随着科技的进步与发展，用于评价测试驾驶操作疲劳风险的研究方法也取得了较大的进步，这意味着研究人员对驾驶员的心理和生理状态有了更深刻的认识，从而能够通过制定相应的对策以减少或避免交通事故的发生，同时也能有效地管理和预防驾驶员患上职业病。检测疲劳比治愈疲劳更重要，因为检测后治疗更容易[1]。因此，开展驾驶操作疲劳评价测试相关的研究与探讨非常必要。
1 驾驶操作疲劳的表现
疲劳驾驶在交通事故中扮演着重要的角色，甚至在一定程度上影响着交通事故的严重程度，同时常见的职业病，如颈椎病、肩周炎、骨质增生等也与疲劳驾驶有关。只有基于对驾驶员疲劳症状的主观体验的充分了解，保护驾驶员不受疲劳影响的对策才会成功[2]。焦虑和消极情绪状态等心理特征会影响驾驶员疲劳，有研究表明性格和性情可能会对疲劳状态产生不同程度的影响[3]。
在长时间驾驶过程中，根据车辆类型的不同，驾驶操作行为的难度及操作频率也不尽相同，如机车驾驶员在加速到规定速度后可能存在较长时间的等待期，才会有下一步的动作，而驾驶汽车则需要驾驶员保持高度的警惕，对道路环境及车流量的变化进行判断，及时调整车速或行驶方向，操作频率明显较高。通过脑电图(electroencephalogram，EEG)、眼电图(electro-oculogram，EOG)和心率(heart rate，HR)变量可了解驾驶操作疲劳是从正常驾驶、高精神负荷到最终精神疲劳和嗜睡的过渡过程，其中存在一个连贯的变化序列。特别是在高精神负荷时，脑电图的θ波段功率增加，α波段功率降低[4]。此外，卡内基梅隆研究所经过反复实验和论证，提出了度量疲劳的物理量——眼睑闭合比(percentage of eyelid closure over the pupil over time,PERCLOS).它是根据眼睑遮住瞳孔面积的比例来判断眼睛是否闭合。
因此，生理特征和心理特征能够反映驾驶员真实的心理状态，一般可以分为主观和客观两种判断疲劳的主要测试方法，为评测驾驶操作疲劳风险提供可靠的依据。虽然有了这些评测方法，但是如何根据这些方法获取并处理这些特征变量显得更为重要，这将直接决定评估驾驶操作疲劳风险的准确程度。
2 驾驶操作疲劳的研究现状
近年来，国内外学者对该领域的研究有不少，涉及到汽车、机车、卡车、公共汽车、飞机等多种交通运输工具及工程车辆，但大部分研究都只侧重于从单一的角度出发，进行驾驶操作疲劳评价测试。本文将测试方法按主客观角度分为主观判断疲劳评价测试和客观判断疲劳评价测试。文献来源于文献数据库(Web of Science,SicenceDirect,中国知网)中收录的文献，共有3种检索方式，分别为[标题:(driver)AND标题:(fatigue)]；[标题:(pilot)AND标题:(fatigue)]；[标题:(fatigue)AND标题:(detection)]，年份不限。对检索结果进行分类并做统计学分析，如图1所示。
图1 文献的类型及数量
Fig.1 Type and quantity of literature
从图1中可知，目前文献数量最多的一类是EEG.客观上由于EEG具有非侵入性，由它得到的数据受驾驶员主观因素的影响较小，技术比较成熟，主观上与科研院校的设备投入有关，大部分实验中所使用的脑电设备为60导联脑电图机、64导Ag/AgCl电极帽、32位导联电极帽等，美国Neuroscan公司生产，采样频率为1 000 Hz，测试性能较好，因而EEG得到了较高的关注。其次，关注度较高的是面部识别及特征提取。随着5G时代的到来，机器学习技术得到了较大的发展，研究人员可以通过计算机视觉技术获取驾驶员的图像，并能够根据算法来实时分析驾驶员的面部特征，进而判断驾驶员的精神状态，有较高的准确率。
主观判断疲劳评价测试的方法，如问卷调查、自评量表等，由于受到被试能力的影响，存在一定的局限性，但在主观评价方面使用较为广泛。PERCLOS测试方法通常也很少被单独用来研究驾驶操作疲劳，一般是结合人脸检测，识别眼部位置，进而判断疲劳程度。心电图(electrocardiogram，ECG)、眼电图、肌电图(electromyogram，EMG)信号测量易受干扰，不稳定且实验设备成本较高，因此相较于EEG，研究较少。基于车辆的方法根据驾驶员的操作行为来评测疲劳风险，易受实验者个体差异的影响，有一定的局限性，研究也较少。
3 主观判断疲劳评价测试
3.1 问卷调查与自评量表
