0 引言

L3级自动驾驶属于有条件自动化驾驶，车辆在特定环境下可自主驾驶，但需驾驶人在系统请求时快速接管车辆的控制^[1]。在这种人机共驾模式下，驾驶人从传统驾驶中的主动控制者转变为监控者，其注意力状态对驾驶安全至关重要。然而，由于自动驾驶系统部分接管了驾驶任务，驾驶人在长时间监控过程中易因操作参与度降低、心理负荷变化及对自动化系统的过度依赖而陷入心智游移状态^[2-3]。心智游移是一种注意力偏离现象，表现为驾驶人的注意力从当前驾驶任务转移至与驾驶无关的内在思维活动。这一现象在L3级自动驾驶环境中尤为突出，可导致驾驶人对系统接管请求的反应时间显著延长和接管质量下降，甚至因反应迟缓或判断失误引发严重交通事故^[4-5]。随着L3级自动驾驶技术的推广，心智游移对行车安全的潜在威胁受到社会各界的广泛关注，成为亟需解决的核心问题之一。

既有心智游移研究采用了多种方法来辨识心智游移的发生及其影响因素，常见方法之一是基于常规统计分析的主观评估，包括经验采样法^[6]、心智注意力认知量表^[7]及心智游移三因素量表^[8]等，通过问卷调查、情景回忆或试验中插入的随机探测问题，直接记录个体的注意力状态和心智游移频率，但这些主观评价法易受到参与者记忆偏差、社会期望效应及自我认知能力的影响，需结合客观测量法来弥补主观评价法的不足^[9]。在客观方法中，眼动追踪技术在心智游移研究中广泛应用，如瞳孔直径短暂收缩、注视时长增加及扫视速度减慢可直观反映个体在执行任务时的注意力分布和变化规律^[10]。另外，心率等生理信号监测亦是驾驶人心智游移识别的重要手段^[11]。有效结合上述主客观指标，可预测驾驶人的心智游移状态，如Misra^[12]使用随机森林模型结合眼动特征和其他生理信号来预测驾驶人的心智游移状态。然而，由于深度学习模型的可解释性较弱，且对数据要求较高，往往在鲁棒性和适应性等方面表现不佳。

鉴于此，本研究通过开展L3级有条件自动驾驶模拟试验采集驾驶人的眼动、心率等生理指标，并鉴别其心智游移发生频率的显著性影响因素，进而构建基于粒子群优化算法的改进随机森林模型PSO-RF来预测驾驶人的心智游移状态，研究结果可为L3级自动驾驶系统提供安全保障。

1 试验设计 1.1 试验参与者

试验准备阶段公开招募20名驾驶人作为被试对象，具有C1驾驶执照，年龄在23~29岁之间，平均26.8岁，而驾龄为4~7 a，平均5.3 a。所有的被试驾驶人均无自动驾驶车辆操作经验、裸眼视力或矫正视力正常、无任何疾病史且正式试验前24 h内未饮酒。测试过程中驾驶人需关闭电子设备，以避免环境因素干扰，专注于驾驶任务，同时要求其依据个人习惯自由驾驶。

1.2 试验设备

驾驶模拟器由显示屏、方向盘及脚踏板组成。显示屏分辨率为1 920×1 080像素，尺寸为27英寸，能清晰呈现模拟驾驶场景，频率为25 Hz。方向盘为罗技高精度方向盘G923，兼容性好。脚踏板包括油门、刹车和离合器，可准确捕捉驾驶人的踩踏力度和速度变化。

生理数据测量仪器为Tobii Pro X2-30眼动仪和HKD-10C数字心电传感器。眼动仪吸附于显示屏上，采样频率30 Hz，平均精度阈值0.5°。心电传感器采样频率200 Hz，量程0~4 mV，导线另一端连接电极片粘贴于被试者胸前。

利用UC-Win/Road搭建道路网络^[13]，包含10条双向六车道、8条双向4车道及31个道路交叉口(图 1)，其中2条道路限速60 km/h，3条道路限速50 km/h，9条道路限速40 km/h，车道宽3.15 m，交通量随机设置为3~10 veh/(min·ln)。

