本发明属于交通安全领域,具体涉及一种基于眼动视觉模型的驾驶员视觉特性分析方法。
背景技术：
：：驾驶员是当今世界交通安全方面的一个重要的安全因素。根据世界卫生组织的数据，2015年全球道路交通死亡人数为125万。对全球驾驶员风险管理的分析表明，在所有道路事故中，人为失误占90％，其中90％以上的事故是由于驾驶员“看而不见”造成的。造成这种情况的一个主要原因是司机被手机、短信、广告牌、电子设备、乘客等干扰。根据美国国家公路交通安全管理局，驾驶员分心有三类型：视觉，身体运动和认知。在本发明中，关注的是由心里工作负荷引起的分心。在以前的研究中，有几种方法被用来评估由心理工作负荷引起的驾驶员分心。1992年，backs和walrath试图通过瞳孔反应来估计心理工作负荷。虽然他们没有开发出一种成功的方法来捕捉驾驶员的注意力分散，但他们证实了眼球运动在量化认知工作量中的重要性。2016年，faure、lobjois和benguigui发现了心理负荷与眨眼行为之间的关系。然而，在双重任务条件下驾驶时，眨眼行为并不能清晰地反映心理负荷。一种有很大潜力在线评估驾驶员注意力分散的方法是利用观察到的和模拟的眼球运动之间的差异。在他们的研究中，shibataetal试图将前庭视觉反射模型与光动力学模型相结合。他们的模型在他们的驾驶模拟器中的窄视野实验中是有效的，并且只显示了道路，因此对光流量和视线变化的影响很小。之后，usui等发现驾驶员注意力分散和眼球运动之间有关系。然而，如果要在涉及非自愿眼球运动的实际驾驶情况下应用该模型，则需要对其进行改进。技术实现要素：发明目的：为了解决现有技术的不足，本发明提供了一种基于眼动视觉模型的驾驶员视觉特性分析方法。技术方案：一种基于眼动视觉模型的驾驶员视觉特性分析方法，包括如下三个主要步骤：步骤一、结合vor和okr模型开发vor+okr模型；步骤二、进行三个实验：包括无视觉刺激驾驶(vs)、有vs驾驶、有vs驾驶和n-back任务，其中：视觉刺激：模拟树木被放置在驾驶模拟器的测试轨道旁边，以帮助诱导大量的光流；无vs驾驶：受试者被要求在没有任何模拟物体的情况下在设计好的赛道上驾驶；vs型驾驶：受试者被要求在相同的道路上驾驶模拟树木；使用vs和n-back任务驾驶：受试者被要求在模拟道路两旁树木的情况下，沿着相同的路线驾驶，同时通过按下方向盘上的适当按钮，在两秒钟内完成单回任务；步骤三、对实验采集的数据进行a2*2因子设计分析，采用smarteyepro和fastrak设备捕捉眼和头的运动，对数据进行扫描和闪烁点筛选；a2*2因子设计分析为：vor模型，vor+okr模型，无视觉刺激，有视觉刺激；所述的vor模型用于模拟两种情况下的眼动：无vs驾驶和无vs驾驶以及无脑力负荷(mw)；应用vor+okr模型模拟三种情况下的眼动：无vs驾驶、有vs无mw驾驶、有vs有mw驾驶；然后进行两项方差分析。作为优化：所述的步骤一的vor模型，利用遗传算法将每个受试者的参数集：ka,kf,kfw,kw，ki,kp，分别应用于vor和vor+okr模型中眼动的仿真；对于okr模型，所有受试者的okr(kwv＝1)参数保持不变。