2. 三菱电机(中国)有限公司上海分公司, 上海 200336
2. Mitsubishi Electric(China) Co. Ltd, Shanghai Branch, Shanghai 200336, China
随着我国汽车保有量迅速增加, 交通安全问题日益严峻, 交通冲突也因此成为交通安全领域的研究热点, 许多专家对其进行了广泛而深入的研究, 在预警系统判别[1]及行人安全评价方面[2-3]取得了丰硕的研究成果.被广泛认可的道路交通设计理论指出, 要以道路使用者的交通需求和生理-心理反应特征作为道路设计的理论基础.Vedagiri等[4]通过研究建立了人行横道上车辆与行人冲突严重程度的评价体系.Noble等[5]研究了在紧急情况下车辆自适应停止显示系统对驾驶行为和安全性的影响, 研究表明：无论驾驶人属于谨慎性还是冒险性, 车辆自适应停止显示系统在紧急情况下均对驾驶人安全有很好的保护作用.笔者等[6]通过研究发现, 在少量酒精作用下, 车辆制动距离变短，驾驶人的反应时间增加、对兴趣区的关注减少、注视相对发散.裴玉龙等[7]通过分析酒精作用下驾驶人的生理特性, 发现在大量酒精作用下驾驶人深度知觉与速度知觉迅速下降, 选择反应时间延长, 注意分配能力线性降低.郑晅等[8]通过研究发现, 隧道环境亮度安全临界阈值为5 cd/m2, 这个阈值既可保证驾驶人前方的视野清晰, 又可节约照明运营成本.
上述研究成果均未涉及交通冲突类型对驾驶人生理特性的影响.本文通过驾驶模拟器试验, 在试验场景中设定不同类型的交通冲突, 并采集不同冲突下驾驶人的生理数据, 通过分析试验数据, 确定交通冲突类型对驾驶人生理特性的影响, 为智能车辆以及辅助驾驶设备的研究和设计提供借鉴.
1 交通冲突类型划分 1.1 交通冲突的定义当道路上有2个及2个以上交通参与者在运行或静止时, 从交通参与者感知到危险存在持续到事故被有效制止的过程称为交通冲突.
1.2 交通冲突的类型划分根据交通冲突参与者的不同, 交通冲突通常分为机动车-机动车冲突、机动车-非机动车冲突、机动车-行人冲突、机动车-外界环境4种类型.由于各类型交通冲突对驾驶人生理的影响存在差异, 需要将上述4种交通冲突区分对待, 分别细化各类型冲突的具体情况, 本试验设置了下列6类冲突.
1) 逼近冲突(即机动车逼近冲突)：属于机动车-机动车冲突, 即在车辆行驶过程中其他车辆从侧向逼近驾驶人驾驶的车辆.
2) 前方冲突(即非机动车冲突)：属于机动车-非机动车冲突, 即前方有非机动车在左右换道, 且不断变换速度, 影响驾驶人的正常行驶.
3) 横穿冲突(即行人横穿冲突)：属于机动车-行人冲突, 即当驾驶人快要通过人行横道时, 马路一侧突然有行人从静止停放的货车头部横向穿出.
4) 雨天冲突：属于机动车-外界环境冲突, 即当驾驶人驶出隧道口, 天气急剧变化, 突遇大雨天气.
5) 转弯冲突(即路口转弯冲突)：属于机动车-外界环境冲突, 即当车辆行驶至路口时遇到信号灯、前方车辆或横向行驶的车辆, 对驾驶人造成的影响.
6) 隧道冲突(即隧道出口冲突)：属于机动车-外界环境冲突, 即当车辆行驶至隧道出口处, 有光线、视野等多方面环境的变化对驾驶人造成的影响.
2 驾驶人生理特性及表征指标选取 2.1 驾驶人心理紧张的生理学基础在交通冲突刺激作用下, 驾驶人心理紧张, 激活自主神经系统, 引起交感神经系统兴奋, 表现为皮肤血管收缩, 血液循环阻力加大, 肌肉紧绷, 引起肌电变化；同时由于人手指及手掌的汗腺对交感神经兴奋特别敏感, 在紧张、焦虑的情况下会出现精神性发汗, 皮肤电阻降低[9].