1.3 指标采集

为构建人机共驾模式下的驾驶人心智游移预测模型，选取注视时长、瞳孔直径、扫视速度、扫视幅度及兴趣区注视时长百分比5项眼动指标作为试验采集指标^[10]。其中，注视时长为驾驶人在特定区域或对象上停留的时间长度，单位反映其对特定刺激的注意力分配和兴趣程度^[14]。瞳孔直径指驾驶人瞳孔大小，数值变化反映驾驶人的认知和情绪状态，当其处于高度注意力集中或较高认知负荷的状态时其瞳孔直径增大；扫视速度指眼球从一个注视点移动到下一个注视点之间所持续的时间，反映驾驶人在观察场景时的注意力分配信息；扫视幅度指眼球在观察过程中在水平和垂直方向上的移动距离，其值越小表明驾驶人越专注于某一特定区域。

另外，兴趣区注视时长百分比指驾驶人在观察特定兴趣区域时持续时间与总观察时间之比，反映了驾驶人在观察过程中对特定兴趣区域的关注程度，比值越大表明该区域吸引力更大或更重要^[15]。试验中将驾驶屏幕划分为道路、后视镜、指示屏、仪表盘、建筑及其他区域共6个兴趣区，如图 2所示。已有研究表明^[16]，驾驶人在驾驶过程中通过转移注视点来分配视觉注意力到不同的区域是判断其是否专注的有效指标。若驾驶人在道路、后视镜、指示屏等驾驶任务相关区域的注视时长百分比较高，意味着其对驾驶环境保持关注^[17]; 反之，若驾驶人在侧方建筑景物等非驾驶任务相关区域的注视时长百分比较高，则表明其对驾驶任务的关注度有所降低。

心率变异率HRV (Heart Rate Variability)指心跳间隔时间的变化，通过时域和频域分析其特征^[11]。本研究选取连续两个心室收缩之间的时间差RR均值、RR间期标准差SDNN、RR间期差值均方根RMSSD、心跳间隔大于50 ms的RR间期比例PNN50, 4个时域指标及低频功率(Low Frequency Power，LF)与高频功率(High Frequency Power，HF)比值P_L/P_H作为频域指标来综合评估驾驶人的HRV特征，进而判断其是否适用于构建驾驶人心智游移预测模型。SDNN记为S_DNN，RR记为t_RR，NN记为t_NN，RMSSD记为S_RMSD，PNN50记为S_PNN50。

$ S_{\mathrm{DNN}}=\sqrt{\frac{\sum\limits_{i=1}^N\left(T_{\mathrm{RR}, i}-\bar{t}_{\mathrm{RR}}\right)}{N}}, $

(1)

式中，N为一定时间段内的心搏总数；t_{RR, i}为第i个RR间期时长；$ \bar{t}_{\mathrm{RR}}$为一定时段内N个RR间期的均值：

$ S_{\mathrm{RMSD}}=\sqrt{\frac{\sum\limits_{i=1}^N\left(T_{\mathrm{RR}, i}-t_{\mathrm{RR}, i-1}\right)^2}{N}}, $

(2)

$ S_{\mathrm{PNN} 50}=\frac{t_{\mathrm{NN} 50}}{t_{\mathrm{NN}}} \times 100 \%, $

(3)

式中，NN为RR间期总数；NN₅₀为相邻RR间期差值大于50 ms的RR间期数。

心智游移是一种内部思维，即驾驶人在执行监控任务过程中，思维不自觉地偏离当前任务而转向一些与任务无关的内心思考、想象或感受。以往研究主要通过被试者自我报告和设置思维探针来识别心智游移状态^[18]，即被试者在试验场景中时刻关注自身的意识状态，一旦发现思维偏离驾驶任务需立即报告，或被试者在试验过程中被随机打断，报告自己被打断前一刻的意识状态或意识内容。本研究采取自我报告与思维探针相结合的方式识别被试者心智游移状态，选取自我报告或探针识别到的前20 s为时间窗口^[19]，记录对应的生理数据。试验中10，15 min及30 min分别设置3个情景意识探针，被试者需根据前一秒观察到的交通场景，回答研究人员提出的相关问题，例如：情景意识探针出现的前一秒道路上有几辆车, 与被试者驾驶车辆之间的距离, 该车辆的行驶速度如何等相关问题，以评估其在当前场景中的认知能力，并为心智游移状态判定提供佐证依据。

