VPoA是由慣性傳感器和面部識別應(yīng)用程序捕獲的頭部運動的俯仰、偏航和滾動角度推斷出來的。該系統(tǒng)還包括一個基于平板電腦的應(yīng)用程序，該系統(tǒng)自動收集來自駕駛環(huán)境的數(shù)據(jù)，例如，速度和位置。它還使注釋器能夠觀察到的駕駛員行為，例如與乘客的交互。我們對15名年輕人和15名老年人進行了一項自然研究，以證明該系統(tǒng)在識別視覺行為模式方面的功效，這些模式與以前使用傳統(tǒng)數(shù)據(jù)收集方法的研究中所確定的模式相似。一個新的發(fā)現(xiàn)是，如果有乘客在場，年輕組比老年組更頻繁地看腿部。腿部是與使用手機相關(guān)的VPoA。

I.引言

誘發(fā)視覺分心的次要工作是導(dǎo)致駕駛者撞車的主要原因，與他們的年齡無關(guān)。視覺分心是一種注意力不集中，被定義為由于執(zhí)行次要活動而導(dǎo)致的視線偏離，導(dǎo)致視線偏離道路。了解隨著年齡的增長，視覺和注意力行為的變化如何影響駕駛，仍然是醫(yī)學(xué)、工程和社會科學(xué)等相關(guān)領(lǐng)域研究界的一個課題。研究視覺行為有助于確定進一步改進技術(shù)的領(lǐng)域，例如開發(fā)需要低量工作負(fù)荷的信息娛樂系統(tǒng)和在自動駕駛期間吸引視覺注意力的警報系統(tǒng)。然而，很少有人關(guān)注使用智能傳感技術(shù)來收集駕駛員的視覺注意力以進行此類研究。 ? 觀察性研究主要使用攝像機和眼球追蹤器來收集數(shù)據(jù)，這涉及到人類觀察員對視頻數(shù)據(jù)進行編碼以識別視覺干擾。例如，通過分析一周內(nèi)從 70 名不同年齡的司機拍攝的視頻記錄，可以確定，與視線向車外看相比，車內(nèi)的分心與視線向車內(nèi)看的增加更相關(guān)。

同樣地，一項對148名青少年和老年人進行的基于視頻的觀察研究顯示，使用基于車輛的警告反饋系統(tǒng)并不會對進行次要工作的可能性有顯著影響作用。最后，最近一項大規(guī)模自然研究的結(jié)果顯示，與中年司機相比，做次要工作對30歲以下和65歲以上的司機來說，風(fēng)險一直較高。研究還顯示，老司機做次要工作的頻率遠遠低于年輕司機。在上述作品中，編碼是識別駕駛員與次要工作相關(guān)的視覺行為的一項基本任務(wù)。編碼被認(rèn)為是一項要求很高的任務(wù)，可能需要一個以上的訓(xùn)練有素的分析員來減少花費的時間和人為錯誤。該項目旨在開發(fā)一個有利于在自然研究中收集數(shù)據(jù)的傳感系統(tǒng)，以了解司機的視覺行為。它支持實時收集司機的視覺注意點（VPoAs）和與駕駛環(huán)境相關(guān)的數(shù)據(jù)，如速度和道路類型。

該傳感方法基于兩個前提: ? 1)頭部姿勢是預(yù)測駕駛員意圖一個很好的指標(biāo)，也是估算眼球注視的一個很好的代表。心理學(xué)家已經(jīng)證明，頭部運動與掃描信息的目光變化的關(guān)聯(lián)并不限于大范圍的目光變化； ?

表1?擬用平臺來感知司機的行為數(shù)據(jù) ? 此外，頭部運動與任務(wù)性能有關(guān)。也就是說，當(dāng)提取信息的任務(wù)更加困難時，頭部的移動會增加，這在年輕的讀者（6-10歲的兒童）中很明顯。同樣地，在駕駛環(huán)境中，向特定區(qū)域掃視的發(fā)生和持續(xù)時間取決于任務(wù)的復(fù)雜性。 ? 2)視覺注意點（VPoA）是主要和次要活動的適當(dāng)提示。它是車輛駕駛艙內(nèi)的一個區(qū)域，駕駛員由于注意力轉(zhuǎn)移而調(diào)整頭部方向。例如，主要任務(wù)可能包括查看側(cè)后視鏡和窗戶區(qū)域。而次要任務(wù)可能是低頭使用手機或與廣播、乘客互動。 ?

本文提出了一個智能多源傳感系統(tǒng)，它結(jié)合了一個單一的可穿戴的慣性傳感器和一個手機攝像頭來收集頭部的俯仰、偏航和滾動角度。該系統(tǒng)的智能在于其通過k-NN算法從這些角度進行VPoA，該算法是一種監(jiān)督式機器學(xué)習(xí)技術(shù)。該系統(tǒng)還包括一個平板電腦應(yīng)用程序，用于自動收集駕駛環(huán)境數(shù)據(jù)，如速度，以及由人工注釋者輸入的數(shù)據(jù)，如在紅色交通燈前停車。

本文的貢獻在于: ? ?一個多源傳感系統(tǒng)，與僅有攝像頭的方法相比，能提供最高的VPoA預(yù)測精度，并包括便于收集駕駛環(huán)境數(shù)據(jù)的組件; ? ?對基于k-NN的單個模型進行驗證和實時測試，以便從駕駛員的偏航、俯仰和滾動頭部運動中推斷出VPoA; ? ?一項自然研究證明該系統(tǒng)在識別年輕人和老年人的視覺行為模式方面的有效性，類似于以前使用傳統(tǒng)數(shù)據(jù)收集方法的研究中所識別的模式; ? ?發(fā)現(xiàn)掃視次數(shù)與有/無乘客駕駛之間的新關(guān)系，包括發(fā)現(xiàn)年齡組之間的顯著差異。 ? 本文的其余部分介紹了相關(guān)工作（第二節(jié)）、理論背景（第三節(jié)）、系統(tǒng)功能（第四節(jié)）、系統(tǒng)推理模型的評估（第五節(jié)）、為證明系統(tǒng)功效而進行的研究方法（第六節(jié)）及其結(jié)果（第七節(jié)），最后是我們的結(jié)論（第八節(jié)）。

? II.相關(guān)工作

已經(jīng)提出了幾個傳感平臺（見表一）來檢測分心行為，分類為視覺行為、次要任務(wù)和危險駕駛。其中一些平臺支持感知與推斷分心有關(guān)的駕駛環(huán)境，并了解分心發(fā)生的背景。駕駛環(huán)境包括以下數(shù)據(jù)：i）車輛動態(tài)，如速度、位置、剎車、車道位置和轉(zhuǎn)向角度；ii）駕駛員動態(tài)，如頭部姿勢、身體姿勢、眼球運動和生物信號。 ?

