Evaluating the effectiveness of vestibular and ocular motor function assessments in detecting driver sleepiness: A Protocol Paper

该方案论文旨在通过一项包含 29 小时持续清醒期的实验，评估便携式虚拟现实设备下的前庭 - 眼动功能测试在检测驾驶员当前困倦状态及预测未来驾驶风险方面的有效性。

要点

这篇论文其实是一份**“研究计划书”（Protocol Paper），它描述了一项正在进行的科学实验，目的是寻找一种像“吹酒精测试仪”一样简单、客观的方法，来检测司机是否“困到不能开车”**。

为了让你更容易理解，我们可以把这项研究想象成一场**“寻找司机大脑‘疲劳计’的寻宝游戏”**。

1. 为什么要做这个研究？（问题的由来）

想象一下，如果你喝醉了，警察会给你吹一个酒精测试仪。如果数值超标，你就不能开车，因为大家都知道你反应会变慢，容易出车祸。

但是，**“困倦”（Sleepiness）**是个狡猾的坏蛋：

• 它没有“测试仪”： 目前世界上没有一种客观的、路边的设备能像测酒精那样，准确告诉你“你现在困到危险的程度了”。
• 司机自己也不知道： 很多司机觉得自己“还能撑”，但实际上大脑已经像“死机”的电脑一样，反应迟钝，甚至会在不知不觉中“微睡眠”（打个盹），这比酒驾更危险，因为往往来不及刹车。
• 现有的方法太麻烦： 现在的检测要么靠司机自己说（容易撒谎或误判），要么需要复杂的摄像头盯着眼睛看（侵犯隐私），或者需要戴满电极测脑电波（像做手术一样麻烦，没法在路边用）。

所以，科学家们想： 有没有一种像“测酒驾”一样简单、客观的方法，能一眼看出司机是不是“困到危险”了？

2. 他们的“寻宝”工具是什么？（核心方法）

科学家们发现了一个新线索：眼睛和大脑的“反射”。

这就好比**“照镜子”**：

• 当你清醒时，你的眼睛和大脑配合得天衣无缝。比如，你转头看东西，眼睛会立刻自动反向转动以保持视野稳定（这叫前庭 - 眼反射，VOR）。
• 当你困了，这个“自动导航系统”就会失灵。眼睛转得慢了、转得不准了，或者乱转了。

这项研究使用了一种**“虚拟现实（VR）眼镜”**（就像游戏用的 VR 眼镜，但里面装了高精度的红外摄像头）。

• 怎么测？ 司机戴上眼镜，里面会显示一些移动的图案。
• 测什么？ 眼镜会捕捉司机眼睛的每一个微小动作：是快速转动（扫视）、是平滑跟随（追踪），还是不由自主地抖动（眼球震颤）。
• 比喻： 这就像是在检查司机的“眼睛引擎”是否还在正常运转。如果引擎转速不对，说明大脑“油”不够了（困了）。

3. 实验是怎么做的？（寻宝过程）

为了验证这个“VR 眼镜”灵不灵，研究团队设计了一个**“极限挑战”**：

1. 招募“勇士”： 找了 50 个健康的普通人。
2. 制造“困意”： 让他们在实验室里待上大约29 个小时不睡觉（这就好比连续开了一整晚的车，或者倒时差倒得最惨的时候）。
3. 反复测试： 在这 29 个小时里，每隔几个小时，就要做三件事：
   • 戴 VR 眼镜测眼睛： 看看“眼睛引擎”的数据。
   • 开模拟赛车： 在电脑模拟器上开车，看看会不会撞车、会不会偏离车道。
   • 做其他测试： 比如按按钮反应测试，确认他们真的困了。
4. 对比分析： 科学家们把“眼睛的数据”和“开车撞没撞车”的数据放在一起，用超级计算机（人工智能算法）进行分析。

目标有两个：

• 目标 A（测状态）： 司机刚开完车，马上测一下眼睛，能不能立刻知道“他刚才开车时有多困”？（模拟路边查车）。
• 目标 B（测潜力）： 司机刚开始休息时测一下眼睛，能不能预测“他如果连续开 20 小时，会不会出事”？（模拟体检，预测未来风险）。