作为优化：所述的步骤一的vor+okr模型中：一方面为了研究半规管与耳石的相互作用，采用merfeld和zupan提出的vor模型；另一方面，创建一个对视网膜上的图像稳定很重要的负反馈回路，vor仅作为一个有用的补充，在高频/高速头部旋转期间补偿okr的有限带宽；开发的模型包含七个参数：vor模型的四个参数：ka,kf,kfw，kw，okr模型的一个参数kwv和最终公共路径的两个参数：ki,kp；首先，将头部运动的角速度x和线加速度a作为vor模型的输入信息，四个自由参数是由内部模型预测的感官测量与感官测量之间的反馈误差，将这些反馈误差转化为运动和方向的估计；两个参数，kw和ka是线性反馈参数，用与vor慢相速度相对应的kw加权来预测实际scc信号的差异；用推导加速度估计值的参数ka用实际和预期耳石信号的差异来加权；相反，用kf和kfw作为非线性误差项的反馈，参数kf表示耳石的实际方向和预期方向之间的差异，用于估计重力方向；另一方面，kfw表示重力信号的旋转，并用于调整角速度的估计值；其次，对于okr模型，假设通过低通滤波器进行的眼部运动测量与okr模型的视觉输入相对应，该模型也用于补偿自愿的眼部运动；随后，视觉传感器(vis)对视觉输入(xv：角速度)进行处理，以生成视觉感官参数的估计；该估计值与使用视觉传感器内部模型评估的预期视觉感官参数进行比较(<vis>)；然后用剩余加权参数(kv)对视觉传感器的估计视觉感官参数和内部模型之间的差异进行加权，并将其添加到估计状态的变化率中；vor+okr模型中vor与okr相互作用的数学关系如下：-传感器动力学：基于多感官交互建模的观测器理论，将每个视觉传感器表示为33个单位矩阵，每个传感器将视觉输入(xv)转换为视觉感官估计值，遵循公式：-内部传感器动态：-误差计算：第四，在计算眼球运动后，应用罗宾逊提出的最终共同路径，最终的共同路径包含两个参数，这两个参数与眼睛肌肉中不同类型的肌肉有关。作为优化：所述的步骤二的实验中，受试者被要求坐在一个六自由度的驾驶模拟器中绕着一个模拟的路线驾驶，模拟器由carsim控制，可以模拟车辆的动态行为，实验中，通过使用matlabsimulink控制carsim，在垂直和水平面上以固定频率移动座椅；若干名持有驾驶执照的受试者参加了实验；每个参与者都做三次行动轨迹：没有vs，有vs，有vs和mw，要求每个参与者遵循四个步骤：(1)训练圈数；(2)无视觉刺激驾驶；(3)有视觉刺激驾驶；(4)有视觉刺激和精神负荷驾驶；在每一步之间，参与者休息约3分钟，以释放心理和身体压力；通过在模拟器上使用四个摄像头的smarteyepro采集眼球运动，为了收集头部运动的信息，使用fastrak电磁跟踪器；实验设计一个包含直线部分、右转弯和左转弯以及狭窄区域的行动轨迹；在存在vs的情况下，树木位于道路周围，彼此相距18m；为了在驾驶时产生头部和眼睛的运动，座椅在carsim和matlabsimulink的控制下移动，座椅在两个方向上振动：垂直和水平方向，在该方向上，随着carsim的控制，俯仰运动是随机扰动，水平方向是由于车辆行驶时的动力而自然移动。作为优化：所述的n-back任务中：为了在驾驶过程中施加一个mw，使用了一个n-back的数字回忆任务，在n-back任务中，每两秒钟有一个数字口头呈现给分词，当出现的数字与前一个数字相同时，要求受试者按“是”，当出现的数字不同时,按“否”按钮。有益效果：本发明整合了前庭-眼反射(vor)模型和视觉动力学反射(okr)模型。在2*2因子设计分析的基础上(仅vor模型和vor+okr模型，有无视觉刺激)，vor+okr模型比vor模型表现出更好的性能，均方误差较小。为此，还进行了一个实验，使用n-back任务来模拟驾驶时的心理负荷，在有心理负荷的情况下，模拟眼运动和观察眼动的均方误差变大。结果表明，vor+okr模型可用于驾驶员分心的评价。本发明的模型结合vor和okr可以模拟人眼运动，并能反映驾驶时心理负荷对驾驶员的影响。此外，该模型显示出更高的精度，减少了光流的影响，并且在非自愿眼球运动的情况下能够很好地适应不断变化的注视。本发明的模型也有相当大的潜力发展成为一个自动检测驾驶员分心的在线模型。