參考文獻[14]提出了一個基于云的傳感架構(gòu)，通過智能手機的傳感器收集和存儲駕駛數(shù)據(jù)。其目的是促進駕駛環(huán)境數(shù)據(jù)的收集，以生成出行的統(tǒng)計報告，幫助第三方，如開發(fā)人員，識別危險情況。它利用攝像頭來跟蹤和存儲司機的頭部旋轉(zhuǎn)/傾斜角度、眼球的比率和嘴巴的張開程度。它還使用GPS和IMU傳感器來確定速度、加速度，并使用一個麥克風(fēng)來記錄噪音水平。參考文獻[15]提出了一個自動模糊集優(yōu)化的框架，該框架從通過多種來源獲得的兩類背景數(shù)據(jù)中估計危險駕駛的強度。具體來說，它使用攝像頭、慣性測量單元和車載診斷儀來收集基于動態(tài)車輛的駕駛環(huán)境，如速度、車道偏離和車道坡度。另外，通過智能腕帶和心率監(jiān)測傳感器，可以識別駕駛員的情況，如情緒。

一個模擬各種道路場景的實驗表明，結(jié)合兩種類型的環(huán)境使框架比只使用一種環(huán)境更有利地運作。 ? 其他工作探討了推斷次要任務(wù)的感應(yīng)方法和算法。例如，在文獻[16]中，通過使用隨機森林（RF）算法，輸入駕駛模擬器獲得的車輛動態(tài)數(shù)據(jù)，如轉(zhuǎn)向角和速度，推斷出發(fā)短信的準(zhǔn)確率為85.38%，吃東西的準(zhǔn)確率為81.26% 在[17]中，兩個可穿戴的慣性測量單元（IMU）被用來量化司機的軀干和手腕運動，通過使用卷積神經(jīng)網(wǎng)絡(luò)（CNN）檢測五個次要任務(wù)，準(zhǔn)確率為87%。推斷出的活動包括喝水、發(fā)短信、打手機、使用觸摸屏和把記號筆放在杯架上。由于實驗是使用駕駛模擬器進行的，因此推斷結(jié)果并未反映車輛運動對 IMU 測量的影響。

由于最不明顯的任務(wù)是用手機交談，作者開發(fā)了一種基于圖像的方法，它結(jié)合了一個用于物體檢測的深度神經(jīng)網(wǎng)絡(luò)和一個多層感知器，從耳朵和手的相關(guān)區(qū)域推斷出司機的狀態(tài)，其準(zhǔn)確率為59%。 ? 其他工作也探索了不同的傳感方法和推理方法來識別視覺注意力（見表二）。例如，在[19]中，作者探索了幾何方法，如受限局部模型、象形結(jié)構(gòu)模型、正字法和縮放技術(shù)（POS），以從面部特征生成的三維頭部模型中識別俯仰、偏航和滾動。通過在自然駕駛過程中收集的數(shù)據(jù)集，所提出的方法可以在 96% 的時間內(nèi)可靠地跟蹤頭部運動，而俯仰角是最難確定的角度，因為它比偏航和滾動呈現(xiàn)更多的誤差。 ? 與我們的工作類似，一些研究集中于從頭部方向的角度推斷出視覺注意力的區(qū)域。

參考文獻 [20] 提出了一種基于幾何的新方法來實時檢測視線偏離道路 (EOR)。它通過對安裝在方向盤柱子上的攝像頭捕捉到的面部特征進行3-D幾何分析，估計頭部姿勢和視線注視。在測試參與者將目光投向車輛擋風(fēng)玻璃和駕駛室的18個區(qū)域的情景時，它達到了90%以上的EOR準(zhǔn)確性。參考文獻[21]提出了一個頭部跟蹤系統(tǒng)，該系統(tǒng)使用兩個前置攝像頭來捕捉頭部姿勢的靜態(tài)特征（俯仰、偏航、滾動、面部中心和嘴部區(qū)域）和頭部動態(tài)特征（平均角速度）。通過隨機森林（RF）分類器，作者確定，與只使用靜態(tài)特征（85.7%）相比，結(jié)合頭部姿勢動態(tài)特征，可以提供更好的性能（93%）來識別車輛駕艙內(nèi)的7個區(qū)域。在 [22] 中，Choi 等人探索了用于虹膜跟蹤的 Haar 特征人臉檢測器和 MOSSE 過濾器。

之后，卷積神經(jīng)網(wǎng)絡(luò) (CNN) 將圖像分類為九個不同的凝視區(qū)域，準(zhǔn)確率達到 95%。結(jié)果發(fā)現(xiàn)，推斷駕駛員傾向于改變眼睛方向而不是頭部的區(qū)域（例如后視鏡），錯誤率最高。在[23]中，提出了一個基于深度神經(jīng)網(wǎng)絡(luò)（DNN）的注視檢測系統(tǒng)來估計多達8個注視區(qū)。用相機收集的頭部姿勢角度和眼部標(biāo)記，被輸入到DNN中。作者收集了道路上的數(shù)據(jù)，以證明該模型的通用性，并采用了省略一個司機的交叉驗證技術(shù)。獲得的準(zhǔn)確率為86.5%。他們還分析了包括指示司機正在看哪里的車輛信號的可行性，這將準(zhǔn)確率提高到92.3%。

然而，作者沒有具體說明可以使用什么類型的車內(nèi)傳感器。在[24]中提出了減少當(dāng)收集大型數(shù)據(jù)集來訓(xùn)練一個推斷視覺注意力的模型時注釋工作的建議。為此，轉(zhuǎn)移學(xué)習(xí)方法與預(yù)先訓(xùn)練好的CNN模型一起使用，通過在移動設(shè)備上回歸來進行注視評估任務(wù)。為了驗證這一方法，從模擬環(huán)境中用手機攝像頭拍攝的圖像中提取出的駕駛員面部和眼部特征推斷出10個駕駛員注視區(qū)。獲得的準(zhǔn)確率為60.25%。然而，這項研究缺乏實時測試和使用額外的傳感器來收集可用作基本事實的可靠數(shù)據(jù)集。 ?

表2?提出的檢測駕駛員視覺行為的方法 ? 參考文獻[25]提出了一種基于外觀的頭部無姿勢的眼睛注視預(yù)測方法，用于駕駛員注意力區(qū)域的估計。作者應(yīng)用隨機森林技術(shù)將從數(shù)據(jù)庫中獲得的頭部矢量和眼睛圖像分類為 18 個駕駛員的注視區(qū)域。整體準(zhǔn)確率為92.61%，預(yù)測部分擋風(fēng)玻璃區(qū)域的準(zhǔn)確率最低。如表二所示，基于攝像頭的技術(shù)提供了高精確度的結(jié)果; 然而，當(dāng)司機的臉被遮擋、大幅旋轉(zhuǎn)或光照變化時，它們不夠可靠。使用IMU可以克服攝像機系統(tǒng)持續(xù)跟蹤頭部姿勢的局限性，反之亦然。正如下一節(jié)所解釋的，這些技術(shù)中的每一項都可以抵消另一項的局限性。因此，我們提出了一種結(jié)合IMU和攝像頭的新方法，形成了一個實用的傳感系統(tǒng)，它能捕捉可靠的頭部方向角度，以預(yù)測司機的視覺注意點（VPoA），其準(zhǔn)確度高于其他系統(tǒng)。 ?