根据采集的心智游移和专注状态的报告次数，计算被试者的心智游移频率f：

$ f=\frac{\text { 心智游移次数 }}{\text { 心智游移次数 }+ \text { 专注状态次数 }}{ }。$

(4)

1.4 试验流程

驾驶人在正式试验前按照6标度(1=几乎总是，2=非常频繁，3=有点频繁，4=有点不频繁，5=非常不频繁，6=几乎从不)填写心智注意力认知量表(Mindful Attention Awareness Scale，MAAS)^[20]，共包含15个问题，反映了个体对自身注意力及意识的觉知水平。觉知水平高的被试者能集中注意力、保持专注且意识到自身的思维状态，能更好地抵抗注意力分散和思维漫游，从而减少心智游移的发生，而觉知水平较低的被试者易陷入心智游移状态，导致注意力易分散。

被试者穿戴好生理设备，将座椅调整至舒服位置后，告知其驾驶模拟器操作注意事项和试验具体流程，并向其解释“心智游移”与“专注状态”的概念和实例直至其理解透彻。被试者完成15 min练习后开始自动驾驶正式试验，仅需完成监控道路场景任务，并确保紧急情况时能成功接管车辆。试验过程中，被试驾驶人若发生心智游移，需立即报告；随机间隔一段时间被试者被询问：“本次问题提出前一刻你是否处于心智游移状态？”被试者只需回答“是”或“否”。另外，当情景意识探针出现时刻，被试者需回答前一秒模拟场景中有关自动驾驶车辆的细节问题。试验中眼动仪与心电传感器全程记录被试者的眼动指标和心率数据，车辆到达终点保存数据。

试验后眼动数据导入Tobii Pro Lab软件中，按照初步拟定的时间段对数据进行分割，匹配和剔除掉试验过程中被试人员由于身体动作或外界干扰时间段的数据，处理后的数据导入excel表可进一步提取瞳孔直径等特征参数。采用小波变换滤波法净化带噪心电信号，进而可提取心率变异率HRV, RR均值等心电参数。

2 心智游移表征指标 2.1 个体差异对心智游移频率的影响

20名被试者MAAS分数分布在38~78分之间(M=57.95，S_D=10.70)，分数越高代表其觉知水平越高，心智游移发生频率越低，反之亦然。依据MAAS分数将被试者分为两组，即高心智游移倾向组(MAAS分数＜57.95)与低心智游移倾向组(MAAS分数＞57.95)，非参数检验结果显示两组被试者的MAAS分数(p < 0.001)与心智游移频率(p=0.002)均存在显著差异。Spearman相关性检验结果显示，被试者MAAS分数与其发生心智游移的频率负相关(r= ― 0.624，p=0.003)，即被试者个体差异对心智游移频率会产生影响，被试者MAAS分数越高越不易发生心智游移。

2.2 驾驶时长对心智游移频率的影响

人机共驾条件下驾驶人执行单调、简单的监控任务，随着时间延长其可能更难将注意力集中在监控任务上，更易陷入心智游移状态^[20]。为探究驾驶时长对驾驶人心智游移发生频率的影响，将试验过程划分为前、中、后3个阶段，每个阶段持续20 min，分别计算不同阶段20名被试者的心智游移发生频率，其热点图分布如图 3所示。显然，20名被试者处于最后阶段时的心智游移发生频率均高于最初阶段的。图 4显示，被试者驾驶时间越长，其心智游移发生频率的均值越大(前：M=44.6%，S_D=18.0%；中：M=57.7%，S_D=18.6%；后：M=64.5%，S_D=18.4%)。