4. 这项研究有什么意义？（找到宝藏后）

如果这项研究成功了，未来可能会出现这样的场景：

• 路边查车： 警察拦下一辆大货车，司机不用吹气，只需戴上 1 分钟的 VR 眼镜，转转头、动动手。如果系统显示“眼睛引擎”数据异常，警察就会说：“你太困了，现在不能开车，去休息吧。”这比现在靠警察“凭感觉”判断要科学得多。
• 职业体检： 对于经常开长途的司机、夜班工人，或者家里有睡眠障碍的人，可以在上岗前做个“眼睛体检”。如果预测到他们容易犯困，就提前安排休息，避免悲剧发生。
• 不再靠嘴说： 司机不能再狡辩“我不困”，因为数据不会撒谎。

5. 总结

简单来说，这篇论文就是宣布我们要开始一场实验，试图用**“虚拟现实眼镜测眼动”这种高科技手段，来发明一个“司机困倦检测仪”**。

这就好比我们以前只能靠闻气味（主观感觉）来判断车有没有漏油，现在我们要发明一个**“漏油探测器”**，只要滴一滴油（眼睛动一下），就能精准报警。如果成功，它将大大减少因为司机犯困导致的交通事故，保护大家的生命安全。

注意： 目前这还只是一个**“计划书”**（Protocol），就像建筑师画好了图纸，准备开始盖楼，但楼还没盖好，数据结果还没出来。不过，这个方向非常有希望！

技术摘要

这是一份关于评估前庭 - 眼动（VOM）功能检测在识别驾驶员困倦状态中有效性的协议论文（Protocol Paper）的详细技术总结。该研究旨在开发一种客观、便携的 roadside（路边）测试方法，以替代目前缺乏的驾驶员困倦检测手段。

以下是该论文的详细技术总结：

1. 研究背景与问题 (Problem)

• 核心问题：驾驶员困倦是导致交通事故的主要原因之一（占所有车祸的 20%，单车事故的 30%），其风险比酒精或药物驾驶高出 250%。然而，目前缺乏有效的客观路边测试来检测驾驶员在驾驶期间或驾驶前的困倦状态，也无法预测未来的驾驶风险。
• 现有局限：
  • 主观报告（如 KSS 量表）存在偏差，且驾驶员往往无法准确感知自身的客观受损程度。
  • 直接驾驶监测（如车道偏离）需要昂贵的车载设备，且难以在路边实施。
  • 其他生理指标（如脑电图 EEG、心电图 ECG、眼动追踪摄像头）要么侵入性强，要么涉及隐私问题，要么在实时应用中不切实际。
• 研究缺口：虽然前庭 - 眼动（VOM）功能（如扫视、平滑追踪、前庭眼反射）已知对疲劳敏感，但此前缺乏利用便携式虚拟现实（VR）设备在受控实验室环境下，系统性地评估 VOM 指标与驾驶表现及困倦状态之间关系的研究。

2. 研究方法 (Methodology)

本研究采用扩展清醒（Extended Wakefulness）实验室协议，旨在模拟极端疲劳状态下的驾驶风险。

• 研究设计：
  • 参与者：招募 50-51 名健康成年人（18-75 岁），具有规律睡眠习惯，排除睡眠障碍、严重肥胖及药物滥用者。
  • 流程：
    1. 基线期：两周的家庭监测（使用睡眠日记、Withings 睡眠分析仪、GENEActiv 加速度计）。
    2. 实验室过夜：第一晚进行多导睡眠图（PSG）监测，确保睡眠质量并排除未诊断的睡眠呼吸暂停。
    3. 扩展清醒期：约 29 小时的持续清醒状态（模拟连续夜班或长途驾驶）。
  • 测试频率：在清醒期间，每 6 小时进行一次综合评估，共 5 次。
• 核心测量工具：
  1. VOM 检测（Neuroflex 设备）：使用带有红外眼动追踪的 VR 头显（FOVE goggles）。在每次驾驶测试前和后进行，测试时长<10 分钟。包含 8 种测试协议，提取61 个 VOM 指标，涵盖：
     • 平滑追踪（Smooth Pursuit，头动/头固定）
     • 主动视觉前庭眼反射（Active Visual VOR）
     • 扫视（Saccades）与反扫视（Anti-saccades，认知控制）
     • 自发性眼震与视动性眼震（OKN Nystagmus）
  2. 驾驶模拟（AusEd 模拟器）：60 分钟的双车道夜间高速公路模拟。主要指标包括：
     • 车道偏离（转向偏差标准差）
     • 事故/碰撞次数
     • 对前方慢速卡车的反应时间（刹车反应）
  3. 辅助指标：
     • PVT（精神运动警觉任务）：测量注意力。
     • KDT（卡罗林斯卡嗜睡测试）：结合 EEG 和 EOG 的生理嗜睡评估。
     • KSS（卡罗林斯卡嗜睡量表）：主观嗜睡评分。
     • 生理监测：核心体温、皮肤温度、EEG（清醒时）、心率等。
• 数据分析策略：
  • 机器学习模型：使用 XGBoost（极端梯度提升）算法，输入 61 个 VOM 指标，预测驾驶员属于“易受损组（Vulnerable）”还是“抗受损组（Resilient）”。
  • 特征重要性：利用 SHAP（Shapley Additive exPlanations）值对 VOM 指标进行排序，识别最能预测驾驶受损的关键指标。
  • 验证方法：留一法交叉验证（Leave-one-out cross-validation）和贝叶斯优化。
  • 目标：
    1. 识别预测状态困倦（State Sleepiness）的最佳 VOM 指标（模拟路边测试）。
    2. 识别预测特质困倦（Trait Sleepiness，即基线表现预测未来风险）的指标。