III.VPOA感知和推斷方法

A.頭部方位多源傳感

人的頭部方向是用俯仰、滾動和偏航運動來描述的，這些運動分別在其緯線（X）、縱線（Y）和垂直（Z）軸上進行（見圖1a）。這些軸與通常稱為 X、Y 和 Z 軸的參考系進行比較，以定義頭部方向。歐拉角被用來量化這種比較，因為它們表達了一個關(guān)于固定坐標(biāo)系的硬性方向。如圖 1.b 所示，θ 是俯仰角或歐拉 X，φ 是滾動角或歐拉 Y，ψ 是偏航角或歐拉 Z。為了量化頭部三個自由度的方向，我們建議在司機的頭部安裝一個IMU傳感器，在方向盤上安裝一個前置攝像頭。每種方法都有以下優(yōu)點和局限性。 ? 正如 Tawari 和 Trivedi (2014)所確定的，偏航角 (Euler Z) 是最相關(guān)的推斷角度，因為駕駛員在關(guān)鍵時刻（例如車道變換和右/左轉(zhuǎn)）容易做出較大的頭部運動。? ?

圖1 身體的定向系統(tǒng)：a）軸和旋轉(zhuǎn)運動。b) 相對于地球的歐拉角。 ? 然而，當(dāng)使用基于攝像頭的系統(tǒng)時，自動閉合阻礙了面部特征的可見性，影響了對頭部方向的估計，特別是在俯仰方面。根據(jù)一項報道，計算機視覺（CV）技術(shù)在跟蹤駕駛員頭部的偏航和滾動角度時比在俯仰角度時更準(zhǔn)確。因此，目前的CV開放存取庫提供了可靠的偏航和滾動測量，但在檢測俯仰角（歐拉X）方面受到限制。

? 另一方面，IMU 可以有效地估計駕駛員的俯仰和滾動，但由于它使用地球作為參考系，因此無法提供對偏航角 (Euler Z) 的準(zhǔn)確估計。因此，即使司機沒有大幅移動他/她的頭部，車輛的左轉(zhuǎn)和右轉(zhuǎn)也會影響頭部方向在其垂直Z軸（偏航）上的估計。為了彌補現(xiàn)有CV技術(shù)的局限性，我們在駕駛員的頭上安裝了一個IMU裝置，它能提供可靠的俯仰和滾動估計。 ? 因此，我們使用多源檢測方法來捕捉司機的頭部方向特征，以與俯仰、偏航和滾動有關(guān)的歐拉角給出。

? B.個體化推斷法 ? 我們使用K-NN算法（k-NN）來建立由頭部運動產(chǎn)生的歐拉角和觀察到的VPoA之間的關(guān)系。k-NN可以很容易地實現(xiàn)個性化，因為它的訓(xùn)練階段包括收集和存儲一組訓(xùn)練樣本和相應(yīng)的類標(biāo)簽。同時，其他技術(shù)需要收集訓(xùn)練樣本并進行訓(xùn)練階段，以生成映射函數(shù)或推理模型。

? 由于不同的因素可能會影響看VPoA所需的頭部移動量，如司機的身高、駕駛風(fēng)格或視覺處理速度，而視覺處理速度會隨著年齡的增長而受到影響，我們決定在我們的傳感平臺中加入個性化的推理模型。k-NN的個性化為我們的傳感平臺提供了優(yōu)勢，可以輕松配置，對不同人群進行研究。此外，k-NN 是一種易于實現(xiàn)的機器學(xué)習(xí) (ML) 方法，在我們之前的研究 [31] 中表現(xiàn)出高性能，該研究將一組分類器與在受控駕駛條件下收集的數(shù)據(jù)進行了比較。相比之下，在目前的工作中，我們評估 k-NN 以實現(xiàn) VPoA 的實時推斷。 ?

圖2 通過傳感系統(tǒng)檢測到的VPoA ?

圖3 通過傳感系統(tǒng)檢測到的VPoA ? C.視覺注意點 (VPoA) ? 本研究確定了車輛駕駛艙的五個區(qū)域（見圖2），與執(zhí)行主要和次要任務(wù)有關(guān)。道路被視為主要的VPoA，因為它是司機通勤時關(guān)注的主要焦點。左邊和右邊的VPoA用于監(jiān)控后視鏡。當(dāng)司機與前座乘客進行視覺互動時，也使用右邊的VPoA。無線電/溫度和腿部 VPoA大多與更換收音機和用手機閱讀/發(fā)短信分別有關(guān)。

IV.系統(tǒng)的設(shè)計和實施

如圖 3 所示，系統(tǒng)架構(gòu)包括三個子系統(tǒng)，托管在專用硬件上，用于在自然研究期間收集數(shù)據(jù): 數(shù)據(jù)收集應(yīng)用（DCA）、姿態(tài)和航向參考系統(tǒng)（AHRS）和面部識別應(yīng)用（FRA），它們通過藍牙進行通信。它還包括MATLAB應(yīng)用程序，用于處理所收集的數(shù)據(jù)，以便進行后期分析。

A.姿態(tài)和頭部參考系統(tǒng) (AHRS)

AHRS安裝在駕駛員的頭上，為DCA提供俯仰AHRS（歐拉X）和滾動AHRS（歐拉Y）的角度。它由 IMU 傳感器組成，即陀螺儀、加速度計和指南針。AHRS是Yost實驗室的3空間傳感器迷你藍牙，它包括一個專有的過濾算法（QGRAD2）來估計俯仰和滾動。它的尺寸為 30 毫米 x 30 毫米 x 13 毫米，重 9 克，電池續(xù)航時間為 4 小時。

圖4 DCA的用戶界面，用于收集：(a)參與者信息。(b)訓(xùn)練數(shù)據(jù)；(c)，(d)駕駛環(huán)境，以及(e)標(biāo)記的數(shù)據(jù)，以驗證VPoA推理組件

B.人臉識別應(yīng)用 (FRA)

FRA組件為DCA提供駕駛員頭部的滾動FRA（歐拉Y）和偏航FRA（歐拉Z）值。FRA是在Android Studio v3.5和API 16（Jelly Bean）上開發(fā)的，并部署在谷歌Pixel手機上，該手機必須放置在司機面前，攝像頭對準(zhǔn)他們。FRA 使用 CameraView v2.6.1來捕獲和處理視頻流幀，并使用 SDK ML Kit for Firebase通過計算機視覺 (CV) 技術(shù)估計頭部方向。這個SDK允許FRA通過處理一組與臉部橢圓（1個特征）、眼睛（2個特征）、眉毛（4個特征）、嘴唇（4個特征）和鼻子（2個特征）相關(guān)的面部特征，以歐拉角的方式提取給定視頻幀上的頭部方向。

C.數(shù)據(jù)收集應(yīng)用 (DCA)