通过将此方法与其他方法相结合，将很快能够开发出一个监控驾驶员行为的系统，该系统可以通过警告驾驶员分心来减少事故的数量。附图说明图1是本发明的实验采集的数据分析图；图2是本发明的两项方差分析图；图3是本发明的vor+okr模型示意图；图4是本发明的行动轨迹示意图一；图5是本发明的行动轨迹示意图二；图6是本发明的卡西姆模型产生振动的输入图；图7是本发明的n-back的数字回忆任务图；图8是本发明的vor和vor+okr在响应时间和幅度上的匹配图；图9是本发明的比较均方误差的结果箱线图；图10是本发明的将vor模型的眼球模拟和观察到的眼球运动图；图11是本发明的以vor和okr为模型仿真的头部运动图；图12是本发明的比较模拟和测量之间的均方误差结果的箱形图；图13是本发明的存在mw和不存在mw时在垂直方向上观察和预测的运动图。具体实施方式下面将对本发明实施例中的技术方案进行清楚、完整地描述，以使本领域的技术人员能够更好的理解本发明的优点和特征，从而对本发明的保护范围做出更为清楚的界定。本发明所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。实施例1.介绍在本发明中，通过模拟眼球运动，驾驶员的注意力分散甚至可以通过改变注视和视觉刺激来估计。眼睛的运动可以通过头部的运动来估计，当一个人聚焦在一个目标上时，如果他们的头转向左边，他们的眼睛就会向相反的方向移动，以根据前庭器官的输入来稳定视觉图像。前庭系统是内后方的感觉机制，是平衡感和空间定向感的主要来源。该系统由耳石和半规管两部分组成。vor模型可用于模拟头部运动引起的眼球运动。vor模型已在多个研究中提出，并有多种应用。在本发明中，我们使用了merfeld和zupan提出的vor模型，该模型反映了耳石和半规管之间的相互作用。在这个模型中，头部运动以线性加速度和有角速度作为输入，眼球运动是输出。由于merfeld和zupan模型只有眼肌的一阶滞后特性，因此我们将其与robinson的模型结合作为最终的共同路径段。总的来说，我们的模型包含四个参数来补偿vor特征的个体差异，两个参数来补偿眼部肌肉特征的个体差异。该模型已被其他研究人员用于研究驾驶员行为的各个方面。例如，obinata和同事使用vor模型来确定测量的眼球运动与模拟制动运动主观评估之间的关系。在本发明中，通过将观察到的眼球运动与vor模型模拟的眼球运动进行比较，来测量乘客的舒适度。尽管研究人员发现了其中的联系，但研究对象的数量不足以让他们做出决定。此外，采用混合遗传算法进行参数识别，在仿真和测量之间存在一定的差距。obinata的研究小组还使用vor模型评估了心理负荷和驾驶员在记忆决策负荷方面的分心情况，他们提出了一种通过vor量化心理负荷的新方法。然而，他们没有考虑目光方向的变化。动力反应是视觉场景中眼睛稳定的一种机制，已有一些研究人员已经开发。对于数学模型，vor与okr之间的交互是基于头的位置的反馈回路，该反馈回路使用视觉信息作为okr模型的输入。通过使用放大镜改变光动力输入，可以增强主动头部旋转的效果。schweigart和mergner利用主动和被动的头部运动研究了空间视觉模式运动与受试者头部运动之间的关系。基于他们的信息，本发明开发了一个负反馈回路来稳定视网膜上的图像，其中vor只是作为一种有用的补充来补偿在高频率/高速头部旋转时okr的有限带宽。在寻找方位感知的过程中，newman通过四种独立的视觉传感器(视觉速度、位置、角速度和重力)提供静态和动态的视觉感官信息，以另一种方式处理视觉与前庭的相互作用。在他的模型中，视觉感官估计(αvv)是由视觉传感器(visv)产生的，输入是视觉输入这个估计值与预期的视觉感官估计值进行了比较，后者根据视觉传感器的内部模型进行计算。