问卷调查与自评量表是与受试者直接进行信息获取的媒介，在主观评价方面运用较为广泛。通过实时观察、问卷调查、随机抽查司机的方法，JIANG et al[5]发现主观规范、感知行为控制和意图对疲劳驾驶的自我报告有显著影响。KWON et al[6]得到驾驶风险与职业司机的高疲劳感、每日工作时长等因素有关。此外，BENER et al[7]通过曼彻斯特驾驶行为问卷(driving behaviour questionnaire，DBQ)调查证实，慢性疲劳、急性嗜睡和粗心驾驶行为可能会显著增加道路碰撞的风险，从而导致严重的伤害。NOUGHABI et al[8]通过问卷讨论确定了影响重型车辆驾驶员疲劳和嗜睡程度的因素，并对其影响程度进行了评价，最终采用统计分析和相似度排序技术对其影响程度进行排序。
PHATRABUDDHA et al[9]通过斯坦福睡眠量表和格罗宁根睡眠质量量表收集睡眠剥夺的数据，调查了化学品运输司机的睡眠不足和疲劳状况，得出睡眠质量和睡眠时间会影响驾驶员的疲劳程度。USECHE et al[10]让受试者参与了一个综合调查，其中包括BRT驾驶员驾驶行为问卷(DBQ)的改编版，以及努力-奖励不平衡和工作内容问卷，个人强度目录(CIS)的主观疲劳子量表和工作恢复需求量表(need for recovery after work scale，NFR)，得到BRT驾驶员的危险驾驶行为可以通过工作压力、努力-回报不平衡和工作中的社会支持来预测。沈阳工业大学的杜振君[11]根据日本能率学会的《疲劳症状自评量表》设计了叉车司机疲劳主观感受调查问卷，对叉车司机作业疲劳程度进行主观调查，实现了叉车司机作业疲劳状态的主观测定。
3.2 观察、报告及讨论
观察、报告及讨论等测试方法受被试主观判断能力的影响，因此在进行疲劳测试研究时有一定的局限性，关注度较低。其中的代表性研究有：LEE et al[12]通过对飞行员进行访谈了解到飞行方向、机组调度、伙伴关系、飞机环境、工作分配、种族差异和酒店环境等因素会影响身体疲劳。FILTNESS et al[13]从澳大利亚和新西兰的8个旅客铁路客运组织中挑选了28名司机，形成各自的焦点小组进行讨论，然后将对话进行整理，分析比较，最后得出结论，但是由于被试在讨论过程中的对话不完整，不全面，甚至有所保留，导致结论的真实性有待考量。
WILLIAMSON et al[14]随机招募了90名司机，进入到驾驶模拟器中进行2 h的模拟驾驶，并给每位司机佩戴活动记录仪，记录下用于统计学分析的数据，用于调查司机在多大程度上可以获得关于他们当前困倦状态的认知信息：入睡的可能性，对驾驶表现的影响及撞车的可能性。调查结果表明，司机可以充分察觉到他们困倦程度的变化，从而做出因困倦而停止驾驶的安全决定。
3.3 主观评估模型
问卷调查和自评量表以及观察、报告、讨论是针对一个问题进行研究和分析的过程，而建立评价模型可以解决一类问题，相对来说，可用性较强，评价效果的有效性与真实性也较好。因此，也有部分学者通过建立驾驶疲劳评估模型来评估驾驶疲劳的程度。
针对驾驶疲劳致因的多元性和动态性，李响等[15]提出了一种铁路机车司机疲劳风险多指标动态评价方法，借助改进层次分析法(IAHP)建立综合评价模型,进而实现机车司机在不同作业时段下疲劳风险的动态量化评价。CHENG et al[16]应用Rasch模型测量感知能力，并设计问卷来了解司机的主观感受。MOLLICONE et al[17]使用生物数学模型评估司机疲劳程度，根据驾驶操作的相关措施来量化司机疲劳与安全之间的关系。LI et al[18]采用建模的方法对北京出租车司机的问卷数据进行分析，找出与出租车司机疲劳驾驶相关的最重要因素，并探讨这些因素与出租车司机疲劳驾驶风险之间的关系。
4 客观判断疲劳评价测试
客观判断疲劳检测技术的比较，如表1所示。其按行为类别可以分为驾驶行为和驾驶员行为。驾驶行为一般包括加速、减速、刹车、转向以及车道保持等，通过采集并分析驾驶员在驾驶过程中与驾驶操作相关的一系列指标建立评价模型，从而对驾驶员是否疲劳做出客观评价。
表1 疲劳检测技术的比较[19]
Table 1 Comparison of fatigue detection techniques[19]
类别方法优势劣势驾驶行为车速,转向动作,车道保持,刹车等不需要额外的摄像头或传感器随车辆类型和驾驶员个体的驾驶行为而变化驾驶员行为基于生理特征的方法脑电图(EEG)记录脑电波,眼电图(EOG)记录眼球运动,心电图(ECG)测定心率和HRV(心率变异性)通常表现较好具有侵入性,因为测量设备必须和驾驶员接触。此外,这些设备在资金和能源消耗方面成本较高基于视觉特征的方法点头,眼球运动,打哈欠等对驾驶员是非侵入性的需要一个额外的摄像头
驾驶员行为又分为基于生理特征的方法和基于视觉特征的方法。基于生理特征的方法是通过实验设备检测驾驶员的生理信号，如脑电、肌电、眼电、心电等，来判断驾驶员是否疲劳。此外打哈欠、点头、眼球运动等驾驶员行为作为视觉特征提取的数据源，也能用来评价驾驶员的疲劳水平。