Kruskal-Wallis test检验结果显示，驾驶时长对被试者心智游移发生频率的影响显著(p=0.005)。驾驶时间延长会加重被试者的疲惫感，导致其对道路和周围环境情况的关注度下降，这也符合先前关于困倦导致驾驶人更易发生心智游移的研究结论^[21]。

2.3 心智游移显著性影响因素

非参数检验结果表明，被试者分别处于心智游移和专注状态时其注视时长、瞳孔直径、扫视速度及扫视幅度4项指标差异性显著，如图 5所示。

由图 5(a)可知，相较于专注状态，被试者处于心智游移状态时注视时长较长(心智游移：M=542 ms，S_D=632 ms；专注：M=323 ms，S_D=121 ms)。这是因为，驾驶人处于心智游移状态时仍观察着前方路况，但意识已不自觉地转移至与当前任务无关的一些内部思维中，即陷入注意力涣散的状态，需更长时间处理视觉信息，导致注视点停留时间延长^[22]，表明驾驶人更易受到路边景物、其他车辆或行人等的干扰。

由图 5(b)可知，相较于专注状态，被试者处于心智游移状态时的瞳孔直径更小(心智游移：M=3.54 mm，S_D=0.44 mm；专注：M=3.93 mm，S_D=0.53 mm)。当驾驶人将注意力高度集中在驾驶任务上时，需扩大瞳孔优化输入视觉信息，而心智游移状态下驾驶人注意力分散，对驾驶任务的关注度减少，通过调节自主神经系统使瞳孔直径变小。此外，瞳孔直径的调节也与认知负荷有关，心智游移状态下驾驶人较低的认知负荷会导致瞳孔直径缩小，既往研究亦报道了类似结果^[22]。

由图 5(c)和图 5(d)可知，被试者心智游移时的扫视速度更慢(心智游移：M=143°/s，S_D=67(°)/s；专注：M=166(°)/s，S_D=56(°)/s，扫视幅度更小(心智游移：M=3.47°，S_D=1.80°；专注：M=4.05°，S_D=1.58°)。驾驶人处于心智游移时往往会降低对周围环境的关注度，不再广泛地扫视周围环境，而仅关注小部分区域，致使其视觉扫视速度减慢、扫视幅度变小^[23]，难以快速获取周围环境信息，对道路和交通状况的反应速度和准确性降低，该结果与既有研究相符^[24]。

图 6为专注组与心智游移组被试者的注视时长热点。显然，专注组被试者的视觉注意力主要集中在道路与后视镜上(图 6(a))，而对于处于心智游移状态的驾驶人而言，其视觉注意力已被街边建筑物或前方道路所吸引(图 6(b))，致使思维已脱离驾驶任务。

图 7为驾驶人不同兴趣区的注视时长百分比，可见专注组被试者在道路、仪表盘、后视镜这3个兴趣区的注视时长百分比高于心智游移组，而心智游移组在指示屏、建筑物及其他兴趣区的注视时长百分比高于专注组。

考虑到驾驶人对道路、指示屏、仪表盘及后视镜的注视有益于其对周边交通环境信息的搜集，进一步将兴趣区划分成驾驶相关区域(道路、指示屏、仪表盘、后视镜)与驾驶无关区域(建筑物、其他)两部分。Mann-Whitney U检验结果表明，心智游移组与专注组被试者在驾驶相关区域的注视时长百分比存在显著差异(p < 0.001)，在驾驶无关区域注视时长百分比的差异同样显著(p < 0.001)，故心智游移组与专注组驾驶人的视觉分配模式存在显著差异，前者倾向于将注意力转移到驾驶无关的区域中，而后者则倾向于将视觉注意力集中在重要区域中，以便及时做出驾驶操作决策，确保行车安全。

从20名被试者的HRV变化规律看，心智游移组与专注状态组的测试结果均不服从正态分布，进行Mann-Whitney U检验显示心智游移组与专注状态组被试者的5个HRV指标均p>0.05，意味着两组被试者的HRV指标间无显著差异。考虑到HRV指标不显著的原因可能在于个体差异导致的数据扰动性大，故采取Wilcoxon符号秩检验深度比较被试者间的配对差异，检验结果显示p>0.05，可见同一被试者处于心智游移与专注状态时的HRV依旧无明显差异，故该指标无法表征驾驶人的心智游移状态。

