS2與MS4（即默認(rèn)模式網(wǎng)絡(luò)和背側(cè)注意網(wǎng)絡(luò)）的持續(xù)時間跟其他3種相比較處于較高水平，說明在認(rèn)知任務(wù)中默認(rèn)模式網(wǎng)絡(luò)和背側(cè)注意網(wǎng)絡(luò)在大腦動態(tài)中發(fā)揮主導(dǎo)作用，活動較為穩(wěn)定，這與以往的認(rèn)知任務(wù)研究相符合。在交叉口工程設(shè)施組合信息量水平達(dá)到C、D等級時，MS4顯著上升，駕駛員的注意力更加集中，MS2持續(xù)時間則縮短，在D等級時甚至低于MS5，這是任務(wù)難度增加、默認(rèn)網(wǎng)絡(luò)不穩(wěn)定的表現(xiàn)。MS4的平均持續(xù)時間超過MS2，即在此信息量水平下，注意網(wǎng)絡(luò)相較于默認(rèn)網(wǎng)絡(luò)達(dá)到了更為穩(wěn)定的狀態(tài)，駕駛員注意力較為集中，認(rèn)知能力較強(qiáng)。

對5種微狀態(tài)的持續(xù)時間進(jìn)行單因素方差分析，其中MS4和MS5方差不齊，需要進(jìn)行韋爾奇檢驗(yàn)。結(jié)果表明，微狀態(tài)MS4在不同交通設(shè)施組合信息量等級下持續(xù)時間具有顯著性差異（P<0.05），其余4種微狀態(tài)在組間和事后多重檢驗(yàn)中均沒有顯著性表現(xiàn)。

微觀狀態(tài) MS4腦全局瞬時高電勢位于頂葉和枕葉，與背側(cè)注意網(wǎng)絡(luò)相關(guān)，其持續(xù)時間的延長說明在負(fù)荷增大狀態(tài)下，更多的注意力資源被調(diào)動，從而導(dǎo)致微狀態(tài)MS4的時間參數(shù)增加，這與心算任務(wù)[21]、推理任務(wù)[22]等任務(wù)態(tài)研究對微狀態(tài)變化的探索分析一致?？梢酝贫∕S4的持續(xù)時間與認(rèn)知負(fù)荷呈正相關(guān)關(guān)系，能夠表征駕駛員認(rèn)知負(fù)荷的增加。而在信息量等級為A、B水平時，MS4微狀態(tài)持續(xù)時間較短，注意功能網(wǎng)絡(luò)相對不太穩(wěn)定，可能將導(dǎo)致對交通設(shè)施組合認(rèn)知判斷處理過程較早結(jié)束，這種情況在整個任務(wù)完成過程中重復(fù)性、間歇性地進(jìn)行，微狀態(tài)的總體平均時間就會出現(xiàn)顯著差異，導(dǎo)致背側(cè)注意網(wǎng)絡(luò)在認(rèn)知過程中維持時間較短，從而難以迅速、準(zhǔn)確地對交叉口交通設(shè)施組合完成認(rèn)知和判斷，影響行車安全。

2.2.2發(fā)生頻率分析

發(fā)生頻率指某一微狀態(tài)出現(xiàn)并保持穩(wěn)定期間平均每秒的出現(xiàn)次數(shù)，反映了其底層神經(jīng)發(fā)生器被激活的趨勢，如圖4所示。