4.1 基于车辆的驾驶操作疲劳研究
研究人员通过驾驶行为，结合传感器实时获取
车辆的一些基本信息，比如转向盘转动角度，油门踏板位置等信号，来检测驾驶员疲劳状态。黄皓[20]通过驾驶员正常状态和疲劳驾驶时的操作特征以及车辆状态，开展了疲劳驾驶状态识别的算法研究。
蒋鹏民等[21]提出一种基于转向盘图像的驾驶员疲劳检测方法，利用摄像头实时采集转向盘图像，经过处理得到转向盘转角。刘军等[22]提出了基于转向盘转角的疲劳驾驶检测方法，利用角度传感器MLX90316采集转向盘转角数据，并提取出了能描述驾驶员疲劳状态的角度标准差和静止百分比，根据角度标准差和静止百分比建立疲劳状态判别模型，对驾驶员疲劳状态进行检测。
4.2 基于EEG的研究
EEG是目前关于驾驶操作疲劳研究的热点，多数研究是围绕获取受试者脑电图的信号来展开的。罗旭等[23]提出一种基于小波变换与BP人工神经网络的自发脑电信号分类方法。刘天娇等[24]基于脑电(EEG)数据功率谱开发了高速公路驾驶疲劳预警系统，探索驾驶员主动疲劳与脑电指标之间的关系。CHAI et al[25]提出了一种基于两级脑电图(EEG)的分类方法，用于对驾驶疲劳(疲劳状态与警戒状态)进行分类。基于多通道脑电图信号的时空结构，GAO et al[26]提出了一种基于脑电图时空卷积神经网络(EEG-based spatial-temporal convolutional neural network，ESTCNN)的驾驶员疲劳检测方法，主试视角下的实验场景如图2所示。结果表明ESTCNN的分类准确率达到了97.37%.
图2 主试视角下的实验场景[26]
Fig.2 Experimental scene from a researcher’s perspective[26]
CHAUDHURI et al[27]利用混沌熵研究了脑电信号的不稳定性，从头皮脑电图信号中提取皮层源，进行驾驶员疲劳检测，并对混沌熵变化的性质进行了多次观测，获得了高达86%的分类精度。HU[28]采用模糊熵(fuzzy entropy，FE)、样本熵(sample entropy，SE)、近似熵(approximate entropy，AE)、谱熵(spectral entropy，PE)特征与AdaBoost分类器相结合的方法研究基于脑电图的驾驶员疲劳。该方法对驾驶员疲劳事件具有很高的分类精度。闵建亮等[29]提出基于前额脑电(EEG)信号多尺度小波对数能量熵的驾驶疲劳检测方法，结果表明，前额EEG的小波对数能量熵可以作为衡量驾驶疲劳的有效生理指标。HU et al[30]基于单通道的脑电信号将4种类型的熵(包括样本熵、模糊熵、近似熵和谱熵)作为梯度增强决策树(gradient boosting decision tree，GBDT)的输入，根据GBDT的输出来判断驾驶员是否处于疲劳状态。
CAI et al[31]开发了一种新的多路有限穿透水平可视图(multiplex limited penetrable horizontal visibility graph，Multiplex LPHVG)方法，不仅可以检测疲劳驾驶，还可以探测大脑疲劳行为。此外，还能利用不同受试者在警戒和疲劳驾驶状态下执行模拟驾驶任务时所记录的脑电图信号来构建大脑网络，最后高精度的分类结果证明了多路LPHVG法对脑电信号疲劳检测的有效性。韩霜[32]通过对飞行员在CRJ-200模拟驾驶舱内进行的模拟实验所得的脑电波信号以及飞行员飞行过程中的生理状况进行分析，提出了基于飞行员脑电波信号来分析与监测飞行员疲劳状况的深度学习网络模型。
4.3 基于EMG、ECG和EOG的研究
肌电、心电及眼电信号也可以用来研究驾驶员的驾驶操作疲劳，但在测量时往往容易相互干扰，如果不能过滤掉其他信号，将会对实验结果产生一定的影响。MURUGAN et al[33]通过监测驾驶员的生理(ECG)信息来检测和分析驾驶员的状态。ECG是一种非侵入性信号，可以读取心率和心率变异性(HRV).PARK et al[34]通过测量振动前后受试者的肌电图(EMG)信号来分析肌肉疲劳。叶成文[35]提出了一种利用心电、肌电信号检测汽车驾驶疲劳的方法，运用学习向量量化神经网络建立心电、肌电生理信号特征参数与驾驶疲劳程度的映射模型，并进行实例验证模型的有效性，还使用了K-fold方法对系统进行优化。