3. 关键贡献 (Key Contributions)

• 技术整合：首次将成熟的VR 技术（Neuroflex）应用于困倦检测，证明了其作为便携式、非侵入性路边测试工具的潜力。
• 全面评估：不仅关注单一的眼动指标，而是通过 8 种测试协议提取 61 个多维指标，全面评估前庭 - 眼动系统的功能完整性。
• 双重预测模型：
  • 状态预测：评估 VOM 是否能实时反映当前的驾驶受损风险（驾驶前/后测试）。
  • 特质预测：评估在休息状态下（基线）的 VOM 指标是否能预测个体在长时间清醒后的脆弱性（即谁更容易因疲劳而崩溃）。
• 数据驱动的特征选择：利用先进的机器学习（XGBoost + SHAP）从大量数据中筛选出最具预测力的少数几个指标，为未来开发简化的快速筛查工具奠定基础。

4. 预期结果与发现 (Results & Findings)

注：由于这是一篇协议论文（Protocol Paper），主要描述研究设计和假设，尚未报告最终的实验数据结果。但论文基于现有文献提出了明确的假设：

• 假设 1：特定的 VOM 指标（如反扫视错误率增加、扫视速度增加、平滑追踪增益降低）将是预测驾驶表现下降（车道偏离、事故）和注意力 lapses（PVT 表现）的顶级指标。
• 假设 2：基线（休息状态）下的 VOM 指标能够区分那些在 20+ 小时清醒后表现出脆弱性（驾驶受损）与韧性（保持良好）的驾驶员。
• 预期产出：研究完成后，将确定一组核心的 VOM 指标，能够以高灵敏度（AUC 值）区分易疲劳和不易疲劳的驾驶员，并建立风险阈值。

5. 研究意义 (Significance)

• 填补安全空白：如果验证成功，将提供一种类似于“酒精呼气测试”的客观困倦测试，填补目前路边和职业驾驶前缺乏有效检测手段的空白。
• 应用场景广泛：
  • 路边执法：警察可快速筛查疲劳驾驶者。
  • 职业健康：卡车司机、飞行员、紧急救援人员等高风险职业上岗前的“适驾性”评估。
  • 临床诊断：帮助医生评估患有睡眠障碍患者的驾驶风险。
• 推动技术落地：通过实验室验证，为未来将 VR 设备小型化、轻量化并部署到真实道路环境中提供了科学依据和算法支持。
• 提升道路安全：通过客观数据辅助决策，促使驾驶员采取更有效的疲劳管理措施（如休息、小睡、咖啡因），从而减少因疲劳导致的致命事故。

总结

该论文提出了一项严谨的、基于实验室的扩展清醒研究方案，旨在利用便携式 VR 前庭 - 眼动检测技术，结合机器学习算法，开发一种能够客观、实时预测驾驶员困倦状态及未来驾驶风险的评估工具。这项工作有望从根本上改变目前对疲劳驾驶的检测方式，从主观判断转向客观数据驱动，对提升全球道路安全具有重大潜在价值。