由圖4可知，微狀態(tài)MS2和MS4的發(fā)生頻率相較于其他3種微狀態(tài)來說較高，說明交通設(shè)施組合的認(rèn)知任務(wù)當(dāng)中，背側(cè)注意網(wǎng)絡(luò)和默認(rèn)模式網(wǎng)絡(luò)不斷被激活。MS2作為任務(wù)負(fù)性網(wǎng)絡(luò)，其發(fā)生頻率整體隨交通工程設(shè)施組合信息量等級增高而出現(xiàn)下降趨勢，但在C等級信息量出現(xiàn)波動，說明C等級的交通工程設(shè)施組合信息量較為符合人體工程學(xué)，駕駛員感到輕松時出現(xiàn)了認(rèn)知負(fù)荷的下降。而對于微狀態(tài)MS4而言，在信息量等級B的出現(xiàn)頻次高于等級A，但隨后在等級C、D出現(xiàn)下降趨勢，這與Kim等[10]的研究：表現(xiàn)良好的受試者在任務(wù)期間微狀態(tài) MS3 的平均持續(xù)時間和頻率減少，微狀態(tài) MS4的平均持續(xù)時間和頻率增高，表明微狀態(tài)特征可以反映任務(wù)完成情況這個結(jié)果相悖。但也有研究認(rèn)為[16]，微狀態(tài) MS4作為背側(cè)注意網(wǎng)絡(luò)，其發(fā)生頻率反映著工作記憶功能被激活的趨勢，發(fā)生頻率呈現(xiàn)上升趨勢說明完成相應(yīng)認(rèn)知加工過程需要重復(fù)更多次，也就是說任務(wù)完成更為困難。結(jié)合本研究實(shí)際情況考量，認(rèn)為信息量等級B—D微狀態(tài)MS4的出現(xiàn)頻次呈現(xiàn)下降趨勢有2個主要原因。首先是在交通工程設(shè)施種類增多的情況下，駕駛員分配了更多的腦力給視覺系統(tǒng)，而交通標(biāo)志之間的配合和關(guān)聯(lián)性使駕駛員能夠更輕松地理解其指引含義從而做出處理、判斷和操作，不必對大腦的額葉與頂葉的認(rèn)知記憶功能反復(fù)激活；其次，由上節(jié)可知MS4的持續(xù)時間較其他微狀態(tài)來說更長、更具穩(wěn)定性，這可能導(dǎo)致了每秒內(nèi)其出現(xiàn)次數(shù)的下降。

2.2.3覆蓋率分析

計算整個試驗(yàn)分析期間每個微狀態(tài)覆蓋的總時間占比，即覆蓋率，能夠更為直觀地看出認(rèn)知任務(wù)中不同功能網(wǎng)絡(luò)的變化，對駕駛員的腦網(wǎng)絡(luò)狀態(tài)進(jìn)行監(jiān)測和評估。結(jié)合微狀態(tài)持續(xù)時間和出現(xiàn)頻次的研究，可以總結(jié)出駕駛員的腦電微狀態(tài)覆蓋趨勢，其示意圖如圖5所示。

由圖5中可知，隨著交叉口交通工程設(shè)施組合信息量等級的增加，駕駛?cè)苏J(rèn)知網(wǎng)絡(luò)MS4所占用的資源也有所增加，而聽覺微狀態(tài)MS1所占用的資源卻在減少。默認(rèn)網(wǎng)絡(luò)映射的微狀態(tài)MS2從信息量等級B到信息量等級C的變化顯示出輕微的上升趨勢，其余階段一直處于下降狀態(tài)。微狀態(tài)MS3和MS5則是在信息量等級B到信息量等級C出現(xiàn)小幅下降，在其余階段呈現(xiàn)上升趨勢。

通過分析可以看出，隨著認(rèn)知負(fù)荷任務(wù)的加強(qiáng)，駕駛?cè)说拇竽X注意能力將持續(xù)增強(qiáng)，積極參與操縱和保持注意力，以控制其行為進(jìn)而實(shí)現(xiàn)安全駕駛，這與國內(nèi)外學(xué)者的以往研究一致[18]。然而由于認(rèn)知任務(wù)的進(jìn)展，隨著信息量增大，認(rèn)知負(fù)荷程度的加深，聽覺網(wǎng)絡(luò)資源的減少意味著對外部聲音環(huán)境的關(guān)注呈下降趨勢，但是視覺微狀態(tài)占用了更多的資源，并且需要更多的精力用于視認(rèn)任務(wù)的處理。默認(rèn)網(wǎng)絡(luò)微狀態(tài)MS2和MS5覆蓋率的波動說明了駕駛員腦力分配的復(fù)雜性，其認(rèn)知能力并不與信息量負(fù)荷絕對線性相關(guān)。