HUANG et al[36]利用生理学方法测量驾驶员的工作负荷和疲劳，首先选取经验丰富的健康地铁司机为研究对象，让司机执行正常的工作计划，同时用心电图记录来评估他们的疲劳程度。最后心电频谱分析结果显示，驾驶员夜间疲劳出现的时间要早于白班。为了有效判别驾驶员的疲劳状态，王琳等[37]结合生物力学分析提取了驾驶过程中的颈腰部肌电信号EMG和头部脑电信号EEG，并分析其特征参数在驾驶过程中的变化规律。
4.4 基于PERCLOS的研究
PERCLOS(眼睑闭合比)是一种非接触式的检测方法，能根据驾驶员在一定时间内眼睛开合的程度来预估驾驶操作疲劳的程度。ZHOU et al[38]利用了PERCLOS作为驾驶员疲劳的依据，研究在高度自动化驾驶中疲劳过渡预测的准确性，结果表明在两种类型的模型中得到的测量值分别为97.4%和99.1%，该方法有一定的潜力。
王磊宇等[39]在原有的眨眼时间均值指标的基础上，提出瞳孔直径包络值指标，并与原有的眨眼时间均值指标进行实验验证分析，进而判断驾驶员的疲劳状况。陈翔等[40]设计了一种基于飞行员眼睛状态识别的飞行员疲劳实时监测方案。方案采用PERCLOS方法进行疲劳检测，并设计出两种不同的警告方式，以达到保证飞行安全的目的。王剑楠等[41]利用改进的平均合成滤波器算法定位人眼，根据模糊综合评价思想，判定人眼睁开闭合状态，并根据PERCLOS疲劳检测方法对飞行员进行疲劳监测。
4.5 基于面部识别技术的研究
目前已经有相当多的学者认为驾驶员疲劳的表现通常与打哈欠、眨眼等动作有关，而面部识别技术通过算法能精准定位驾驶员眼部和嘴巴的位置，这对研究驾驶员疲劳有着非常重要的意义。NAZ et al[42]从安装在车内的摄像机所捕获的视频中，使用Viola-Jones算法对眼睛进行定位，眼睛的状态分为睁眼和闭眼，用3种不同分类方法(平均强度，SVM，SIFT)进行分类比较，实验表明，尺度不变特征变换(scale invariant feature transform，SIFT)优于平均强度和支持向量机(support vector machine，SVM).在包含5个视频(每个视频时长为2 min)的数据集上，平均准确率达到97.45%.刘明周等[43]采用基于肤色检测的Adaboost算法提取面部以及手部的感兴趣区域。试验数据表明，该方法能够克服光照、背景、角度以及个体差异的影响，且疲劳检测的正确识别率达到99.64%. FATIMA et al[19]提出了人脸和眼睛检测算法，这有助于准确地检测人脸和眼睛，首先检测驾驶员的脸部和右眼，然后进行眼状态分类，结果表明该方法对人脸和人眼的检测分别给出了99.9%和98.7%的精确结果。
LIU et al[44]提出了一种基于深度学习面部表情分析的疲劳检测算法，提高了驾驶员疲劳检测的准确性和及时性，该算法能够快速准确地检测驾驶员的疲劳程度。HEMANTKUMAR et al[45]提出了一种检测车辆驾驶员是否处于打哈欠状态的算法，该方法有助于将张嘴的图像和闭嘴的图像分离出来，结果表明开口检测的效率为98%，闭口检测的效率为94%. CYGANEK et al[46]提出了一种基于人眼识别的驾驶员疲劳、困倦和注意力不集中状态的混合视觉监控系统，该方法具有较高的识别精度和实时性。在实验室条件下对不同头部位置的识别示例，如图3所示。
图3 在实验室条件下对不同头部位置的识别示例[46]
Fig.3 Examples of recognitions in laboratory conditions
for different positions of head[46]
CHENG et al[47]提出了一种综合的方法来探索驾驶员的面部标志序列是否从警戒状态变为疲劳状态，设计并进行了基于驾驶模拟器的实验，研究根据面部特征计算眼宽比(耳宽比)和嘴宽比序列来检测司机精神疲劳的可能性，结果表明，这些特征数据可作为疲劳检测的可靠指标。KHAN et al[48]利用离散小波变换将输入图像转换成4个子带图像，然后利用离散余弦变换以之字形方式选取高方差特征，最后对分类器进行训练和测试，结果表明该框架不仅有效地利用了多尺度图像，而且在分类准确率方面也优于其他同类技术。耿磊等[49]使用红外采集设备对驾驶员面部图像进行采集，通过结合AdaBoost与相关滤波器算法进行人脸检测及跟踪。实验结果表明，该方法在多种情况下均能准确地检测眼睛和嘴部状态，可有效地进行疲劳检测。卢伟等[50]通过主成分分析-肤色模型(principal component analysis-skin color model，PCA-SCM)人脸特征识别定位算法和基于人脸核心特征库及肤色模型的人脸识别算法进行驾驶员面部的识别定位。
4.6 小结
综上所述，主观评价的优点在于结果较为直观，具有代表性，缺陷在于对被试的依赖度较高且易受个体间差异性的影响；客观评价的优点在于数据真实可靠，缺点在于仪器设备成本较高。
