本研究提出了一種在真實駕駛過程中對駕駛員心理壓力進行分類識別的算法模型。

本研究采用了 MIT-BIH 數據集，該數據集通過可穿戴設備收集了 17 名駕駛員在實際駕駛過程中的心電、皮膚電阻、心率、肌電等多種生理數據。

研究人員對這些生理數據進行了預處理、特征提取等一系列規范化處理后，對結果進行了統計檢驗。結果表明，駕駛員在駕駛過程中的壓力水平分成三個等級時，各個壓力等級之間存在顯著差異；眾多生理特征中，從駕駛員腳部采集的皮膚電阻特征區分駕駛員壓力的準確率最高。

本研究設計了一種融合行為與生理特征的監督學習模型，并驗證了該模型對車輛碰撞事件的預測效果。

受試者穿戴生理傳感器、眼動儀，使用駕駛模擬器完成一系列駕駛任務。研究者同步記錄車輛動態、距離、駕駛行為、注視點和生理數據，并計算提取多種生理和行為特征，創建車輛碰撞預測模型。

結果表明，添加生理和行為特征后，車輛碰撞預測模型的準確性和特異性顯著提高。

本研究驗證了使用生理參數評估飛行員在處理直升機單發失效事件前后工作負荷的可行性。

使用可穿戴生理傳感器，實時記錄了11名飛行員在單發失效事件后，重新獲得飛機控制權和安全著陸的機動期間（即自轉期間）的呼吸、心率、皮膚電導反應、眼動、面部表情等特征。采用直升機著陸的垂直速度作為安全績效，飛行員對工作負荷的主觀評估作為依據，驗證生理特征的準確性。

結果表明，融合多種生理和行為參數的同步、連續記錄可以有效反應飛行員在險情處理任務中的工作負荷。

本研究采用多種生理和行為參數預測駕駛員的困倦程度，以及何時達到預定的困倦程度。

邀請 21 名駕駛員在模擬器上完成指定的駕駛任務，時長為100-110 分鐘。期間，實時記錄駕駛員的心率、心率變異性、呼吸率、頭部和眼瞼運動等多種生理和行為指標，以及穿越車道時間、速度、方向盤角度、位置等多種駕駛行為。使用這些特征組合分別創建用于識別和預測疲勞駕駛狀態的人工神經網絡模型。

該模型可以檢測駕駛員的困倦程度，均方誤差為 0.22，并可以預測何時達到預定的困倦水平，均方誤差為 4.18 分鐘。