DCA是主要的子系統(tǒng)，旨在從AHRS和FRA組件收集數(shù)據(jù)。它是使用 API 19 (Kit Kat) 在 Android Studio v3.5 上開發(fā)的移動應(yīng)用程序，并在 Google Nexus 平板電腦上執(zhí)行。由于k-NN需要訪問一組訓(xùn)練樣本來對輸入數(shù)據(jù)進行實時分類，我們定義了兩種收集數(shù)據(jù)的模式: 訓(xùn)練模式和駕駛行為模式。因此，根據(jù)所選擇的模式，不同的DCA的組件被激活。

在訓(xùn)練模式下，DCA被用來創(chuàng)建k-NN算法所需的訓(xùn)練數(shù)據(jù)集，以推斷出駕駛過程中的VPoA。在這種模式下，研究的注釋者應(yīng)該打開DCA應(yīng)用程序的圖形用戶界面（GUI）來收集和標(biāo)記數(shù)據(jù)。首先，他/她將看到參與者注冊組件的圖形用戶界面，選擇以前注冊的參與者或注冊一個新的參與者（見圖4a）。然后，呈現(xiàn)訓(xùn)練組件的 GUI（見圖 4b），使注釋器能夠開始收集數(shù)據(jù)。

圖5 收集的圖元作為訓(xùn)練數(shù)據(jù)

注釋者應(yīng)首先從列表（1）中選擇一個VPoA，并要求參與者在特定的時間內(nèi)將頭部對準(zhǔn)它。注釋者點擊 "收集 "按鈕（2），從AHRS和FRA組件收集報告。因此，包含俯仰AHRS、滾動AHRS、滾動FRA、偏航FRA和注釋者指定的VPoA標(biāo)簽的數(shù)據(jù)元組被存儲起來（見圖5）。若要停止收集它們，注釋者應(yīng)再次點擊 "收集 "按鈕。上述過程需要對每個VPoA進行重復(fù)。為了完成數(shù)據(jù)收集過程，注釋者應(yīng)保存(3)數(shù)據(jù)以生成訓(xùn)練數(shù)據(jù)文件。之后，呈現(xiàn)下一個屏幕（4），啟動駕駛行為模式。

在駕駛行為模式下，DCA實時推斷駕駛員的VPoA（即在駕駛過程中）并收集駕駛環(huán)境數(shù)據(jù)。為了達到這個目的，注釋者應(yīng)該使用圖4c所示的圖形用戶界面。通過點擊 "收集 "按鈕（5），駕駛環(huán)境數(shù)據(jù)收集組件開始收集來自AHRS和FRA組件的報告，并發(fā)送給VPoA推理組件。它通過使用訓(xùn)練數(shù)據(jù)文件的 k-NN 算法將傳感器的報告分類為 VPoA。駕駛環(huán)境收集組件接收每個推斷出的VPoA，同時獲得駕駛環(huán)境數(shù)據(jù)，即來自GPS的車輛速度、緯度和經(jīng)度。在駕駛過程中，注釋者可以通過在GUI中選擇相應(yīng)的圖標(biāo)來表明駕駛員是否進行了以下動作（見圖4c）: 直線行駛（6），右轉(zhuǎn)（7）和左轉(zhuǎn)（8），換線（9,10），停在交通紅燈上（11），停車（12），與乘客（13）或不與乘客（14）進行視覺互動。我們還用一個羅技游戲手柄F310擴展了這個圖形用戶界面，它通過USB On-The-Go連接到谷歌Nexus平板電腦上，可以選擇用來標(biāo)記收集的數(shù)據(jù)（見圖4d）。在上述DCA的組成部分中產(chǎn)生的數(shù)據(jù)按其各自的時間戳進行索引，并以CSV格式存儲在駕駛行為數(shù)據(jù)文件中。注釋者通過再次按下 "收集 "按鈕來結(jié)束駕駛環(huán)節(jié)（5），然后（15）將駕駛行為數(shù)據(jù)文件上傳到電腦上，供系統(tǒng)的MATLAB應(yīng)用程序處理并準(zhǔn)備進一步分析。

D.MATLAB 應(yīng)用

在駕駛過程中收集的數(shù)據(jù)（CSV格式的駕駛行為數(shù)據(jù)）應(yīng)下載到電腦上，由以下用MATLAB R2019b的App Designer工具實現(xiàn)的應(yīng)用程序來處理。

1)預(yù)處理工具: 它將經(jīng)緯度坐標(biāo)映射為道路名稱和類型，并將速度從m/s轉(zhuǎn)換為km/h單位（數(shù)據(jù)整理）。?

圖6 過濾工具的用戶界面

該應(yīng)用程序更正了 VPoA 列以進行數(shù)據(jù)清理，以解決推理期間的錯誤分類。它使用時間戳檢查連續(xù)檢測到 VPoA 少于 0.1 秒的時間窗口。然后，它將VPoA改為以前被認(rèn)為是正確分類的VPoA。該工具的輸出是CSV格式的加工行為數(shù)據(jù)文件，研究人員可以按照接下來的規(guī)定進行過濾。

2)過濾工具: 它提供了圖6所示的圖形用戶界面，使研究人員能夠選擇條件來過濾視覺行為數(shù)據(jù)。例如，如果選擇了一個特定的道路類型，該工具會顯示參與者對該條件下的每個VPoA的注視數(shù)量和固定時間。輸出的是CSV格式的過濾行為數(shù)據(jù)文件。

V.推理模型性能

在使用該系統(tǒng)對司機的視覺行為進行自然研究之前，我們評估了該系統(tǒng)的推理模型的性能。為了實現(xiàn)這一目標(biāo)，我們招募了4名志愿者，他們的年齡從22歲到25歲不等，平均有5.25年的駕駛經(jīng)驗（SD=1.08），他們用自己的汽車參與了以下評估階段。

A.驗證

這個階段的目的是用單獨的訓(xùn)練數(shù)據(jù)集（每個參與者一個）來驗證k-NN算法，這些數(shù)據(jù)集的收集不受車輛運動的影響。在訓(xùn)練模式下，使用系統(tǒng)收集每個參與者的訓(xùn)練數(shù)據(jù)集，采樣率設(shè)置為50赫茲，車輛停放。因此，我們能夠要求他們將頭部朝向每個 VPoA 大約 5 秒，這使得每個 VPoA 類收集 M=233.45 (SD=12.70) 個元組，如表 III 所示。對于在此階段進行的所有實驗，我們使用了 10 倍交叉驗證技術(shù)。我們使用完整的數(shù)據(jù)集（4,669個樣本）來尋找k的最佳值（k=3），這是用歐氏距離參數(shù)得到的，因為它產(chǎn)生的錯誤率最小（見表四）；在之前的工作中也發(fā)現(xiàn)了類似的結(jié)果 。每個參與者的訓(xùn)練數(shù)據(jù)集的分類準(zhǔn)確率為100%，這意味著實例在同一類別內(nèi)非常相似，而在不同類別之間則有足夠的差異，從而被錯誤分類（見圖7a）。

B.實時檢測

下一步是確定每個參與者生成的k-NN推理模型對來自傳感。

表3 數(shù)據(jù)集的規(guī)模和推斷的準(zhǔn)確性 (ACC)