3 驾驶人心智游移预测 3.1 输入特征变量

模拟驾驶试验中共采集了5个眼动指标和5个HRV指标的428组样本，进行驾驶人心智游移和专注状态下眼动、心电指标的差异性分析后发现，驾驶人的眼动指标在两种状态下的差异性均显著，而心电指标均无显著性差异。故HRV指标无法表征驾驶人的心智游移状态，选择5个眼动指标做进一步分析。最终选取扫视速度、扫视幅度、注视时长、瞳孔直径和无关区域注视时长百分比这5个影响较大的眼动特征指标和驾驶时长、驾驶人心智游移倾向共7个指标作为驾驶人心智游移预测模型的输入特征变量。

3.2 预测结果

将数据集随机划分为训练集(75%)和测试集(25%)，将其分别输入到传统随机森林模型(Random Forest，RF)及基于粒子群优化算法(Particle Swarm Optimization，PSO)的改进随机森林模型PSO-RF中，设定决策树数量为50，最小叶子数为1，通过多次训练输出RF测试集预测结果和PSO-RF测试集预测结果如图 8所示，其混淆矩阵如表 1所示。

根据混淆矩阵分别计算RF与PSO-RF模型的准确率、精度、召回率及F1值^[25]，结果见表 2。结果表明，PSO-RF模型优于RF模型，F1值和准确率分别提高了2.4%，2.8%，而召回率提高了2.9%，表明PSO-RF模型能更好地识别出心智游移状态样本，且在精度和召回率间取得了更好的平衡，故该模型更适合用于预测驾驶人的心智游移状态。

被试者工作特征曲线(Receiver Operating Characteristic，ROC)下方的区域面积为AUC (Area under the Curve)值(图 9)，其范围在0~1之间，AUC值越大，表示模型预测效果越好^[26]。计算得到RF模型的AUC值为0.935 1，PSO-RF模型的AUC值为0.935 9，均大于0.8，说明两个模型在驾驶人心智游移预测方面均表现出良好的性能^[27]，故综合混淆矩阵评价指标可知PSO-RF模型对于驾驶人心智游移的预测效果更佳。

4 结论

通过人机共驾模拟试验，采集20名驾驶人的眼动、心电数据，采用统计分析等方法对比分析驾驶人处于心智游移和专注状态下的指标差异，最后选取具有显著性差异的指标构建驾驶人心智游移预测模型。主要研究结论如下。

(1) 驾驶人心智游移频率受个体差异及驾驶时长的影响显著。高心智游移倾向组驾驶人更易发生心智游移，而连续驾驶时间越长，驾驶人心智游移的发生频率越高。

(2) 不同状态下驾驶人眼动指标差异显著。相较于专注状态，心智游移状态下驾驶人的注视时长更长、瞳孔直径更小、扫视速度更慢、扫视幅度更小，驾驶无关区域注视时长百分比亦更大，表明其视觉信息搜索能力减弱，但HRV差异不显著。

(3) PSO-RF模型在驾驶人心智游移预测方面效果更佳。选取驾驶无关区域注视时长百分比、扫视速度、扫视幅度、注视时长、瞳孔直径及驾驶时长、驾驶人心智游移倾向作为特征变量，构建了RF与PSO-RF模型。综合分析混淆矩阵和ROC曲线的AUC值，结果表明PSO-RF模型更适合于心智游移预测。

研究结果为判断驾驶人心智游移状态、实施动态预警提供理论依据，对预防因心智游移导致的事故发生具有现实意义。然而，试验参与者年龄在23~29岁之间，未来可通过扩大年龄范围，并结合驾驶风格，探讨不同年龄段和驾驶习惯的心智游移差异。此外，未来可在不同道路几何条件、交叉口环境及交通流密度条件下开展研究，以深入揭示多因素交互对驾驶状态的影响，从而优化预警策略并提升道路交通安全。