基于客观角度判断驾驶操作疲劳的一些代表性研究，如表2所示。从这些研究可以看出，实验环境以实验室和现场实验为主，实验室条件下，可以进行不同变量的设计与选取，可以满足不同的研究需求，但现场实验更真实，可以减少外部环境因素对实验造成的偏差，因此研究结论更具说服力。一般情形下，诱发疲劳的因素为单调或连续驾驶，所采集的数据类型主要包括EEG和面部识别，说明两者的效度和信度较高，得到了较为广泛的认可。未来驾驶员疲劳水平的评价测试需要结合主客观角度进行分析，才能在最大程度上保证评估的有效性与真实性。
表2 驾驶操作疲劳的一些代表性研究
Table 2 Representative studies on driving fatigue
参考文献驾驶装置数据采集类型诱因受试人数/名计算框架名[25]驾驶模拟器EEG单调驾驶43稀疏深度信念网络[26]驾驶模拟器EEG连续驾驶8时空卷积神经网络[27]驾驶模拟器EEG睡眠不足12混沌熵特征[28]驾驶模拟器EEG单调驾驶28AdaBoost,决策树,支持向量机,朴素贝叶斯[30]驾驶模拟器EEG单调驾驶22梯度增强决策树,K-最近邻,支持向量机,神经网络[31]驾驶模拟器EEG连续驾驶10多路有限穿透水平能见度图[19]车内驾驶面部识别连续驾驶6Viola Jones,主成分分析,支持向量机,AdaBoost[42]车内驾驶面部识别连续驾驶5Viola Jones,平均强度,支持向量机,尺度不变特征变换[44]车内驾驶面部识别,PERCLOS连续驾驶24多块局部二值模式,AdaBoost[45]车内驾驶面部识别,PERCLOS,打哈欠连续驾驶51图像处理[48]车内驾驶面部识别连续驾驶593离散小波变换,离散余弦变换,支持向量机
5 研究存在的问题及展望
驾驶操作疲劳评价测试方法被广泛应用在汽车、列车、卡车、公共汽车、飞机等多种交通运输工具及工程车辆领域，不论是从主观角度，还是客观角度出发，大量的研究表明了解受试者真实的生理和精神状态，是有效避免交通事故发生和预防驾驶员职业病的重要途径。然而，研究中仍然存在一些问题有待解决，脑电信号的测量极易受可穿戴设备的不稳定性影响，且实验成本相对较高，购买实验设备需要大量的资金投入。面部识别技术的检测范围有限，如果受试者头部偏离出甚至完全超出检测范围，图像获取将存在较大的难度。此外，噪声、光照效应等因素都可能影响面部识别系统的性能。实验测得的生理数据，如EMG、ECG等信号容易受到干扰，稳定性较差且由于自身的非线性特性，特征提取存在一定的困难。生理特征的测量易受个体间差异影响，进而导致提出的评价测试方法或评估模型泛化能力不强，只有特定的个体才能得出理想的实验结果。
因此，未来的研究可以从四个方面着手进行：
1) 提高脑电设备数据获取的稳定性，从实验设备的硬件出发，利用新型的电极材料，通过比较所获取数据的完整性，来选择最优的电极材料，从而降低其他因素对脑电信号的测量产生的干扰，同时尽可能降低实验成本。
2) 优化各类算法，提高由训练集所学得模型的泛化能力，在出现部分数据缺失时，能自动对实验数据进行处理，并在分类时能实时准确地进行运算，进而提高面部特征识别的准确率。
3) 将5G实时通讯技术融合到驾驶操作疲劳测试中，实时通讯技术可以在第一时间获取并了解被试测试的结果及数据，还能与被试保持实时沟通，以便获取更加真实有效的结论，从而做出相应的决策。
4) 通过构建统一的疲劳评估模型来管理驾驶操作疲劳，一套完整的疲劳评估模型可以规范驾驶员的驾驶操作行为，同时降低出现驾驶操作疲劳的概率，从而能够避免交通事故的发生以及预防职业病。
[1] PAREKH V,SHAH D,SHAH M.Fatigue detection using artificial intelligence framework[J].Augmented Human Research,2020,5(1)：5.
[2] BROWN I D.Driver fatigue[J].Human Factors,1994,36(2)：298-314.
[3] LAL S K,CRAIG A.A critical review of the psychophysiology of driver fatigue[J].Biological Psychology,2001,55(3)：173-194.
