本文档属于类型a：单篇原创研究报告。以下是针对该研究的学术报告：

作者及机构
本研究由Feng Zhou（美国密歇根大学迪尔伯恩分校工业与制造系统工程系）、Areen Alsaid（威斯康星大学麦迪逊分校工业与系统工程系）、Mike Blommer等（福特汽车公司研发与先进工程部门）及Baiying Lei（深圳大学生物医学工程学院）共同完成，发表于2020年的《Expert Systems with Applications》期刊（卷147，页113204）。

学术背景
研究领域为智能交通系统中驾驶员疲劳监测，聚焦高度自动化驾驶（SAE Level 3）场景。疲劳驾驶是交通事故的主因之一，传统实时疲劳检测系统在自动化驾驶中因接管延迟（最长需15秒）可能失效。因此，本研究提出通过生理特征（如心率变异性、呼吸率）前瞻性预测疲劳状态转换（从非疲劳到疲劳），而非仅实时检测。理论基础包括：
1. PERCLOS（Percentage of Eyelid Closure，眼睑闭合时间占比）作为疲劳的黄金标准（阈值10%）；
2. 非线性自回归外生网络（NARX）用于建模生理信号与疲劳状态的时序关系，其优势在于通过双延迟线（输入/输出信号滑动窗口）捕捉长期依赖。

研究流程
1. 实验设计
- 参与者：20名健康驾驶员（无咖啡因或睡眠障碍），分疲劳组（10人，PERCLOS>80%）与非疲劳组（10人）。
- 设备：
- Virttex驾驶模拟器：六自由度液压平台，360°环幕，模拟高度自动化驾驶；
- IScan眼动仪：实时监测PERCLOS；
- BioHarness 3.0生理传感器：采集ECG（心电图）和呼吸波形（采样率200Hz）。
- 流程：40-45分钟单调自动化驾驶（无接管请求），同步记录生理数据与PERCLOS。

1. 数据处理

   • 信号预处理：ECG滤波（40-240Hz）、R波峰值检测计算心率（HR）及变异性（HRV）；呼吸波滤波（10-25次/分钟）提取呼吸率（BR）及其标准差（BR STD）。
     
   • 特征选择：随机森林算法筛选出4个关键特征（HRV、HR、BR、BR STD）。
     
   • 数据标准化：以驾驶首分钟数据为基线校正个体差异。
     

2. 模型构建

   • NARX架构：输入为生理特征+历史PERCLOS，输出为未来15秒PERCLOS预测（对应接管请求最长时间）。
     
   • 训练模式：
     
     • 开环（系列-并行）：静态反向传播，单步预测；
       
     • 闭环（并行）：迭代多步预测（15秒前瞻）。
       
   • 参数优化：延迟阶数（n_y=n_x=35）、隐藏层50个神经元，Levenberg-Marquardt算法训练。
     

3. 疲劳转换预测

   • 判定规则：滑动窗口（15秒）内前3秒均值<10%且后3秒均值>10%视为转换。
     
   • 评估指标：精确度、召回率、F1分数。
     

主要结果
1. 模型性能
- 预测精度：F1分数达97.4%（滑动窗口策略）和99.1%（整体转换策略），优于传统实时检测方法（如基于EEG的系统）。
- 时间提前量：最早可提前13.8秒预测疲劳转换（图9a），满足接管需求。
- 错误分析：假阳性多发生于转换时长秒的短暂波动（可通过阈值过滤）。

1. 关键发现
   
   • 生理特征有效性：HRV与BR STD对疲劳转换敏感，验证了生理信号的前瞻性价值。
     
   • NARX优势：相比深度学习，计算高效且能建模长时序依赖（MSE=0.462±0.035）。
     

结论与价值
1. 科学意义：首次将NARX模型应用于疲劳转换预测，证实生理信号在高度自动化驾驶中的早期预警潜力。
2. 应用价值：为自动驾驶系统设计提供了13.8秒的预警窗口，可集成至车载监控系统以提升接管安全性。

研究亮点
1. 方法创新：融合NARX与随机森林特征选择，解决了疲劳预测的时序建模难题。
2. 场景针对性：专为高度自动化驾驶中被动疲劳（单调性诱发）设计，填补了传统实时检测的时效性缺陷。
3. 数据策略：通过个体数据拼接平衡训练量需求与连接点误差，为小样本研究提供参考。

其他价值
研究指出未来可探索深度学习（如LSTM）提升预测性能，并需扩展至主动疲劳（如睡眠剥夺）场景以增强普适性。