2.2 驾驶人生理表征指标选取 2.2.1 生理反应测试原理肌电(electromyography, EMG)是指肌肉神经冲动传到肌纤维时, 肌纤维呈去极化状态, 即产生动作电位并发生收缩.利用仪器检测并放大该电位, 可用于研究该电位的高低或电位差来了解人体在运动前、后的紧张程度.
皮电(electrodermal activity, EDA)是指人情绪变化时, 交感神经活动兴奋, 引起汗腺分泌增加, 使皮肤导电性提高.利用仪器检测出导电性强弱, 即以此来衡量人紧张情绪活动的强弱.
2.2.2 生理表征指标选取通过生理学家的研究发现, 可以反映人紧张程度及情绪变化的指标主要有心率、血压、血容量、皮肤电位、肌电和脑电波[10], 上述指标中脑电及皮电均可表征神经系统的紧张程度, 但由于脑电波十分复杂, 提取困难, 同时测量难度、受干扰程度较大.皮电不仅易于分析且容易测量, 因此试验中选取皮电这项指标来表征驾驶人神经系统的负担.考虑到肌电信号可以反映驾驶人紧张程度的方便性和准确度, 本文同时还选取肌电指标, 进行驾驶人生理特性的研究.
3 试验过程及数据处理 3.1 试验目的通过8自由度驾驶模拟器的设定, 改变驾驶人在虚拟环境行驶过程中遇到的交通冲突类型, 采集驾驶人各项生理指标变化的数据, 探究驾驶人在应对不同的交通冲突时其生理数据的变化规律, 进而研究不同类型交通冲突对驾驶人生理特性的影响.
3.2 试验方案根据论文研究内容, 将试验方案按照1.2节中的冲突类别进行设定.选取的14名驾驶人年龄分布如下：20~30岁4人；30~40岁6人；40~50岁4人；驾龄分布如下：0~5年4人；5~10年5人；≥10年5人.
选取的驾驶人包括职业驾驶员和非职业驾驶员, 驾驶人的年龄和驾龄分布于各个阶段, 在一定程度上具有驾驶人群体的代表性.每个驾驶人在模拟器的虚拟道路环境中的设定线路上往返一次, 2个单程分别遇到3次不同的交通冲突, 每个驾驶人共遇到6个冲突.每个驾驶人的试验时间平均为25 min, 试验共计28次, 试验前在驾驶人腋下、手臂、手指、小腿、耳垂部位贴上电极片并连接传感器.
在试验过程中, 2名跟车人员负责观察电脑接收的生理信号并及时对异常信号和突发情况进行合理化改善.
3.3 试验数据预处理 3.3.1 驾驶人肌电信号处理流程根据EMG信号的采集方法可将其分为2种：通过表面肌电提取电极(置于皮肤表面), 称为表面肌电(sEMG)信号；通过针式肌电提取电极(置于肌肉内), 称为针式肌电(NEMG)信号[11].sEMG信号的频带为30~350 Hz, NEMG信号的频带为5~2 000 Hz[12].
由于表面肌电探测空间大、重复性好、无创伤, 本试验采集表面肌电.在试验过程中, 各种仪器相互影响, 表面肌电将受到不同环境的影响, 因此采集的肌电信号不能直接使用, 须经过滤波降噪、归一化, 处理前、后的肌电信号如图 1、2所示.
|
图 1 原始肌电(EMG)信号 Fig. 1 Raw electromyography (EMG) signals |
|
图 2 降噪后的肌电(EMG)信号 Fig. 2 Denoised EMG signals |
皮电信号除了具有医学信号的强度弱、噪声强以及随机性强的特点外, 还具备部分自身特有的特点：1) 易受试验设备影响, 信号漂移更严重；2) 频带极低, 频谱分布在0.08~0.20 Hz, 体表皮电信号属于超低频信号, 周期性不明显, 极易受外界冲击响应的干扰, 且信息提取难度极大.