[4] BORGHINI G,ASTOLFI L,VECCHIATO G,et al.Measuring neurophysiological signals in aircraft pilots and car drivers for the assessment of mental workload,fatigue and drowsiness[J].Neuroscience & Biobehavioral Reviews,2014,44(SI)：58-75.
[5] JIANG K,LING F,FENG Z,et al.Why do drivers continue driving while fatigued? An application of the theory of planned behaviour[J].Transportation Research Part A: Policy and Practice,2017,98(4)：141-149.
[6] KWON S,KIM H,KIM G S,et al.Fatigue and poor sleep are associated with driving risk among Korean occupational drivers[J].Journal of Transport & Health,2019,14：100572.
[7] BENER A,YILDIRIM E,ÖZKAN T,et al.Driver sleepiness,fatigue,careless behavior and risk of motor vehicle crash and injury: Population based case and control study[J].Journal of Traffic and Transportation Engineering (English Edition),2017,4(5)：496-502.
[8] NOUGHABI M G,SADEGHI A,MOGHADDAM A M,et al.Fatigue risk management: assessing and ranking the factors affecting the degree of fatigue and sleepiness of heavy-vehicle drivers using TOPSIS and statistical analyses[J].Iranian Journal of Science and Technology,2020,44：1345-1357.
[9] PHATRABUDDHA N,YINGRATANASUK T,ROTWANNASIN P,et al.Assessment of sleep deprivation and fatigue among chemical transportation drivers in Chonburi,Thailand[J].Safety and Health at Work,2018,9(2)：159-163.
[10] USECHE S A,ORTIZ V G,CENDALES B E.Stress-related psychosocial factors at work,fatigue,and risky driving behavior in bus rapid transport (BRT) drivers[J].Accident Analysis and Prevention,2017,104：106-114.
[11] 杜振君.基于工效学的某汽车总装车间叉车司机疲劳评估研究[D].沈阳：沈阳工业大学,2020.
[12] LEE S,KIM J K.Factors contributing to the risk of airline pilot fatigue[J].Journal of Air Transport Management,2018,67：197-207.
[13] FILTNESS A J,NAWEED A.Causes,consequences and countermeasures to driver fatigue in the rail industry: The train driver perspective[J].Applied Ergonomics,2017,60：12-21.
[14] WILLIAMSON A,FRISWELL R,OLIVIER J,et al.Are drivers aware of sleepiness and increasing crash risk while driving?[J].Accident Analysis & Prevention,2014,70(9)：225-234.