表4 每個距離度量和K參數(shù)對的分類損失

圖7 混淆矩陣顯示了數(shù)據(jù)集測試和實時驗證過程中正確和不正確分類的實例（a）和（b）

器的新的和未見過的樣本進行分類的準(zhǔn)確性，這些樣本與我們的自然研究中收集的樣本相似。為了這個目的，參與者在駕駛行為模式下與系統(tǒng)進行了駕駛訓(xùn)練，實時推斷VPoA。采樣頻率被設(shè)定為50赫茲。駕駛環(huán)節(jié)是在半控制的條件下進行的，以收集可靠的地面真實數(shù)據(jù)，同時保護參與者的安全。他們在一個空曠的停車場大約行駛了5分鐘，最高時速為20公里，由第一作者陪同進行指導(dǎo)。參與者能夠自由地將汽車轉(zhuǎn)到左邊和右邊。我們要求他們將頭朝向每個VPoA的方向，最多重復(fù)2秒鐘，直到該環(huán)節(jié)結(jié)束。

參與者通過羅技游戲手柄F310收集地面真實數(shù)據(jù)，即按下游戲手柄上對應(yīng)VPoA的按鈕進行查看，當(dāng)他們的注意力回到道路上時再按下按鈕（見圖4e）。因此，傳感器的樣本、推斷的VPoA和參與者輸入的標(biāo)簽被收集起來，以估計推斷的準(zhǔn)確性。在由48,218個樣本組成的數(shù)據(jù)集中，VPoA推理組件的準(zhǔn)確率達到了97.99%（見表三）?；煜仃嚕ㄒ妶D7b）顯示，除道路外，在左邊和其他VPoA之間，以及在右邊和左邊、右邊和腿部之間，從未發(fā)生過錯誤分類。這是因為這些區(qū)域之間有很大的物理隔離，所以分類器沒有將它們混淆。另一方面，大多數(shù)錯誤分類發(fā)生在相鄰的區(qū)域之間，如道路與其他每一個VPoA以及帶有音頻/溫度的右邊。

VI.方法

我們進行了一項自然研究，以證明該傳感系統(tǒng)在收集數(shù)據(jù)以識別駕駛視覺行為模式方面的功效。

研究表明，在正常的衰老過程中，所面臨的身體和認(rèn)知的退化會改變司機的視覺行為模式，并影響安全駕駛的能力。由于這個原因，人們對分析不同年齡段的人在不同駕駛環(huán)境下的視覺注意力差異很感興趣。例如，與年輕司機（M=26.5 歲）相比，老年司機（M=67.5 歲）在交叉路口的掃描范圍較小。另外，從事次要任務(wù)會增加青少年（16-20歲）、青年（21-24歲）和老年司機（74歲）的撞車風(fēng)險，而且對于所有年齡段的人來說，具有視覺-手動需求的任務(wù)比認(rèn)知導(dǎo)向的任務(wù)更容易增加危險。以前的研究工作促使我們對老年人和年輕人進行研究。

A.目標(biāo)和成果措施

自然主義研究的目的是分析老年人和年輕人的視覺行為及其與駕駛環(huán)境的關(guān)聯(lián)。我們定義了兩個因變量來衡量視覺行為: 每個 VPoA 的掃視次數(shù)及其注視時間; 以及與駕駛環(huán)境相關(guān)的四個自變量：道路類型（住宅或主干道）、車速、駕駛狀態(tài)（在直線車道上行駛或在紅燈處停車）以及前排座位上是否有乘客。

B.納入標(biāo)準(zhǔn)

參與者必須是活躍的司機，即經(jīng)常開車并擁有有效的駕駛執(zhí)照，年齡在18-29歲之間的人被列入最年輕的成人組，60歲或以上的人被列入最高年齡組。

圖8 車輛駕駛艙內(nèi)的設(shè)備設(shè)置

圖9 參與者走過的路線：橙色為干線公路，藍色為居民區(qū)道路

他們都被要求有一輛車用于研究中使用。年輕的司機是來自我們大學(xué)系的學(xué)生志愿者。老年人通過在社交媒體上分發(fā)的小冊子和我們的聯(lián)系人進行招募，并獲得7美元的汽油費用補償。我校心理學(xué)系的倫理審查委員會批準(zhǔn)了這項研究。所有參與者都通過簽署紙質(zhì)表格和在參與者登記冊GUI上簽署口頭和書面同意（見圖4a）。

C.設(shè)備和駕駛場景

如圖8所示，參與者戴著一頂帽子，上面連接著AHRS系統(tǒng)（1）。將 Google Pixel 手機放在駕駛員面前進行人臉識別 (2)。注釋者使用谷歌Nexus平板電腦來登記司機的行動（3）。第二個平板電腦（4）也被安裝指向司機，用于記錄有時間戳的視頻，以后可以在數(shù)據(jù)分析時查閱?？梢赃x擇使用游戲手柄來記錄駕駛員的動作（5）。駕駛路線包括住宅區(qū)（6公里）和干道（12公里）的道路（見圖9）。

D.程序和實驗設(shè)計

在訓(xùn)練模式（車輛停放）下使用系統(tǒng)為每個參與者生成一個訓(xùn)練數(shù)據(jù)文件。接下來，注釋者（第一作者）解釋了駕駛場景，并要求被試者以他/她通常的駕駛方式，在遵守國家交通法規(guī)的情況下，駕駛兩次賽道。這次駕駛的數(shù)據(jù)是使用駕駛行為模式的系統(tǒng)收集的。采集AHRS和FRA傳感器的讀數(shù)時，采樣率設(shè)定為50赫茲，而GPS的數(shù)據(jù)則以1赫茲采集。在第一圈，駕駛員被允許與坐在前排乘客座位上的注釋者保持閑聊。在第二圈中，注釋者在后座上，交流僅限于在忘記路線的情況下向駕駛員回憶。

表5?參與者的人口統(tǒng)計和駕駛特征

注釋者在GUI（如圖4c所示）中檢查司機的行動。該環(huán)節(jié)持續(xù)了40至60分鐘，取決于一天中的時間和交通情況。

E.數(shù)據(jù)分析

用描述性統(tǒng)計計算器對收集的數(shù)據(jù)進行分析。我們使用Tukey's fences來檢測離群值（k=1.5）；通過t檢驗（兩個獨立的平均值，p=.05，雙尾）來確定組間視覺行為（因變量）的差異; Wilcoxon Signed-Rank Test ( p=.05, two-tailed)分析同組受試者中自變量對因變量的影響，Pearson積矩相關(guān)系數(shù)評估變量之間的關(guān)系( p= .05)。確定相關(guān)水平的標(biāo)準(zhǔn)是：0?|r|< 0.3為弱；0.3 |r|< 0.7為中等，|r|> 0.7為強。報告結(jié)果時采用APA風(fēng)格。

VII.結(jié)果

A.參與者

參與者是15名21-77歲的年輕成年人和15名60-73歲的老年人，他們的平均駕駛經(jīng)驗分別為5.2年和47.33年。表五列出了其他參與者的特征和研究期間收集的數(shù)據(jù)信息。