在使用传统降噪方法处理短时低能的瞬变信号时, 经过滤波器处理后, 不仅信号的信噪比得不到显著性改善, 同时信号的触发点也在处理过程中被模糊掉了, 而这些触发点的位置往往包含着驾驶人生理研究方面的重要信息, 表征驾驶人相应的心理活动变化.因此, 本研究选用连续反卷积的方法分解原始皮电信号所产生的渐变信号以及带有触发点的激励信号, 并对处理后的数据进行进一步的处理和分析, 如图 3、4所示.
|
图 3 原始皮电(EDA)信号及渐变皮电(EDA)信号 Fig. 3 Raw electrodermal activity (EDA) signals and gradually-changed EDA signals |
|
图 4 带有触发点的皮电(EDA)激励信号 Fig. 4 EDA drive signals with trigger point |
本节通过对数据进行相关性分析来判断交通冲突类型是否对驾驶人生理特性有显著性影响, 并定量分析冲突类型和驾驶人生理特性之间是否存在显著性影响关系.
4.1 相同交通冲突类型下驾驶人肌电与皮电信号相关性分析 4.1.1 相关性分析的概念相关分析是研究变量之间线性相关密切程度的一种统计方法, 即通过几个描述相关关系的统计量来确定相关的密切程度和相关的方向.
4.1.2 相关系数的计算方法1) Pearson相关系数：
| ${r_{xy}} = \frac{{\sum \left[ {({x_i} - \bar x)({y_i} - \bar y)} \right]}}{{\sqrt {\sum \left[ {{{({x_i} - \bar x)}^2}{{({y_i} - \bar y)}^2}} \right]} }}.$ | (1) |
式中：为x、y分别为xi、yi(i=1, 2, …, n)的算术平均值.
2) 斯皮尔曼秩相关系数：
| ${r_s} = \frac{{\sum \left[ {({R_i} - \bar R)({S_i} - \bar S)} \right]}}{{\sqrt {\sum \left[ {{{({R_i} - \bar R)}^2}{{({S_i} - \bar S)}^2}} \right]} }}.$ | (2) |
式中：Ri、Si分别为xi、yi的秩, R、S分别为Ri、Si的平均值.
由于通常只对刻度级变量计算Pearson相关系数, 而斯皮尔曼秩相关系数则用于反映2个序次或等级变量的相关程度, 本文数据适合采用Pearson相关系数计算方法.
4.1.3 驾驶人肌电与皮电信号相关性分析通过分析肌电与皮电的相关性, 判断两者的趋势是否具有某种相关性, 若具有相关性则可以简化指标进行分析, 若相关性不显著或无相关性则需要分别对交通冲突下的2种指标进行分析.
采用Pearson相关性分析, 并指定显著性水平α=0.05, 分析发现逼近、前方、横穿、雨天、转弯、出隧道冲突的P值分别为0.52、0.38、0.32、0.56、0.57、0.62, 均大于0.05, 故接受原假设, 即驾驶人肌电与皮电间的相关性不显著.因此分别分析交通冲突类型对驾驶人皮电反应、肌电反应的影响.
4.2 对驾驶人皮电反应的显著性影响分析为明确交通冲突类型对驾驶人皮电反应的影响, 对冲突试验数据进行相关性分析.6种冲突的皮电反应数据样本量统计结果分别为逼近冲突713条, 前方冲突397条, 横穿冲突382条, 雨天冲突550条, 转弯冲突493条以及隧道冲突546条.
采用Pearson相关性分析, 并设定显著性水平为α=0.05, 检验结果如表 1所示, 其中N为样本数量.由Pearson相关性分析可得, 数据的P值为9.543×10-10＜0.05, 拒绝原假设, 即冲突类型对驾驶人皮电反应有较为显著的影响.
|
表 1 各冲突类型的EDA数据Pearson检验结果 Table 1 Pearson test results of EDA data for various types of conflict |
皮电指标可表征皮电的变化和皮肤受刺激程度, 能从本质上客观、直接地测量被试者的生理状态.皮电信号属于随机信号, 由于个体身体状况不同, 在相同情况下驾驶人的皮电也存在差异, 简单比较皮电的增加或减少缺少可信度, 本文采用皮电增长率来研究交通冲突类型对驾驶人生理变化产生的影响.皮电增长率是指驾驶人皮电增量(驾驶人遇到冲突时与心情平静状态下的皮电之差)与平静状态下皮电的百分比.
