为探究人体呼吸参数与管制工作负荷的关系,本文选取27名被试开展模拟管制实验,对不同类型工作负荷下被试的呼吸参数进行采集分析。首先,根据Spearman秩相关系数计算结果,分别获取与脑力和体力管制工作负荷显著相关的呼吸参数。然后,基...为探究人体呼吸参数与管制工作负荷的关系,本文选取27名被试开展模拟管制实验,对不同类型工作负荷下被试的呼吸参数进行采集分析。首先,根据Spearman秩相关系数计算结果,分别获取与脑力和体力管制工作负荷显著相关的呼吸参数。然后,基于有序Logistic模型方法,以显著相关的呼吸参数为自变量,5类不同严重程度的脑力和体力管制工作负荷为因变量,构建脑力负荷和体力负荷严重程度预测模型并进行似然比和拟合优度检验。进一步,绘制ROC(Receiver Operating Characteristic)曲线,检验预测模型的性能;最后,使用交叉表评价方法预测模型的准确率。结果表明:呼吸参数中,呼吸周期与脑力负荷显著相关,呼吸周期、呼吸幅值和吸呼比与体力负荷显著相关。在0.05的显著性水平下,构建的脑力负荷和体力负荷严重程度预测模型拟合效果良好,整体AUC(Area Under Curve)分别为0.679和0.753,模型均具有一定的检测性能。交叉表评价结果表明,模型对脑力和体力负荷中的高负荷状态预测效果最好,准确率分别高达88.9%和83.3%。本文研究结果能够为基于呼吸参数的管制工作负荷监测提供一定参考价值。展开更多
为研究小型车和大型车两类车辆在高速公路隧道路段内的跟驰行为,本文使用“卡口相机结合激光雷达”的数据采集模式,采集广东省祈福隧道的车辆行驶轨迹,并分别提取两类车辆的跟驰轨迹数据;提出实时安全裕度偏差(Real-time Deviation of S...为研究小型车和大型车两类车辆在高速公路隧道路段内的跟驰行为,本文使用“卡口相机结合激光雷达”的数据采集模式,采集广东省祈福隧道的车辆行驶轨迹,并分别提取两类车辆的跟驰轨迹数据;提出实时安全裕度偏差(Real-time Deviation of Safety Margin,RDSM)评估车辆实时跟驰风险水平,采用模糊C-均值聚类方法将风险水平划分为无风险或低风险、中风险及高风险;从跟驰前车类型、车辆在隧道内位置、驾驶环境、当前时刻的车辆驾驶和交互状态,以及历史的车辆驾驶和交互状态这5个方面,在数据中选取26项潜在影响因素,构建两类车辆的多项Logit模型和相关随机参数Logit模型,分析和比较各项因素对两类车辆的高速公路隧道实时跟驰风险的影响,揭示影响因素的异质性。结果表明:大型车在隧道内的实时跟驰风险受到更多因素的影响;跟驰车辆与其前车的车辆类型不同时,隧道实时跟驰风险会相对降低;前车驾驶状态的波动更容易导致跟驰高风险;平均边际效应显示,相比于在隧道进口段,小型车在隧道出口段实时跟驰风险为高风险的概率增加了0.0413,大型车在隧道内部路段实时跟驰风险为高风险的概率增加了0.0155;高风险状态下的跟驰间距标准差在两类车辆中均表现出异质性。展开更多
文摘为探究人体呼吸参数与管制工作负荷的关系,本文选取27名被试开展模拟管制实验,对不同类型工作负荷下被试的呼吸参数进行采集分析。首先,根据Spearman秩相关系数计算结果,分别获取与脑力和体力管制工作负荷显著相关的呼吸参数。然后,基于有序Logistic模型方法,以显著相关的呼吸参数为自变量,5类不同严重程度的脑力和体力管制工作负荷为因变量,构建脑力负荷和体力负荷严重程度预测模型并进行似然比和拟合优度检验。进一步,绘制ROC(Receiver Operating Characteristic)曲线,检验预测模型的性能;最后,使用交叉表评价方法预测模型的准确率。结果表明:呼吸参数中,呼吸周期与脑力负荷显著相关,呼吸周期、呼吸幅值和吸呼比与体力负荷显著相关。在0.05的显著性水平下,构建的脑力负荷和体力负荷严重程度预测模型拟合效果良好,整体AUC(Area Under Curve)分别为0.679和0.753,模型均具有一定的检测性能。交叉表评价结果表明,模型对脑力和体力负荷中的高负荷状态预测效果最好,准确率分别高达88.9%和83.3%。本文研究结果能够为基于呼吸参数的管制工作负荷监测提供一定参考价值。
文摘为研究小型车和大型车两类车辆在高速公路隧道路段内的跟驰行为,本文使用“卡口相机结合激光雷达”的数据采集模式,采集广东省祈福隧道的车辆行驶轨迹,并分别提取两类车辆的跟驰轨迹数据;提出实时安全裕度偏差(Real-time Deviation of Safety Margin,RDSM)评估车辆实时跟驰风险水平,采用模糊C-均值聚类方法将风险水平划分为无风险或低风险、中风险及高风险;从跟驰前车类型、车辆在隧道内位置、驾驶环境、当前时刻的车辆驾驶和交互状态,以及历史的车辆驾驶和交互状态这5个方面,在数据中选取26项潜在影响因素,构建两类车辆的多项Logit模型和相关随机参数Logit模型,分析和比较各项因素对两类车辆的高速公路隧道实时跟驰风险的影响,揭示影响因素的异质性。结果表明:大型车在隧道内的实时跟驰风险受到更多因素的影响;跟驰车辆与其前车的车辆类型不同时,隧道实时跟驰风险会相对降低;前车驾驶状态的波动更容易导致跟驰高风险;平均边际效应显示,相比于在隧道进口段,小型车在隧道出口段实时跟驰风险为高风险的概率增加了0.0413,大型车在隧道内部路段实时跟驰风险为高风险的概率增加了0.0155;高风险状态下的跟驰间距标准差在两类车辆中均表现出异质性。