2.2.4轉(zhuǎn)換概率分析

從一個微狀態(tài)轉(zhuǎn)換到其他任何微狀態(tài)的概率都不是隨機(jī)的，因此微狀態(tài)之間的轉(zhuǎn)換序列具有重要的神經(jīng)生理學(xué)意義[6]。對在不同信息量等級下的微狀態(tài)轉(zhuǎn)換概率進(jìn)行方差分析，其中MS1與MS3之間的相互轉(zhuǎn)換率和MS2至MS1、MS5至MS4的轉(zhuǎn)換概率方差不齊，采用非參數(shù)檢驗(yàn)進(jìn)行分析。組間比較發(fā)現(xiàn)，信息量等級A—D的MS1—MS3的轉(zhuǎn)換率存在顯著性差異（P＜0.05），可用作交通工程設(shè)施組合信息量差異的評價指標(biāo)。

進(jìn)一步對其具體含義進(jìn)行分析，MS1代表聽覺網(wǎng)絡(luò)，MS3代表視覺網(wǎng)絡(luò)，MS1—MS3的單側(cè)轉(zhuǎn)換概率表示腦力分配由聽覺系統(tǒng)轉(zhuǎn)換至視覺系統(tǒng)。由圖6可知，MS1—MS3的轉(zhuǎn)換概率隨交叉口交通工程設(shè)施組合信息量等級的升高而升高，但在等級C—D幅度較大，說明交通設(shè)施組合的信息量在這2個等級之間變化時，駕駛員視認(rèn)負(fù)荷受到較大影響。另外，組內(nèi)分析表明，在交通工程設(shè)施組合認(rèn)知任務(wù)下，MS2和MS4之間的轉(zhuǎn)換概率與其他微狀態(tài)相比較為頻繁，兩者轉(zhuǎn)換概率數(shù)值之和在信息量等級C時達(dá)到峰值，在信息量等級D時出現(xiàn)輕微下降。有研究發(fā)現(xiàn)[15]，二者相互轉(zhuǎn)換率與任務(wù)完成程度正相關(guān)， 也就是說，在C等級時，駕駛員對交通設(shè)施組合的認(rèn)知任務(wù)具有最高的完成度，而達(dá)到D等級時，交通設(shè)施個數(shù)增多，信息量增大，駕駛員的認(rèn)知完成比例有所下降。

2.2.5討論

對上述指標(biāo)總結(jié)分析，腦電微狀態(tài)MS2（默認(rèn)網(wǎng)絡(luò)）與MS4（背側(cè)注意網(wǎng)絡(luò)）的相關(guān)指標(biāo)均處于較高水平，默認(rèn)網(wǎng)絡(luò)和背側(cè)注意網(wǎng)絡(luò)在交叉口交通設(shè)施組合的認(rèn)知任務(wù)中始終發(fā)揮主導(dǎo)作用。持續(xù)時間和覆蓋率的研究結(jié)果表明，A、B等級下的交通設(shè)施組合信息量過少，對駕駛員腦狀態(tài)刺激較小，認(rèn)知功能網(wǎng)絡(luò)持續(xù)時間較短，覆蓋率較低，使駕駛員不能及時地、完整地理解交叉口交通設(shè)施組合所傳達(dá)的含義。在C、D等級的組合刺激下，駕駛員背側(cè)注意網(wǎng)絡(luò)的持續(xù)時間和覆蓋率超過默認(rèn)網(wǎng)絡(luò)，認(rèn)知功能網(wǎng)絡(luò)相對活躍，信息處理能力上升。發(fā)生頻率和轉(zhuǎn)換概率的相關(guān)結(jié)果則表明，在處理C等級的交通設(shè)施組合時，駕駛員任務(wù)負(fù)性網(wǎng)絡(luò)發(fā)生頻率較高，即認(rèn)知難度相對較小，MS2與MS4相互轉(zhuǎn)換概率達(dá)到峰值，信息處理能力和任務(wù)完成度最高。相較于C等級而言，D等級時駕駛員的默認(rèn)網(wǎng)絡(luò)發(fā)生頻率和轉(zhuǎn)換概率出現(xiàn)下降趨勢，即信息量較大導(dǎo)致駕駛員大腦負(fù)荷水平高，認(rèn)知能力降低。綜合分析表明，在C等級交通設(shè)施組合時，駕駛員腦電微狀態(tài)指標(biāo)表現(xiàn)最佳，為草原公路交叉口交通設(shè)施最佳的設(shè)置組合。