4.3.2 不同类型冲突对皮电信号影响比较交通冲突类型对驾驶人皮电刺激程度不同.为了进一步探究交通冲突类型对驾驶人皮电信号的影响, 本文对选取的14名驾驶人在交通冲突下的皮电增量△F进行分析, 分析结果如图 5所示.
|
图 5 交通冲突类型对皮电信号的影响 Fig. 5 Influence of different conflict types on EDA signals |
由图 5分析可知, 在本文所设定的6种冲突类型中, 对皮电信号影响的明显程度从强到弱依次为转弯冲突、隧道冲突、横穿冲突及天气冲突、前方冲突、逼近冲突.横穿冲突与天气冲突对驾驶人皮电影响的明显程度相似.分析可知, 由于横穿冲突设置的行人是从路口旁静止的货车一侧出现, 当驾驶人看到路边静止的货车后会预测从货车一侧出现行驶的车辆或行人, 会有一定心理准备, 因此对驾驶人皮电的刺激会有所减弱造, 与其余4种冲突的刺激有明显的差异性.
分析发现, 以上6种冲突对皮电信号的皮电增长率的均值分别为转弯冲突：0.495 6，隧道冲突：0.354 7，天气冲突：0.230 6，横穿冲突：0.214 5，前方冲突：0.139 3，逼近冲突：0.057 2.分析原因可知, 由于转弯时出现横向来车的风险冲突频率和随机性较大, 会对驾驶人的生理造成较大刺激；隧道口光线的强烈刺激会造成驾驶人生理上的严重不适；天气突变对驾驶人的刺激程度较前2种减弱是由于天气的变化造成的危险程度相对较弱；行人的出现对驾驶人刺激减弱原因上文已经阐述；由于驾驶人距离较远时就已经采取行动, 非机动车的冲突对驾驶人的激励不是很明显；而对于逼近冲突, 由于场景设置原因, 若驾驶人速度过慢, 则逼近的车辆会提前出现, 对驾驶人的刺激程度也相对较弱.综上所述, 不同类型冲突对驾驶人皮电反应影响有着显著性差异.
4.4 对驾驶人肌电反应的显著性影响分析为明确交通冲突类型对驾驶人肌电反应的影响, 对试验数据进行相关性分析.对6种冲突的肌电反应数据样本量进行统计, 其数据样本量统计结果分别为逼近冲突182 185条；前方冲突95 885条；横穿冲突97 766条；雨天冲突140 312条；转弯冲突126 477条；隧道冲突1 396 651条.
采用Pearson相关性分析, 并指定显著性水平为α=0.05, 检验结果如表 2所示.由Pearson相关性分析可得数据的P=3.052×10-5＜0.05, 拒绝原假设零假设, 即冲突类型对驾驶人皮电反应有较为显著的影响.
|
|
表 2 各冲突类型的sEMG数据Pearson检验结果 Table 2 Pearson test results of sEMG data for various types of conflict |
综合对肌电信号的研究发现, 目前被人机工程领域广泛公认的用来分析sEMG信号的方法分别为时域分析和频域分析.
时域分析方法主要包括积分肌电值(iEMG)、EMG信号的时序模型、以及RMS及肌肉放电总量等, 均可在时间维度上反映sEMG信号振幅变化特征.FiEMG能够反映在一定时间内肌肉中参与活动的运动单位的放电总量, FiEMG下降, 表明肌肉紧张, 表达式如下:
| ${F_{{\rm{iEMG}}}} = \int\limits_t^{t + T} {\left| {{F_{{\rm{EMG}}}}\left( t \right)} \right|} {\rm{d}}t.$ | (3) |
式中：T为时间间隔.