采用残差加权参数对传感器冲突进行加权。尽管vor-okr模型在日常生活中被广泛应用来模拟眼部情绪，但没有一项研究成功地将vor和okr结合起来，来模拟开车时的眼部运动。目前的分析支持了驾驶员分心可以通过模拟眼球运动来捕捉的假设。然而，到目前为止，还没有研究人员成功地模拟了在注视变化和刺激环境下的自主眼球运动，在自然情况下这对于驾驶员来说是必要的。仅对vor模型来说，误差是由于其驱动的物理运动而累积的，因此无法与周围环境模拟眼球运动。另一方面，仅对okr而言，该模型不能利用车辆的振动，通常存在的振动无法捕捉驾驶员的分心。为了改善眼动仿真，有必要结合vor和okr的作用，以保证眼在空间和视觉场景中的稳定。本发明以评价驾驶员因精神负荷引起的注意力分散与周围环境的关系为目的，发明了一种将vor与okr模型相结合开发眼球运动仿真的新方法，该方法可应用于实际驾驶情况。1.1概述为了开发一个基于眼球运动的驾驶员分心评估模型，我们将工作分为三个主要步骤。首先，我们结合vor和okr模型开发了一个模型。模型开发的详细信息见1.2节。其次，我们进行了第3节所述的三个实验：包括无视觉刺激驾驶(vs)、有vs驾驶、有vs驾驶和n-back任务，实验如下。n-back任务的细节在2.3节中描述。视觉刺激：模拟树木被放置在驾驶模拟器的测试轨道旁边，以帮助诱导大量的光流。无vs驾驶：受试者被要求在没有任何模拟物体的情况下在设计好的赛道上驾驶。vs型驾驶：受试者被要求在相同的道路上驾驶模拟树木。使用vs和n-back任务驾驶：受试者被要求在模拟道路两旁树木的情况下，沿着相同的路线驾驶，同时通过按下方向盘上的适当按钮，在两秒钟内完成单回任务。最后，对实验采集的数据进行如下分析(图1)，采用smarteyepro和fastrak设备捕捉眼和头的运动。对数据进行了扫描和闪烁点筛选。a2*2因子设计分析(vor模型，vor+okr模型，无视觉刺激，有视觉刺激)。vor模型用于模拟两种情况下的眼动：无vs驾驶和无vs驾驶以及无脑力负荷(mw)。应用vor+okr模型模拟三种情况下的眼动：无vs驾驶、有vs无mw驾驶、有vs有mw驾驶。然后进行两项方差分析(图2)。1.1.1参数识别对于vor模型，利用之前提出的遗传算法将每个受试者的参数集(ka,kf,kfw,kw，ki,kp)分别应用于vor和vor+okr模型中眼动的仿真。对于本研究中的okr模型，与schweigart等(1997)和newman(2009)(kwv)一样，所有受试者的okr(kwv＝1)参数保持不变。1.1.2对模型进行检验前两个实验的结果进行了2*2因子设计分析(无vs和有vs；vor模型和vor+okr模型)，主要目的是验证新模型在vs存在和不存在的情况下对眼球运动的良好效果，1.1.3mw对眼动的影响为了验证新模型对mw驾驶员的应用，将最后两种情况(vs驾驶和vs、mw驾驶)的结果进行对比。1.1.4在驾驶状态下模拟眼球运动如引言部分所述，一些研究考察了精神负荷对非自主眼球运动的影响。然而，在他们的研究中，唯一的vor模型是在不改变注视的情况下模拟眼球不自主运动，这是不可能应用于眼睛注视和视觉信息迅速改变的实际车辆上的。开车时，震动主要发生在垂直方向，这是由路面引起的。振动会传到驾驶员的头上。因此，vor的不自主眼球运动总是出现。相反，当驾驶员专注于道路时，平滑追击很少出现在垂直方向。另一方面，扫视和平滑追击在水平方向很流行，在驾驶时检查交通环境。基于这些证据，为了模拟开车时的眼球运动，有必要将vor和okr模型相结合。此外，由于驾驶条件的原因，本研究只关注模拟垂直眼动来评估驾驶员的认知分心。