[15] 李响,徐玉萍,章海亮.机车司机驾驶疲劳风险动态量化评价研究[J].中国安全科学学报,2017,27(2):18-23.
LI X,XU Y P,ZHANG H L.A study on dynamic quantitative evaluation of train driver＇s fatigue risk[J].China Safety Science Journal,2017,27(2):18-23.
[16] CHENG Y H,TIAN H N.Train drivers’ subjective perceptions of their abilities to perceive and control fatigue[J].International Journal of Occupational Safety and Ergonomics,2020,26(1)：20-36.
[17] MOLLICONE D,KAN K,MOTT C,et al.Predicting performance and safety based on driver fatigue[J].Accident Analysis and Prevention,2019,126：142-145.
[18] LI M K,YU J J,MA L,et al.Modeling and mitigating fatigue-related accident risk of taxi drivers[J].Accident Analysis and Prevention,2019,123：79-87.
[19] FATIMA B,SHAHID A R,ZIAUDDIN S,et al.Driver fatigue detection using Viola Jones and principal component analysis[J].Applied Artificial Intelligence,2020,34(6)：456-483.
[20] 黄皓.基于驾驶操作及车辆状态的疲劳驾驶行为检测研究[D].南京：东南大学,2016.
[21] 蒋鹏民,李海标,黄名柏,等.基于转向盘图像的驾驶员疲劳检测方法研究[J].汽车技术,2018(9)：21-24.
JIANG P M,LI H B,HUANG M B,et al.Research on driver fatigue detection method based on steering wheel[J].Automobile Technology,2018(9)：21-24.
[22] 刘军,王利明,聂斐,等.基于转向盘转角的疲劳驾驶检测方法研究[J].汽车技术,2016(4)：42-45.
LIU J,WANG L M,NIE F,et al.Research on fatigue driving detection method based on steering wheel angle[J].Automobile Technology,2016(4)：42-45.
[23] 罗旭,王宏,王福旺.基于脑电信号分类的高速公路上驾驶疲劳识别[J].汽车工程,2015,37(2)：230-234.
LUO X,WANG H,WANG F W.Driver fatigue recognition in highway driving based on EEG signal classification[J].Automotive Engineering,2015,37(2)：230-234.
[24] 刘天娇,马锦飞.高速公路驾驶员主动疲劳的脑电检测分析[J].中国安全科学学报,2018,28(10):13-18.
LIU T J,MA J F.Analysis of EEG detection of driver active fatigue on expressway[J].China Safety Science Journal,2018,28(10):13-18.
[25] CHAI R,LING S H,SAN P P,et al.Improving EEG-based driver fatigue classification using sparse-deep belief networks[J].Frontiers in Neuroscience,2017,11：103.
[26] GAO Z,WANG X,YANG Y,et al.EEG-based spatio-temporal convolutional neural network for driver fatigue evaluation[J].IEEE Transactions on Neural Networks and Learning Systems,2019,30(9)：2755-2763.
[27] CHAUDHURI A,ROUTRAY A.Driver fatigue detection through chaotic entropy analysis of cortical sources obtained from scalp EEG signals[J].IEEE Transactions on Intelligent Transportation Systems,2020,21(1)：185-198.
[28] HU J.Automated detection of driver fatigue based on AdaBoost classifier with EEG signals[J].Frontiers in Computational Neuroscience,2017,11：72.
[29] 闵建亮,蔡铭.基于前额脑电多尺度小波对数能量熵的驾驶疲劳检测分析[J].中国公路学报,2020,33(6):182-189.
MIN J L,CAI M.Driver fatigue detection based on mlti-scale wavelet log energy entropy of frontal EEG[J].China Journal of Highway and Transport,2020,33(6):182-189.
[30] HU J F,MIN J L.Automated detection of driver fatigue based on EEG signals using gradient boosting decision tree model[J].Cognitive Neurodynamics,2018,12(4)：431-440.
[31] CAI Q,GAO Z K,YANG Y X,et al.Multiplex limited penetrable horizontal visibility graph from EEG signals for driver fatigue detection[J].International Journal of Neural Systems,2019,29(5):18551.
[32] 韩霜.基于脑电波信号的飞行员疲劳状况识别[D].上海：上海交通大学,2017.
[33] MURUGAN S,SELVARAJ J,SAHAYADHAS A.Detection and analysis:driver state with electrocardiogram (ECG)[J].Physical and Engineering Sciences in Medicine,2020,43(2):43-50.