2.3反應(yīng)時間分析

反應(yīng)時間是指從交通設(shè)施組合出現(xiàn)到駕駛員進(jìn)行認(rèn)讀，完成按鍵行為所產(chǎn)生的時間間隔。反應(yīng)時間是一個綜合性指標(biāo)，能夠更加直觀地表征駕駛員認(rèn)知完成情況，反映駕駛員認(rèn)知能力和負(fù)荷水平。反應(yīng)時間在實(shí)際應(yīng)用中起著重要作用，部分交通事故發(fā)生的原因就是駕駛?cè)说姆磻?yīng)時間不夠，來不及判斷、操作。反應(yīng)時間與腦電信號的聯(lián)合應(yīng)用是一種被廣泛應(yīng)用的認(rèn)知任務(wù)評價方法[23]。對駕駛員的反應(yīng)時間以不同組合信息量等級為因子進(jìn)行單因素方差分析，發(fā)現(xiàn)組間存在顯著性差異（P<0.01），說明反應(yīng)時間可以作為表征信息量變化的指標(biāo)。

由圖7可知，駕駛員的反應(yīng)時間隨交通設(shè)施組合信息量等級的升高呈U形變化，從A到C等級逐漸降低，在D等級出現(xiàn)了上升趨勢。交通設(shè)施組合提供的信息量過少或過多時，駕駛員都需要耗費(fèi)更長時間來處理判斷、做出反應(yīng)。這也驗(yàn)證了駕駛員腦電微狀態(tài)指標(biāo)在C等級交通設(shè)施組合表現(xiàn)最好，認(rèn)知功能網(wǎng)絡(luò)發(fā)揮最佳效用，且負(fù)荷較小。即C等級為建議交通設(shè)施組合信息量。

3結(jié)論

1）將交叉口交通工程設(shè)施組合作為一個整體進(jìn)行研究，分析不同信息等級下駕駛員的腦電微狀態(tài)指標(biāo)，發(fā)現(xiàn)在組合認(rèn)知任務(wù)中微狀態(tài)MS2和MS4始終占據(jù)主導(dǎo)地位，默認(rèn)網(wǎng)絡(luò)和注意網(wǎng)絡(luò)發(fā)揮主要作用。

2）對微狀態(tài)指標(biāo)持續(xù)時間、覆蓋率、發(fā)生頻次和轉(zhuǎn)換概率進(jìn)行統(tǒng)計分析，發(fā)現(xiàn)MS4的持續(xù)時間和MS1—MS3的轉(zhuǎn)換概率隨交通設(shè)施種類的增加而呈現(xiàn)上升趨勢，可以作為駕駛員認(rèn)知負(fù)荷評價的直接依據(jù)指標(biāo)。

3）對微狀態(tài)指標(biāo)和反應(yīng)時間進(jìn)行趨勢觀察和對比分析。結(jié)果表明，在交叉口交通工程設(shè)施組合信息量等級為C，即設(shè)施種類為4種時，駕駛員的腦電微狀態(tài)指標(biāo)具有最佳表現(xiàn)，為適宜信息量。為草原地區(qū)相關(guān)部門進(jìn)一步優(yōu)化交叉口交通工程設(shè)施組合設(shè)置提供了理論依據(jù)。

【參考文獻(xiàn)】

[1]宮希良.內(nèi)蒙古一級公路交通安全分析與評價研究[D].西安：長安大學(xué)，2009.