1.2眼睛仿真模型的开发为了研究半规管与耳石的相互作用，我们采用了merfeld和zupan提出的vor模型。另一方面，与纽曼及其同事描述的方法类似，创建了一个对视网膜上的图像稳定很重要的负反馈回路，vor仅作为一个有用的补充，在高频/高速头部旋转期间补偿okr的有限带宽。开发的模型包含七个参数：vor模型的四个参数(ka,kf,kfw,kw)、okr模型的一个参数(kwv)和最终公共路径的两个参数(ki,kp)。首先，将头部运动的角速度(x)和线加速度(a)作为vor模型的输入信息。四个自由参数是由内部模型预测的感官测量与感官测量之间的反馈误差，其主要目的是将这些反馈误差转化为运动和方向的估计。两个参数，kw和ka，是线性反馈参数。用与vor慢相速度相对应的kw加权来预测实际scc信号的差异；用推导加速度估计值的参数ka用实际和预期耳石信号的差异来加权。相反，用kf和kfw作为非线性误差项的反馈。参数kf表示耳石的实际方向和预期方向之间的差异，用于估计重力方向。另一方面，kfw表示重力信号的旋转，并用于调整角速度的估计值。其次，对于okr模型，由于目标在驾驶过程中会随时间变化，因此很难从视觉研究中获得信息。因此，我们假设通过低通滤波器进行的眼部运动测量与okr模型的视觉输入相对应，该模型也用于补偿自愿的眼部运动。随后，视觉传感器(vis)对视觉输入(xv：角速度)进行处理，以生成视觉感官参数的估计。该估计值与使用视觉传感器内部模型评估的预期视觉感官参数进行比较(<vis>)。然后用剩余加权参数(kv)对视觉传感器的估计视觉感官参数和内部模型之间的差异进行加权，并将其添加到估计状态的变化率中。如图3的vor+okr模型所示，vor与okr相互作用的数学关系如下：-传感器动力学：基于多感官交互建模的观测器理论，我们将每个视觉传感器表示为33个单位矩阵。每个传感器将视觉输入(xv)转换为视觉感官估计值遵循公式：-内部传感器动态：-误差计算：第三，在计算眼球运动后，应用罗宾逊提出的最终共同路径。最终的共同路径包含两个参数，这两个参数与眼睛肌肉中不同类型的肌肉有关。2.实验装置在这项实验中，一名受试者被要求坐在一个六自由度的驾驶模拟器中绕着一个模拟的路线驾驶。模拟器由carsim控制，可以模拟车辆的动态行为。在这些实验中，通过使用matlabsimulink控制carsim，在垂直和水平面上以固定频率移动座椅。28名持有驾驶执照的受试者参加了实验(平均年龄：39岁，大部分受试者每天上下班，所有受试者的驾驶年龄均在3岁以上)。每个参与者都做三次行动轨迹：没有vs，有vs，有vs和mw。要求每个参与者遵循四个步骤：(1)训练圈数；(2)无视觉刺激驾驶；(3)有视觉刺激驾驶；(4)有视觉刺激和精神负荷驾驶。在每一步之间，参与者休息约3分钟，以释放心理和身体压力。通过在模拟器上使用四个摄像头的smarteyepro采集眼球运动。该设备无创(非侵害的，非侵袭的)，安装简单，使用摄像机提供数据。为了收集头部运动的信息，我们使用了fastrak电磁跟踪器。2.1设计我们设计了一个包含直线部分、右转弯和左转弯以及狭窄区域的行动轨迹。在存在vs的情况下，树木位于道路周围，彼此相距约18m(图4和5)。2.2座椅振动为了在驾驶时产生头部和眼睛的运动，座椅在carsim和matlabsimulink的控制下移动。座椅在两个方向上振动：垂直和水平方向，在该方向上，随着carsim的控制，俯仰运动是随机扰动，水平方向是由于车辆行驶时的动力而自然移动。卡西姆模型产生振动的输入如图6所示。2.3n-back任务为了在驾驶过程中施加一个mw，使用了一个n-back的数字回忆任务(图7)。在我们的n-back任务中，每两秒钟有一个数字口头呈现给分词。