FRMS是在肌电信号进行积分之后对肌肉放电总量的体现, 其时域表达式为
| ${F_{{\rm{RMS}}}} = {\left( {\frac{1}{T}\int\limits_t^{t + T} {F_{{\rm{EMG}}}^2{\rm{d}}t} } \right)^{1/2}}.$ | (4) |
虽然时域内的幅值大小依赖于肌纤维传播速度, 但不直接反映肌纤维传播状态, 只是经过物理意义转化得到的, 不能很好地表现肌肉状态.RMS值受肌肉负荷性因素和肌肉本身生理、生化过程的影响较大.可见时域分析在特定条下具有一定的使用价值, 但在实际情况中被检查者对肌肉收缩程度的控制很难掌握, 肌肉位置、施力大小都会使肌电信号幅值发生较大变化.均值和方差的提取与原始肌电信号差异大, 因而可靠性低.
频域分析方法是对sEMG信号进行快速傅里叶转换, 获得sEMG信号的频谱或功率谱, 可反映sEMG信号在不同频率分量时的变化, 能较好地在频率维度上反映sEMG的变化.为定量刻画sEMG频谱或功率谱特征, 采用平均功率频率A和中位频率M作为评价指标：
| $A = \frac{{\int\limits_0^\infty {fA\left( f \right){\rm{d}}f} }}{{\int\limits_0^\infty {A\left( f \right){\rm{d}}f} }}.$ | (5) |
| $M = \int\limits_0^M {P\left( f \right){\rm{d}}f} = \int\limits_M^\infty {P\left( f \right){\rm{d}}f} = \frac{1}{2}\int\limits_0^\infty {P\left( f \right){\rm{d}}f} .$ | (6) |
式中：f为肌电信号的频率, A (f)为sEMG信号功率谱密度函数.
中位频率和平均功率频率能够反映肌肉的传导速度.传导速度减小表明肌肉紧张[13], 相应的中位频率与平均功率频率出现下降趋势.在统计学上使用中位频率刻画频谱特征变化的效果要优于平均功率频率的刻画效果[14-15].
在肌肉疲劳发生过程中, 肌纤维募集更多运动单元, 运动单元电位放电频率增加, 表现为肌电信号功率频谱高移, 因此中位频率与平均功率频率值增大.随着肌肉力量的逐渐增大, 募集的运动单元数量逐渐增多, 表现为中位频率与平均功率频率值继续增大.如果用力继续增加, 则出现运动单位电位的重叠, 但是此时频率的增加趋缓或者停止, 即中位频率与平均功率频率增加速度变缓或者不增加.当运动至肌疲劳出现时, 肌纤维兴奋的传导速度减低, 中位频率、平均功率频率值下降.
本节以肌电信号产生的机理为基础分析表面肌电常用分析方法, 比较分析各指标的优劣与使用条件, 最终确定频域分析中反映肌肉状态的中位频率来评价交通冲突中驾驶人肌肉紧张情况.
4.5.2 不同类型冲突对肌电信号影响比较交通冲突类型对驾驶人的肌电刺激程度不同.为进一步探究交通冲突的类型对驾驶人肌电信号的刺激影响特征, 本文对选取的14名驾驶人在交通冲突下的肌电中位频率F进行分析, 分析结果如图 6所示.
|
图 6 交通冲突类型对肌电信号的中位频率影响比较 Fig. 6 Comparison impact of different types of conflict on median frequency of EMG signal |
由图 6分析可知, 本文所设定的6种冲突类型中, 前方冲突、横穿冲突对肌电信号影响的程度最大, 转弯冲突产生的影响程度最小；而逼近冲突、隧道冲突以及天气冲突对肌电信号的影响程度相似.