[34] PARK D J,LEE J W,PARK J H,et al.Neck/shoulder muscle fatigue of military vehicle drivers exposed to whole-body vibration on field terrain road[J].International Journal of Automotive Technology,2020,21(1)：115-121.
[35] 叶成文.基于心电肌电信号的汽车驾驶疲劳研究[D].合肥：合肥工业大学,2018.
[36] HUANG Y C,LI L P,LIU Z G,et al.Assessment of urban railway transit driver workload and fatigue under real working conditions[J].Transportation Research Record,2019,2673(11)：891-900.
[37] 王琳,化成城,姜鑫,等.基于颈腰部肌电及脑电信号的疲劳驾驶检测[J].东北大学学报(自然科学版),2018,39(1)：102-107.
WANG L,HUA C C,JIANG X,et al.Investigation on driver fatigue testing based on thecombination of cervical-lumbar EMG and EEG[J].Journal of Northeastern University(Natural Science),2018,39(1)：102-107.
[38] ZHOU F,ALSAID A,BLOMMER M,et al.Driver fatigue transition prediction in highly automated driving using physiological features[J].Expert Systems with Applications,2020,147：113204.
[39] 王磊宇,武淑红,李海芳.基于眼部行为的驾驶疲劳评价指标研究[J].太原理工大学学报,2015,46(4):440-443.
WANG L Y,WU S H,LI H F.Research on driver fatigue evaluation based on eye behaviors[J].Journal of Taiyuan University of Technology,2015,46(4):440-443.
[40] 陈翔,刘永新,李春虹.基于眼睛状态识别的军用直升机飞行员疲劳实时监测系统设计[J].电子测试,2019(23)：60-61.
CHEN X,LIU Y X,LI C H.A design of military helicopter pilot fatigue real-time monitor system based on the eye state[J].Electronic Testing,2019(23)：60-61.
[41] 王剑楠,潘文平,李英浩.飞行员疲劳监测中的人眼定位及状态判别研究[J].航空计算技术,2016,46(4)：78-82.
WANG J N,PAN W P,LI Y H.Research on human eye location and condition recognition in pilot fatigue monitoring[J].Aeronautical Computing Technique,2016,46(4)：78-82.
[42] NAZ S,ZIAUDDIN S,SHAHID A R.Driver fatigue detection using mean intensity SVM and SIFT[J].International Journal of Interactive Multimedia and Artificial Intelligence,2019,5(4)：86-93.
[43] 刘明周,蒋倩男,扈静.基于面部几何特征及手部运动特征的驾驶员疲劳检测[J].机械工程学报,2019,55(2)：18-26.
LIU M Z,JIANG Q N,HU J.Based on facial geometric features and hand motion characteristics driver fatigue detection[J].Journal of Mechanical Engineering,2019,55(2)：18-26.
[44] LIU Z,PENG Y,HU W.Driver fatigue detection based on deeply-learned facial expression representation[J].Journal of Visual Communication and Image Representation,2019,71(2):102723.
[45] HEMANTKUMAR B,MALI,SHASHIKANT D,et al.Non-intrusive detection and prediction of driver’s fatigue using optimized yawning technique[J].Materials Today:Proceedings,2017,4(8)：7859-7866.
[46] CYGANEK B,GRUSZCZYNSKI S.Hybrid computer vision system for drivers’ eye recognition and fatigue monitoring[J].Neurocomputing,2014,126(27)：78-94.
[47] CHENG Q,WANG W H,JIANG X B,et al.Assessment of driver mental fatigue using facial landmarks[J].IEEE Access,2019,7：150423-150434.
[48] KHAN S A,HUSSAIN S,SUN X M,et al.An effective framework for driver fatigue recognition based on intelligent facial expressions analysis[J].IEEE Access,2018,6：67459-67468.
[49] 耿磊,袁菲,肖志涛,等.基于面部行为分析的驾驶员疲劳检测方法[J].计算机工程,2018,44(1)：274-279.
GENG L,YUAN F,XIAO Z T,et al.Driver fatigue detection method based on facial behavior analysis[J].Computer Engineering,2018,44(1)：274-279.
[50] 卢伟,胡海阳,王家鹏,等.基于卷积神经网络面部图像识别的拖拉机驾驶员疲劳检测[J].农业工程学报,2018,34(7)：192-199.
LU W,HU H Y,WANG J P,et al.Tractor driver fatigue detection based on convolution neural network and facial image recognition[J].Transactions of the Chinese Society of Agricultural Engineering,2018,34(7)：192-199.