当出现的数字与前一个数字相同时，要求受试者按“是”，当出现的数字不同时,按“否”按钮。这两个按钮安装在方向盘上，因此很容易按下。3.结果3.1vor模型和vor+okr模型在没有视觉刺激的情况下，vor和vor+okr都表现出良好的性能，在响应时间和幅度上都有良好的匹配(图8)。换言之，驾驶员专注于驾驶，并在无vs.时表现出良好的眼部运动反应。此外，还进行了箱线图配置，以比较均方误差的结果(图9)。每个方框直观地表示不同条件和使用不同模型的所有受试者的均方误差数据。例如，在第一列(w/ovs)，方框表示vor模型的眼睛模拟与所有受试者在没有视觉刺激的情况下的眼睛测量之间的均方误差结果。结果表明，新模型在各种情况下均能很好地工作，均方误差较小(仅vor)。图9所示的均方误差分布也表明了以下情况。vor+okr模型在存在或不存在vs的情况下的方框图比仅vor模型的方框图短。这表明，结合vor和okr的新模型比仅结合vor的模型表现更好。存在vs的情况下的箱线图高于不存在vs的情况，特别是对于vor模型。vor模型的中均方误差从0.29度增加到0.32度，而加入okr模型的中均方误差从0.21度略微增加到0.23度。这些结果表明，所开发的模型可以提高精度(相同情况下的中位数均方误差较低)(p<0.05)，并降低vs对眼睛模拟的影响(使用新模型可降低vs导致的中位数增加)。为了更仔细地研究vs对眼球运动的影响，我们将vor模型的眼球模拟和观察到的眼球运动绘制在一张图表上(图10)。这表明，在频率和时间响应上，vs导致vor模型刺激的眼球运动与观察到的眼球运动不匹配。另一方面，vor+okr模型表现出较好的匹配性能。此外，我们还使用一个2×2的分析表(vor模型和vor+okr模型，无vs和有vs)-因变量：各受试者模型预测和测量之间的均方误差-自变量：模型和驾驶状态(有无视觉刺激)-方差分析的无效假设如下：1、两种模型的均方误差结果(vor和vor+okr)是相等的。2、两种情况(有视觉刺激和无视觉刺激)的均方误差结果相等。3、模型与视觉刺激之间没有交互作用。结果如表1所示：与之前的结果一样，模型的方差分析再次显示了统计学上的显著效果(f＝14.08，p<0.005)，证实了vor+okr模型在存在和不存在vs的情况下均优于vor模型。另一方面，本分析中的vs效应没有统计学意义(f＝2.46，p>0.005)，这可能是因为所提出的模型可以减少光流对驾驶时眼睛运动的影响，或者在出现追踪器头部运动时提高精度。头部运动为了深入解释驾驶员的眼睛运动，需要考虑眼睛仿真模型的输入。图11显示了以vor和okr为模型仿真的头部运动。如图11所示，对于驾驶员而言，头部运动由两个基本运动组成：基于车辆振动的运动(这是vor的原因)和基于驾驶员决定的运动(主动眼球运动)。在垂直方向上，头部移动几乎是由高频车辆的振动造成的。相反，在水平方向上，头部几乎是按照驾驶员的决定来观察目标或检查视觉信息。因此，obinata等将vor模型应用于水平和垂直方向时，垂直方向的仿真结果与水平方向的仿真结果相比，具有更好的性能。此外，即使在仍然存在平滑追踪或其他类型头部运动的垂直方向上，通过添加okr模型，眼睛运动仿真的结果更准确，如前一部分所示。table1anovaresults.3.2、心理负荷对眼球运动的影响在确定了新模型的vor和okr性能优于单独使用vor的模型后，我们将所开发的模型应用于模拟mw存在或不存在的情况下的眼球运动的模拟。箱形图为了比较模拟和测量之间的均方误差结果，制作了图表(图12)。每个方框直观地表示不同条件(有(w/)或无(w/o)心理负荷(mw)下所有受试者的均方误差数据。