B.各年齡組視覺行為的對比

1)小組之間的注視次數(shù): 根據(jù)獨立的t檢驗，我們發(fā)現(xiàn)在所有的VPoAs中，年輕的成人組在眼神數(shù)量上有顯著的差異（見表六）。我們將這一結(jié)果歸因于年輕司機（18-25歲）往往比老年人更多參與次要任務(wù)，包括使用手機和信息娛樂系統(tǒng)。

2)小組之間的注視持續(xù)時間: 由于老年人需要更多的時間來提取和處理信息，他們在道路、右邊、左邊和音頻/溫度區(qū)的凝視時間比年輕組更長（見表七）。從獨立t檢驗中，我們發(fā)現(xiàn)道路和右路的組間差異有顯著性; 以及左區(qū)和音頻/溫度區(qū)的非顯著性差異。從這些VPoA來看，左區(qū)不僅是觀看次數(shù)最多的區(qū)域，而且兩組的觀看時間都比較長。另一方面，年輕的成年人在腿部的注視時間要比年長的成年人長。該研究的視頻顯示，看腿部主要與手機閱讀/發(fā)短信有關(guān)。因此，我們的結(jié)果表明，老年人避免與低頭有關(guān)的次要活動（腿部和音頻/溫度）。根據(jù)其他研究，這些結(jié)果可能是由于這些VPoA需要更高的工作量或被認(rèn)為是不相關(guān)的。研究發(fā)現(xiàn)，視線的固定時間取決于任務(wù)類型和任務(wù)的重要性，以及整體的工作負(fù)荷。例如，參考文獻 [45] 的研究發(fā)現(xiàn)，年長的駕駛員在完成請求的瀏覽任務(wù)時分配了更多的視覺注意力，并盯著目標(biāo)信息超過 2 秒，而年輕的駕駛員實際上根本不再看一眼。

表6?基于對每個vpoa的注視次數(shù)的平均值和標(biāo)準(zhǔn)差的組間分析

表7 基于對每個 VPOA 的瀏覽持續(xù)時間（秒）的平均值和標(biāo)準(zhǔn)偏差的組間分析

3)掃視次數(shù)與掃視持續(xù)時間的關(guān)系: 圖 10 的散點圖顯示了每個參與者對 VPoA 的標(biāo)準(zhǔn)化平均掃視持續(xù)時間和掃視次數(shù)。Pearson 皮爾遜相關(guān)的結(jié)果表明，對于年輕的成年人（r (13)=-.93, p <.05）和年長的成年人（r (13)=-.90, p <.05）來說，掃視的時間和掃視道路區(qū)域的次數(shù)之間存在著強烈的負(fù)相關(guān)（圖10a和b）。這些結(jié)果表明，觀察道路區(qū)域時間較長的司機往往觀察它的頻率較低。

圖10 (a) 年輕人和 (b) 老年人的掃視次數(shù)和掃視持續(xù)時間與道路的關(guān)系。年輕人 (c) 和 (d) 老年人的掃視次數(shù)與 VPoA 其余部分的關(guān)系。

反之亦然，那些更經(jīng)常觀察這一領(lǐng)域的人則是以較短的目光來觀察。這種行為可以被解釋為一種補償機制，將足夠的視覺注意力分配給道路和其他VPoA。根據(jù)參考文獻[46]，這種補償發(fā)生在執(zhí)行次要任務(wù)時，因為如果任務(wù)更復(fù)雜，視覺要求更高，那么針對該任務(wù)的注視次數(shù)就會增加。同時，凝視的時間很短，經(jīng)常持續(xù)不到2秒。

圖10c)和d)描述了參與者在其余VPoA中的視覺行為，即眼睛離開道路。皮爾遜相關(guān)的結(jié)果表明，對于年輕的成年人（r (13)=.38, p <.05）和年長的成年人（r (13)=.58, p <.05）來說，兩者的掃視持續(xù)時間和掃視次數(shù)之間存在中度關(guān)聯(lián)。老年人的散點圖（圖10d）似乎比年輕人的散點圖（圖10c）更分散，他們的視覺注意力管理形式類似。我們將這些結(jié)果歸因于老年人需要調(diào)整他們的視覺注意力管理以適應(yīng)他們的認(rèn)知和視覺技能，例如視敏度、信息處理能力和在兩個任務(wù)之間切換的能力。

C.視覺行為與駕駛環(huán)境的關(guān)系

圖11說明了速度是如何影響每組的視覺行為的。根據(jù)Pearson相關(guān)性，對于年輕的成年人（r (13)=-.73, p <.05）和年長的成年人（r (13)=-.88, p <.05）來說，瞥一眼的數(shù)量和速度之間存在著強烈的負(fù)相關(guān)（見7.2 a和b）。對于年輕人（r (13)=.94, p <.05 和老年人 (r (13)=.97, p=.05），平均掃視持續(xù)時間和速度呈正相關(guān)（見圖 12 c 和 d） ）。因此，無論哪個年齡段，隨著速度的增加，

圖11 (a) 年輕人和 (b) 老年人對道路 VPoA 的速度和掃視次數(shù)之間的相關(guān)性；(c) 年輕人和 (d) 老年人的速度和掃視持續(xù)時間.

圖12 在(a)車輛行駛中和(b)在紅燈前停車時，有無乘客駕駛對掃視腿部的次數(shù)的影響；以及(c)在住宅和干道上駕駛對掃視的時間的影響

持續(xù)時間也會增加，但由于視覺注意力更集中在道路上，所以看的次數(shù)會減少。

用電話交談或與乘客交談已被確定為誘發(fā)分心的次要任務(wù)。盡管已經(jīng)研究了乘客如何影響年輕司機的手機使用，

表8?對道路VPOA的平均掃視時間（秒）

在不同道路類型上駕駛

但沒有研究量化司機對手機的視覺行為是如何受到乘客的影響的。因此，我們分析了在駕駛過程中，鄰座的乘客對腿部 的瀏覽次數(shù)的影響，這是一個與使用手機有關(guān)的VPoA。我們發(fā)現(xiàn)年輕組（M=17，SD=19.12）比老年組（M=0.46，SD= 0.74）更頻繁地看腿部（見圖12a），不管他們是否有乘客。根據(jù)獨立樣本t檢驗，有一個顯著的差異（t(28)=3.33, p <.05）。同樣地，在紅色交通燈下，老年人避免分心去看腿部。同時，Wilcoxon Signed-Rank測試表明，年輕的成年人對它的注視次數(shù)明顯增加（Z=-1.88，p <.05）（見圖12b）。我們的視頻觀察證實，他們主要使用手機發(fā)短信。

最后，我們的結(jié)果顯示，在居民區(qū)和干道上開車時，老年人注視道路的時間在統(tǒng)計學(xué)上比年輕人長（見表八和圖12c）。然而，所有參與者在干道上行駛時的凝視時間都比在住宅區(qū)時更長。從Wilcoxon Signed-Rank測試中，我們發(fā)現(xiàn)老年人（Z=-3.40，p <.05）和年輕組（Z=-3.40 p <.05）在道路類型之間的瞥視時間有顯著差異。由于允許在干道上的駕駛速度比在住宅試驗中更快，上述結(jié)果與圖11中的相關(guān)性有關(guān)。也就是說，隨著速度的增加，掃視道路的時間也延長了。

