（根据文档内容判断属于类型a：单篇原创研究论文的报告）

基于车辆运行数据的疲劳驾驶状态检测研究学术报告

一、作者与发表信息
本研究由蔡素贤（Hanorsun(厦门)数据股份有限公司）、杜超坎（同单位）、周思毅（同单位）及王雅斐*（上海财经大学信息管理与工程学院）合作完成，发表于《交通运输系统工程与信息》（Journal of Transportation Systems Engineering and Information Technology）2020年第20卷第4期。

二、学术背景
疲劳驾驶是交通事故的主要诱因之一，传统检测方法（如生理指标监测、面部图像识别）存在成本高、易受环境干扰等局限性。本研究属于智能交通与驾驶行为分析交叉领域，旨在通过车辆CAN（Controller Area Network）总线采集的实时运行数据（如车速、油门踏板开合度、刹车操作等），构建疲劳驾驶的自动化检测模型。其科学目标是通过数据驱动方法验证车辆运行状态与疲劳驾驶的关联性，并提出一种低成本、非侵入式的解决方案。

三、研究流程与方法
1. 数据采集与预处理
- 数据源：采集自某公交公司同一条线路的3名驾驶员，通过CAN总线记录车辆运行数据（包括车速、发动机转速、油门/刹车踏板开合度等12项参数），采样频率为0.2秒/次。
- 标签标注：结合防疲劳监控设备的报警数据（如打哈欠、分神提醒），由专家标注“疲劳”与“清醒”状态时段，最终获得351个样本（疲劳113个，清醒238个）。

1. 特征工程
   从原始数据中提取18项驾驶行为特征，分为四类：

   • 车速特征：均值、中位数、标准差及样本熵（Sample Entropy，用于量化序列复杂度）；
     
   • 加速度特征：均值、中位数、标准差及急加减速比例（阈值设为±2 m/s²）；
     
   • 油门/刹车操作特征：开合度统计量（均值、最大值、熵值等）；
     
   • 其他特征：如转向灯信号频率。
     

2. 模型构建与验证

   • 算法选择：对比随机森林（Random Forest, RF）、逻辑回归、支持向量机和决策树四种算法，最终采用RF因其抗过拟合能力与高维数据处理优势。
     
   • 训练流程：按7:3划分训练集与测试集，通过Bootstrap抽样生成多棵决策树，每棵树随机选择特征子集（m≤18）进行节点分裂（基尼指数准则），最终通过投票机制输出分类结果。
     

四、研究结果
1. 模型性能
- 准确率：RF模型整体准确率达78.5%，显著高于其他算法（逻辑回归74.1%，支持向量机72.0%）。
- 召回率与精确率：疲劳驾驶的召回率为61%（即61%的真实疲劳状态被正确识别），精确率为67%（预测为疲劳的样本中67%真实疲劳）。
- 特征重要性：车速均值（相关系数0.35）和油门踏板熵值（0.14）是关键判别特征，表明疲劳状态下驾驶员对车速和油门的控制稳定性下降。

1. 结果验证
   
   • 通过皮尔森相关系数分析，发现单一特征与疲劳状态的关联性较弱（最高仅0.35），但多特征组合通过RF模型可有效提升判别能力。
     
   • 与基于生理信号（如脑电）或图像的方法相比，本方法的优势在于无需额外设备，且受环境干扰小。
     

五、结论与价值
1. 科学意义
首次通过真实场景下的CAN总线数据验证了车辆运行状态与疲劳驾驶的关联规律，为驾驶行为研究提供了新的数据维度。提出的18项特征工程框架可为后续研究提供参考。

1. 应用价值
   
   • 低成本预警系统：可直接集成至现有车载CAN系统，无需改装车辆或佩戴设备。
     
   • 扩展性：模型可适配不同车型，仅需调整特征权重。
     

六、研究亮点
1. 方法创新：将样本熵引入驾驶行为分析，量化操作随机性；结合随机森林处理高维非线性的驾驶数据。
2. 数据真实性：采用真实公交运营数据，非模拟实验环境，结论更具实践指导意义。

七、其他贡献
研究公开了特征提取的完整参数（如急加减速阈值、时间窗口1分钟），便于后续复现。局限性在于样本量较小（仅3名驾驶员），未来需扩大数据规模以验证普适性。

（注：全文严格遵循学术报告格式，未包含任何非原文信息，专业术语如“样本熵（Sample Entropy）”“CAN总线”均按原文标注。）