通过计算可知, 6种冲突类型的肌电中位频率的均值分别为前方冲突：33.43 Hz, 横穿冲突:38.10 Hz, 逼近冲突：24.19 Hz, 隧道冲突：22.22 Hz, 天气冲突：21.33 Hz, 转弯冲突；15.60 Hz.分析原因可知, 在横穿冲突中, 由于行人从路口旁静止的货车遮挡一侧出现, 驾驶人遇到突然横穿而出的行人, 心理上会有较大的冲击, 由于行人出现的突然性以及行人的特殊性, 为及时避让, 驾驶人会加大力度踩下制动踏板, 从而对驾驶人肌电影响最强；而前方冲突中的摩托车存在临时左右换道的情况, 这会造成驾驶人对冲突的危险程度判断不准的情况, 为保证行车安全驾驶人会间歇性用力踩踏制动踏板, 非机动车相比于行人其躲避风险的能力更强因而驾驶人间歇性踩踏制动踏板, 因此造成的影响程度略小于行人；隧道冲突中, 由于隧道口光线的强烈而突然的刺激会造成驾驶人视野突然模糊, 驾驶人为了安全采取了用力踩踏制动；在逼近冲突中, 由于发生在驾驶人刚进入快速路准备合流时, 为了行车安全驾驶人会进行预先的小幅度踩踏制动踏板；天气的突变对驾驶人的刺激程度较前几种减弱是由于天气变化相较于其他冲突造成的危险程度较弱.在转弯冲突时, 由于驾驶人在驾驶时一般会习惯性的遇到路口转弯提前减速, 车辆行驶至路口转弯时车速较低, 驾驶人只需要轻微踩踏制动踏板既可避免事故的发生, 因此转弯冲突对驾驶人肌电的影响最弱.综上所述, 交通冲突类型对驾驶人肌电反应影响有着显著性差异.
4.6 对驾驶人肌电、皮电的信度和效度分析采用被生物医学领域广泛公认的研究肌电信号和皮电信号的方法, 即α信度系数法和结构效度, 分析驾驶人肌电、皮电的信度、效度.分析结果如表 3、4所示.
|
|
表 3 驾驶人肌电、皮电信号的信度分析 Table 3 Reliability analysis of EMG and EDAsignals of drivers |
|
|
表 4 驾驶人肌电、皮电信号的效度分析 Table 4 Validity analysis of EMG and EDA signals in drivers |
通常认为, 量表中的各项指标的信度系数＞0.75表示量表的信度很好, 信度系数＜0.75表示量表信度较差；Kaiser-Meyer-Olkin(KMO)和巴特利(Bartlett)检验中的KMO值＞0.5则说明因子分析的效度可靠.另外如果巴特利检验的Sig.＜0.001, 说明因子的相关系数矩阵为非单位矩阵, 能够在提取最少因子的同时解释大部分方差, 即效度较好.分析可知, 由于α信度系数和KMO度量值均＞0.75, 不同类型应激场景下, 驾驶人肌电、皮电保持在较好的信度和效度上.
5 结论(1) 交通冲突类型对驾驶人肌电、皮电有不同程度的差异性刺激, 驾驶人从而产生不同危险程度的判断.
(2) 在肌电信号方面, 当冲突场景中仅有行人或非机动车等保护措施较少、容易造成严重交通事故的目标物存在时, 这类冲突对驾驶人肌电信号的影响较大；而由天气、转弯、隧道出口等外在因素或保护措施较为完善的目标物造成的冲突对驾驶人肌电的影响程度较小.
(3) 在皮电信号方面, 仅有行人或外界环境参与的交通冲突类型对驾驶人的皮电信号影响较大, 而有车辆参与或由天气、转弯、隧道出口等外在因素或保护措施相对较为完善的目标物造成的交通冲突对驾驶人皮电信号的影响程度较弱.
(4) 在出隧道口时, 光线的突然变化会对驾驶人造成极大的冲击, 致使驾驶人用力踩踏制动踏板, 进而对肌电信号产生较大的影响.