GONG X L. Analysis and evaluation of first-class highway traffic safety in Inner Mongolia[D]. Xi'an： Chang'an University， 2009.

[2]宗芳，石蕊，劉懌軒，等.信號交叉口行車風(fēng)險場建立及車輛通行行為優(yōu)化[J].中國公路學(xué)報，2022，35（10）：244-253.

ZONG F， SHI R， LIU Y X， et al. Construction of risk field and optimization of driving behaviors for signalized intersections[J]. China Journal of Highway and Transport， 2022， 35（10）：244-253.

[3]李航天，楊鋒，朱守林，等.草原公路直線段交通工程設(shè)施信息量對駕駛員心率變異性的影響研究[J].森林工程，2022，38（6）：172-178.

LI H T， YANG F， ZHU S L， et al. Study on influences of traffic engineering facilities information quantity on drivers HRV in straight section of grassland highway[J]. Forest Engineering， 2022， 38（6）：172-178.

[4]王笑男.基于駕駛員腦認(rèn)知特性的草原公路交叉口交通標(biāo)志組合研究[D].呼和浩特：內(nèi)蒙古農(nóng)業(yè)大學(xué)，2021.

WANG X N. Based on drivers' brain cognitive features of prairie highway intersection traffic signs combination study[D]. Hohhot： Inner Mongolia Agricultural University， 2021.

[5]韓磊，朱守林，高明星，等.注視熵和馬爾科夫鏈的彎道誘導(dǎo)設(shè)施信息量研究[J].中國安全科學(xué)學(xué)報，2020，30（8）：122-128.

HAN L， ZHU S L， GAO M X， et al. Research on information volume of guidance facilities on bends based on gaze entropy and Markov chain[J]. China Safety Science Journal， 2020， 30（8）：122-128.

[6]許子明，牛一帆，溫旭云，等.基于腦電信號的認(rèn)知負(fù)荷評估綜述[J].航天醫(yī)學(xué)與醫(yī)學(xué)工程，2021，34（4）：339-348.

XU Z M， NIU Y F， WEN X Y， et al. A review of cognitive workload assessment based on EEG[J]. Aerospace Medicine and Medical Engineering， 2021， 34（4）：339-348.

[7]CALCAGNO A， COELLI S， COUCEIRO R， et al. EEG monitoring during software development[C]//2020 IEEE 20th Mediterranean Electrotechnical Conference （MELECON）. Palermo， Italy： IEEE， 2020：325-329.

[8]MUTHUKRISHNAN S P， AHUJA N， MEHTA N， et al. Functional brain microstate predicts the outcome in a visuospatial working memory task [J]. Behavioural Brain Research， 2016， 314（1）： 134-142.

[9]KIM K， DUC N T， CHOI M， et al. EEG microstate features according to performance on a mental arithmetic task [J]. Scientific Reports， 2021， 11（1）： 343.

[10]D'CROZ-BARON D F， BRECHET L， BAKER M， et al. Auditory and visual tasks influence the temporal dynamics of EEG microstates during post-encoding rest[J]. Brain Topography， 2021， 34（1）： 19-28.

[11]KRYLOVA M， ALIZADEH S， IZYUROV I， et al. Evidence for modulation of EEG microstate sequence by vigilance level[J]. NeuroImage， 2021， 224（1）：117393.