VIII.結(jié)論

本文提出了一種新的 IMU 和相機傳感器的使用和組合，以在其三個自由度上檢測頭部方向。我們的分類結(jié)果優(yōu)于通過其他方法獲得的結(jié)果（見表二），我們將其歸因于傳感器的組合，以獲得可靠的頭部角度，包括那些代表觀察腿部和右VPoA所需的大型頭部運動。然而，我們需要進行更多的實驗來評估該模型推斷額外的VPoA的性能，并確定其在遮擋和各種光線條件下的效率。其他工作表明，當(dāng)匯總一些相鄰的視覺區(qū)域或不考慮特定的擋風(fēng)玻璃區(qū)域，如中心擋風(fēng)玻璃時，準(zhǔn)確性會增強。此外，由于我們的方法使用了個性化的訓(xùn)練數(shù)據(jù)集，它取得了高準(zhǔn)確率的結(jié)果。

該傳感系統(tǒng)的主要優(yōu)勢在于，對不同的研究對象進行個性化的推斷模型是切實可行的。這個優(yōu)勢是因為與基于深度學(xué)習(xí)的方法相比，使用 k-NN 是一種基于實例的學(xué)習(xí)類型，需要小的訓(xùn)練數(shù)據(jù)集。我們計劃用其他近鄰技術(shù)進行實驗，如聚類k近鄰，以克服收集訓(xùn)練樣本分布稍有不均的缺陷，這可以提高準(zhǔn)確性。

本文的系統(tǒng)避免了對視頻數(shù)據(jù)進行編碼以識別視覺行為，使研究人員能夠分析駕駛模式 。因此，該系統(tǒng)有助于進行駕駛行為研究，因為它收集了與視覺行為和駕駛環(huán)境有關(guān)的高級數(shù)據(jù)。它的功效通過所進行的自然主義研究得到了證明，使我們能夠確定與以前使用傳統(tǒng)數(shù)據(jù)收集方法，即視頻觀察和編碼技術(shù)的研究中所報告的視覺行為模式相似。因此，我們的結(jié)論是，我們的方法能夠收集基本數(shù)據(jù)，以確定年輕司機和老年人之間視覺行為模式的一致差異。對于未來的工作，我們計劃使用該系統(tǒng)來分析不同的外部因素（例如，改變車道、一天中的時段或不同的交通密度）將如何影響司機的視覺行為。進行更多的研究將使我們能夠確定系統(tǒng)的設(shè)計特點，使其更加健全。

參考文獻：

[1] C. Siebe, “Distracted driving and risk of road crashes among novice andexperienced drivers,” J. Emergency Med., vol. 46, no. 4, pp. 600–601,Apr. 2014.?

[2] F. Guo et al., “The effects of age on crash risk associated with driverdistraction,” Int. J. Epidemiol., vol. 46, no. 1, pp. 258–265, Feb. 2017.?

[3] F. Zhang, S. Mehrotra, and S. C. Roberts, “Driving distractedwith friends: Effect of passengers and driver distraction on youngdrivers’ behavior,” Accident Anal. Prevention, vol. 132, Nov. 2019,Art. no. 105246.?

[4] D. L. Strayer et al., “Visual and cognitive demands of CarPlay, Androidauto, and five native infotainment systems,” Hum. Factors, J. Hum.Factors Ergonom. Soc., vol. 61, no. 8, pp. 1371–1386, Dec. 2019.?

[5] T. Louw and N. Merat, “Are you in the loop? Using gaze dispersion tounderstand driver visual attention during vehicle automation,” Transp.Res. C, Emerg. Technol., vol. 76, pp. 35–50, Mar. 2017.?

[6] J. Stutts et al., “Driver’s exposure to distractions in their natural drivingenvironment,” Accident Anal. Prevention, vol. 37, no. 6, pp. 1093–1101,Nov. 2005.?

[7] D. G. Kidd and M. L. Buonarosa, “Distracting behaviors amongteenagers and young, middle-aged, and older adult drivers when drivingwithout and with warnings from an integrated vehicle safety system,”J. Saf. Res., vol. 61, pp. 177–185, Jun. 2017.?

[8] J. F. Antin, F. Guo, Y. Fang, T. A. Dingus, J. M. Hankey, andM. A. Perez, “The influence of functional health on seniors’ drivingrisk,” J. Transp. Health, vol. 6, pp. 237–244, Sep. 2017.?

[9] R. D. Ray, J. M. Ray, D. A. Eckerman, L. M. Milkosky, and L. J. Gillins,“Operations analysis of behavioral observation procedures: A taxonomyfor modeling in an expert training system,” Behav. Res. Methods, vol. 43,no. 3, pp. 616–634, Sep. 2011.?

[10] R. E. Heyman, M. F. Lorber, J. M. Eddy, and T. V. West, “Behavioralobservation and coding,” in Handbook of Research Methods in Socialand Personality Psychology. Cambridge, U.K.: Cambridge Univ. Press,2014, pp. 345–372.?

[11] E. Murphy-Chutorian, A. Doshi, and M. M. Trivedi, “Head poseestimation for driver assistance systems: A robust algorithm and experi-mental evaluation,” in Proc. IEEE Intell. Transp. Syst. Conf., Oct. 2007,pp. 709–714.?

[12] B. Metz and H. P. Krueger, “Measuring visual distraction in driving:The potential of head movement analysis,” IET Intell. Transp. Syst.,vol. 4, no. 4, pp. 289–297, 2010.?

[13] J. A. Stern, T. B. Brown, L. Wang, and M. B. Russo, “Eye andhead movements in the acquisition of visual information,” Psychologia,vol. 48, no. 2, pp. 135–145, 2005.?

[14] A. Kashevnik, I. Lashkov, A. Ponomarev, N. Teslya, and A. Gurtov,“Cloud-based driver monitoring system using a smartphone,” IEEESensors J., vol. 20, no. 12, pp. 6701–6715, Jun. 2020.?

[15] J.-L. Yin, B.-H. Chen, K.-H. R. Lai, and Y. Li, “Automatic dangerous driving intensity analysis for advanced driver assistance systemsfrom multimodal driving signals,” IEEE Sensors J., vol. 18, no. 12,pp. 4785–4794, Jun. 2018.?

[16] M. Atiquzzaman, Y. Qi, and R. Fries, “Real-time detection of drivers’texting and eating behavior based on vehicle dynamics,” Transp. Res. F,Traffic Psychol. Behav., vol. 58, pp. 594–604, Oct. 2018.?

[17] L. Li, Z. Xie, X. Xu, Y. Liang, and W. Horrey, “Recognition of manualdriving distraction through deep-learning and wearable sensing,” in Proc.10th Int. Driving Symp. Hum. Factors Driver Assessment, TrainingVehicle Design, Driving Assessment, vol. 10, Jun. 2019, pp. 22–28.?