(5) 每种冲突类型对其引起的肌电信号所产生的中位频率均分布在所产生的中位频率的均值附近.冲突类型不同, 相应的肌电信号的均值和浮动范围有着显著性的差异.
| [1] | KADALI B R, VEDAGIRI P. Proactive pedestrian safety evaluation at unprotected mid-block crosswalk locations under mixed traffic conditions[J]. Safety Science, 2016, 89: 94–105. DOI:10.1016/j.ssci.2016.05.014 |
| [2] | HIMES S, GROSS F, ECCLES K, et al. Multistate safety evaluation of intersection conflict warning systems[J]. Transportation Research Record, 2016(2583): 8–16. |
| [3] | BLOMHENK A P, BAKKER G J. Safety evaluation of advanced self-separation under very high en route traffic demand[J]. Journal of Aerospace Information Systems, 2015, 12(6): 413–427. DOI:10.2514/1.I010243 |
| [4] | VEDAGIRI P, KADALI B R. Evaluation of pedestrian-vehicle conflict severity at unprotected midblock crosswalks in India[J]. Transportation Research Record, 2016(2581): 48–56. |
| [5] | NOBEL A M, DINGUST A, DOERZAPH Z R. Influence of in-vehicle adaptive stop display on driving behavior and safety[J]. IEEE Transactions on Intelligent Transportation Systems, 2016, 17(10): 2767–2776. DOI:10.1109/TITS.2016.2523438 |
| [6] | LI Xian-sheng, LI Ming-ming, ZHENG Xue-lian, et al. Analysis of vehicle braking performance and drivers' fixation characteristics under little alcohol effect[J]. Journal of Jilin University:Engineering and Technology Edition, 2017, 47(2): 408–413. |
| [7] |
裴玉龙, 周侃, 张诚. 酒精作用下驾驶人心理生理及眼动特性分析[J].
哈尔滨工业大学学报, 2011, 13(5): 80–86.
PEI Yu-1ong, ZHOU Kan, ZHANG Cheng. Analysis of driver's psycho-physiological and eye movement characteristics under alcohol effect[J]. Journal of Harbin Institute of Technology, 2011, 13(5): 80–86. |
| [8] |
郑晅, 李雪, 丁婷, 等. 公路隧道入口环境亮度安全临界阈值分析[J].
浙江大学学报:工学版, 2015, 49(2): 360–365.
ZHENG Xuan, LI Xue, DING Ting, et al. Analysis in security brightness critical threshold of highway tunnel entrance environment[J]. Journal of Zhejiang University:Engineering Science, 2015, 49(2): 360–365. |
| [9] |
陈方华, 柯文棋, 顾卫国, 等. 皮电生物反馈训练对被试者生理及心理影响的研究[J].
海军医学杂志, 2005, 26(2): 24–25.
CHEN Fang-hua, KE Wen-qi, GU Wei-guo, et al. A study on the physiological and psychological effects of skin electrical biofeedback training on subjects[J]. Journal of Navy Medicine, 2005, 26(2): 24–25. |
| [10] | 朱大年, 王庭槐. 生理学[M]. 北京: 人民卫生出版社, 2013: 5-7. |
| [11] | ROBORT M, DARIO F. Analysis of intramuscular electromyogram signals[J]. Philosophical Transactions of the Royal Society A, 2009, 367(1887): 357–368. DOI:10.1098/rsta.2008.0235 |
| [12] | FARINA D, MERLETTI R, ENOKA R M. The extraction of neural strategies from the surface EMG:an update[J]. Journal of Applied Physiology, 2014, 117(11): 1215–1230. DOI:10.1152/japplphysiol.00162.2014 |
| [13] | MIRIAMC I, EDUARDO L C, MIKEL I. Muscle conduction velocity, surface electromyography variables, and echo intensity during concentric and eccentric fatigue[J]. Muscle and Nerve, 2014, 49(3): 389–397. DOI:10.1002/mus.v49.3 |
| [14] | LINNAMO V, BOTTAS R. Force and EMG power spectrum during and after eccentric and concentric fatigue[J]. Journal of Electromyography and Kinesiology, 2000, 10(5): 293–300. DOI:10.1016/S1050-6411(00)00021-3 |
| [15] | LI X, SHIN L, ZHOU P. Power spectral analysis of surface electromyography (EMG) at matched contraction levels of the first dorsal in terosseous muscle in stroke survivors[J]. Clinical Neurophysiology, 2014, 125(5): 988–994. DOI:10.1016/j.clinph.2013.09.044 |