[12]李文斌，康陽，謝小萍，等.基于腦電微狀態(tài)分析的模擬飛行多任務(wù)腦力負(fù)荷敏感性研究[J].載人航天，2022，28（1）：55-62.

LI W B， KANG Y， XIE X P， et al. Study on mental workload sensitivity during multitasking in simulated flight based on EEG microstate analysis[J]. Manned Astronautics， 2022， 28（1）： 55-62.

[13]周凌霄，丁一琦，戴淵明，等.基于腦電“微狀態(tài)”的駕駛員腦負(fù)荷研究[J].杭州電子科技大學(xué)學(xué)報，2014，34（4）：23-26.

ZHOU L X， DING Y Q， DAI Y M， et al. Research on driver brain load based on EEG 'microstate'[J]. Journal of Hangzhou Dianzi University， 2014， 34（4）：23-26.

[14]戚春華，王笑男，朱守林，等．基于駕駛員視覺興趣區(qū)域的交通工程設(shè)施信息量閾值研究[J].重慶交通大學(xué)學(xué)報（自然科學(xué)版），2021，40（7）：53-60.

QI C H， WANG X N， ZHU S L， et al. Traffic engineering facility information threshold based on driver's visual area of interest [J]. Journal of Chongqing Jiaotong University （Natural Science）， 2021， 40（7）：53-60.

[15]徐鑫.我國道路交通事故規(guī)律特點(diǎn)及預(yù)防對策分析[J].中國安全科學(xué)學(xué)報，2013，23（11）：120.

XU X. Analysis of road traffic accidents in China and measures to prevent them[J]. China Safety Science Journal， 2013， 23（11）：120.

[16]馬永杰.基于駕駛員視認(rèn)特性的匝道分流連接部平面線形指標(biāo)及地點(diǎn)方向信息預(yù)告設(shè)置研究[D].西安：長安大學(xué)，2019.

MA Y J. Study on plane line and location direction advanced information setting of ramp junction based on analysis of driver's visual identity[D]. Xi'an： Chang'an University， 2019.

[17]程盛，毛阿立，李婷，等.高速公路BIM正向設(shè)計技術(shù)體系研究及應(yīng)用實(shí)例[J].公路工程，2023，48（4）：91-97.

CHENG S， MAO A L， LI T， et al. Research and application example of expressway BIM forward design technology system[J]. Highway Engineering， 2023， 48（4）： 91-97.

[18]BRITZ J， VAN DE VILLE D， Michel C M. BOLD correlates of EEG topography reveal rapid resting-state network dynamics[J]. Neuroimage， 2010， 52（4）： 1162-1170.

[19]楊雄.EEG時序特征選取及其腦網(wǎng)絡(luò)構(gòu)建與分析[D].太原：太原理工大學(xué)，2019.

YANG X. EEG timing feature selection and its brain network construction and analysis[D]. Taiyuan： Taiyuan University of Technology， 2019.

[20]張衛(wèi)華，陶虎，陳乾.城市快速路互通立交分流區(qū)交通沖突預(yù)測模型[J].公路工程，2022，47（1）：149-155.

ZHANG W H， TAO H， CHEN Q. The predicting model of traffic conflicts in diverging segments of expressway interchange[J]. Highway Engineering， 2022， 47（1）：149-155.

[21]POSKANZER C， DENIS D， HERRICK A， et al. Using EEG microstates to examine post-encoding quiet rest and subsequent word-pair memory[J]. Neurobiology of Learning and Memory， 2020， 181：107424.

[22]BRECHET L， BRUNET D， BIROT G， et al. Capturing the spatiotemporal dynamics of self-generated， task-initiated thoughts with EEG and fMRI[J]. Neuroimage， 2019， 194： 82-92．

[23] MAGNUSON J R， IAROCCI G， DOESBURG S M， et al. Increased intrasubject variability of reaction times and single-trial event-related potential components in children with autism spectrum disorder[J]. Autism Research， 2020， 13（2）： 221-229.