[18] L. Li, B. Zhong, C. Hutmacher, Y. Liang, W. J. Horrey, and X. Xu,“Detection of driver manual distraction via image-based hand andear recognition,” Accident Anal. Prevention, vol. 137, Mar. 2020,Art. no. 105432.?

[19] A. Tawari, S. Martin, and M. M. Trivedi, “Continuous head movementestimator for driver assistance: Issues, algorithms, and on-road evaluations,” IEEE Trans. Intell. Transp. Syst., vol. 15, no. 2, pp. 818–830,Apr. 2014.[20] F. Vicente, Z. Huang, X. Xiong, F. De la Torre, W. Zhang, and D. Levi,“Driver gaze tracking and eyes off the road detection system,” IEEETrans. Intell. Transp. Syst., vol. 16, no. 4, pp. 2014–2027, Aug. 2015.?

[21] A. Tawari and M. M. Trivedi, “Robust and continuous estimation ofdriver gaze zone by dynamic analysis of multiple face videos,” in Proc.IEEE Intell. Vehicles Symp., Jun. 2014, pp. 344–349.?

[22] I.-H. Choi, S. K. Hong, and Y.-G. Kim, “Real-time categorization ofdriver’s gaze zone using the deep learning techniques,” in Proc. Int.Conf. Big Data Smart Comput. (BigComp), Jan. 2016, pp. 143–148.?

[23] S. Dari, N. Kadrileev, and E. Hullermeier, “A neural network-baseddriver gaze classification system with vehicle signals,” in Proc. Int. JointConf. Neural Netw. (IJCNN), Jul. 2020, pp. 1–7.?

[24] I. R. Tayibnapis, M.-K. Choi, and S. Kwon, “Driver’s gaze zoneestimation by transfer learning,” in Proc. IEEE Int. Conf. Consum.Electron. (ICCE), Jan. 2018, pp. 1–5.

[25] Y. Wang, T. Zhao, X. Ding, J. Bian, and X. Fu, “Head pose-free eyegaze prediction for driver attention study,” in Proc. IEEE Int. Conf. BigData Smart Comput. (BigComp), Feb. 2017, pp. 42–46.?

[26] M. Kok, J. D. Hol, and T. B. Sch?n, “Using inertial sensors forposition and orientation estimation,” in Foundations and Trends in SignalProcessing, vol. 11, nos. 1–2. Boston, MA, USA: Now, Nov. 2017,pp. 1–153.?

[27] A. Fernández, R. Usamentiaga, J. Carús, and R. Casado, “Driverdistraction using visual-based sensors and algorithms,” Sensors, vol. 16,no. 11, p. 1805, Oct. 2016.?

[28] Face Detection | Firebase. Accessed: Aug. 17, 2020. [Online]. Available//firebase.google.com/docs/ml-kit/detect-faces?

[29] Amazon Web Services (AWS)—Cloud Computing Services.Accessed: Dec. 22, 2020. [Online]. Available: https://aws.amazon.com/rekognition?

[30] N. Bhatia and Vandana, “Survey of nearest neighbor techniques,” Int.J. Comput. Sci. Inf. Secur., vol. 8, no. 2, p. 11, Jul. 2010. [Online].Available: https://arxiv.org/pdf/1007.0085.pdf?

[31] J. M. Ramírez, M. D. Rodríguez, á. G. Andrade, L. A. Castro,J. Beltrán, and J. S. Armenta, “Inferring drivers’ visual focus attention through head-mounted inertial sensors,” IEEE Access, vol. 7,pp. 185422–185432, 2019.?

[32] Home—Yost Labs. Accessed: Aug. 17, 2020. [Online]. Available: https://yostlabs.com/?

[33] GitHub—Natario1/CameraView: A Well Documented, HighLevel Android Interface That Makes Capturing Pictures andVideos Easy, Addressing All of the Common Issues and Needs.Accessed: Sep. 15, 2020. [Online]. Available: https://github.com/natario1/CameraView?

[34] Android KitKat | Android Developers. Accessed: Sep. 15, 2020. [Online].Available: https://developer.android.com/about/versions/kitkat?

[35] Fused Location Provider API | Google Developers.Accessed: Sep. 15, 2020. [Online]. Available: https://developers.google.com/location-context/fused-location-provider/?

[36] MATLAB App Designer—MATLAB. Accessed: Sep. 15, 2020.[Online]. Available: https://www.mathworks.com/products/matlab/appdesigner.html?

[37] J. S. Armenta, M. D. Rodríguez, and A. G. Andrade, “A sensingarchitecture based on head-worn inertial sensors to study drivers’ visualpatterns,” Proceedings, vol. 31, no. 1, p. 34, Nov. 2019.?

[38] S. Classen et al., “Item development and validity testing for a self- andproxy report: The safe driving behavior measure,” Amer. J. OccupationalTherapy, vol. 64, no. 2, pp. 296–305, Mar. 2010.?

[39] S.-W. Park et al., “Association between unsafe driving performance andcognitive-perceptual dysfunction in older drivers,” PM R, vol. 3, no. 3,pp. 198–203, Mar. 2011.?

[40] M. Rizzo, “Impaired driving from medical conditions: A 70-year-oldman trying to decide if he should continue driving,” Jama, vol. 305,pp. 1018–1026, Mar. 2011.?

[41] S. W. Savage, L. Zhang, G. Swan, and A. R. Bowers, “The effectsof age on the contributions of head and eye movements to scanningbehavior at intersections,” Transp. Res. F, Traffic Psychol. Behav.,vol. 73, pp. 128–142, Aug. 2020.?

[42] Quick Statistics Calculators. Accessed: Jul. 16, 2019. [Online]. Available: https://www.socscistatistics.com/tests/?

[43] K. L. Young and M. G. Lenné, “Driver engagement in distractingactivities and the strategies used to minimise risk,” Saf. Sci., vol. 48,no. 3, pp. 326–332, Mar. 2010.?

[44] Q. C. Sun, J. C. Xia, J. He, J. Foster, T. Falkmer, and H. Lee, “Towardsunpacking older drivers’ visual-motor coordination: A gaze-basedintegrated driving assessment,” Accident Anal. Prevention, vol. 113,pp. 85–96, Apr. 2018.?

[45] A.-S. Wikman and H. Summala, “Aging and time-sharing in highwaydriving,” Optometry Vis. Sci., vol. 82, no. 8, pp. 716–723, Aug. 2005.?

[46] B. Metz, N. Sch?mig, and H.-P. Krüger, “Attention during visual secondary tasks in driving: Adaptation to the demands of the driving task,”Transp. Res. F, Traffic Psychol. Behav., vol. 14, no. 5, pp. 369–380,Sep. 2011.?

[47] N. Merat, V. Anttila, and J. Luoma, “Comparing the driving performanceof average and older drivers: The effect of surrogate in-vehicle infor-mation systems,” Transp. Res. F, Traffic Psychol. Behav., vol. 8, no. 2,pp. 147–166, Mar. 2005.

編輯：黃飛

?