根据观察和预测眼球运动的差异，结果表明，当没有mw时，眼球运动变得更可持续，与有mw的情况(0.28)相比，均方误差中位数较低(0.23)。为了更详细地检查使用mw驾驶时的眼睛运动，绘制了存在mw和不存在mw时在垂直方向上观察和预测的运动图(图13)。如图13所示，当使用mw驾驶时，驾驶员的眼睛运动在频率和时间响应上均不匹配。此外，有mw的驾驶员的眼球运动比无mw的驾驶员表现出更多的峰值。采用t检验(无mw和有mw)来检查预测和观察眼球运动之间的差异(表2)。-因变量：各主体模型预测与测量的均方误差；-独立变量：驾驶时的状况(有或无精神负荷)；-t检验的无效假设如下：1、两种情况(有或无精神负荷)的均方误差结果是相等的。2、分析结果表明，工作负荷对模拟眼运动和观察眼运动的差异有显著影响(p<0.05)。table2t-testresult.4.讨论在我们的研究结果的基础上，我们确定了眼睛运动受精神负荷的影响。然而，为了开发一种在线检测驾驶员注意力分散的工具，我们仍然需要改进与方法和设备相关的几个方面。4.1方法论在眼睛跟踪领域，已有多项研究通过检查瞳孔直径、眼睑运动、眨眼持续时间等来评估由精神负荷引起的注意力分散。这些技术各有优缺点。例如，已经指出了工作量对瞳孔直径的影响。然而，瞳孔大小对照明条件非常敏感，在驾驶过程中照明条件会发生显著变化。另一方面，一些研究人员提出了通过测量眨眼持续时间来估计认知工作量的方法；然而，一项研究表明，当操作员必须处理大量的视觉信息时，眨眼与认知负荷之间没有关系。obinata及其同事提出了一种新的驾驶员注意力分散的在线评估方法。在他们使用vor模型的研究中，眼睛运动是在头部运动的基础上进行模拟的。预测眼球运动和观察眼球运动之间的一致性被用作测量牵引力的指标。然而，这些研究并没有考虑自然眼球运动或视觉信息的影响。在本发明中，我们的结果再次证实了预测和观察到的眼球运动的差异与驾驶员的注意力分散有关。此外，为了建立一个完整的模拟眼球运动的模型，我们改进了参数识别方法，以加速过程并提高精度。另一方面，加入okr模型降低了视觉信息对视神经流模拟的影响。因此，我们打算将使用均方误差的离线方法替换为计算眼睛模拟和眼睛测量之间相关性的在线方法。4.2设备在本发明中，我们也注意到个体的眼部反射运动存在差异。这意味着我们必须为每个个体识别模型参数。为了实现驾驶员分心的在线检测，应通过用较大的样本识别模型中每个参数的趋势，然后通过固定一些在受试者之间变化很小的参数来减少参数识别时间。此外，我们希望随着计算机科学的发展，参数识别时间可以从目前的10分钟缩短到1分钟或更少。在本发明中，为了捕捉头部和眼睛的运动，我们使用了fasttrack和smartye设备，这些设备既昂贵又难以安装。然而，由于技术的发展，这种设备现在可以被可记录头部和眼睛运动的紧密型设备取代。4.3限制在本发明中，我们使用一个有限条件下的驾驶模拟器。为了确认模型的稳定性，需要在虚拟和真实情况下，在复杂的视觉环境中进行测试。此外，由于样本量有限，本研究并未分析驱动因素特性的影响。未来的研究应更多地关注模型参数的个体差异，并将反射眼球运动法与其他评估驾驶员/车辆行为的方法相结合，以获得更精确的驾驶员分心评价。5结论该模型结合vor和okr可以模拟人眼运动，并能反映驾驶时心理负荷对驾驶员的影响。此外，该模型显示出更高的精度，减少了光流的影响，并且在非自愿眼球运动的情况下能够很好地适应不断变化的注视。新模型也有相当大的潜力发展成为一个自动检测驾驶员分心的在线模型。通过将此方法与其他方法相结合，将很快能够开发出一个监控驾驶员行为的系统，该系统可以通过警告驾驶员分心来减少事故数量。当前第1页12当前第1页12