编辑推荐：
本文提出了一种整合脑电图（EEG）与车辆遥测的神经工程框架，旨在赛车模拟中客观识别认知负荷、情绪效价与心理疲劳的神经标志物。研究发现，高绩效驾驶员展现出更优的神经状态调节能力（如更高警觉、更低疲劳），并揭示了赛道特异的“认知负荷谱”。这为基于数据的驾驶员认知状态评估、人才选拔（Talent Identification）及训练系统优化奠定了基础。
在高性能赛车运动中，毫秒之差决定成败。传统的评估方法主要依赖车辆遥测数据，如圈速和轨迹，但这些数据无法揭示影响驾驶表现的核心人为因素——驾驶员的认知与情绪状态。为了填补这一空白，本研究构建了一个创新的神经工程框架，将脑电图与车辆遥测数据同步整合，以在高保真F1赛车模拟环境中，客观量化驾驶员的实时心理状态，并探索其与驾驶绩效的关联。
引言：超越“黑箱”的驾驶员评估
传统的赛车性能分析范式以车辆为中心，将驾驶员视为一个“黑箱”，仅能通过其输入（操作）和输出（车辆状态）来推断。心理因素，如压力下的认知负荷、情绪调节以及进入“心流”状态的能力，被认为是决定性的，但现有评估多依赖主观的事后访谈和问卷，缺乏实时性和客观性。本研究旨在通过三个主要目标解决这些不足：第一，开发同步EEG与遥测的框架，以量化实时心理状态并创建与高潜能表现结果相关联的“认知负荷谱”；第二，分析驾驶员在技术性要求高与高速路段的行为，阐明顶尖竞争者如何针对不同赛道挑战调整其神经反应；第三，为预测性建模和高级驾驶员训练系统提供数据驱动的基础。
文献综述：从车辆动力学到神经工效学
研究范式的转变始于对人因研究的重视，认识到操作者状态是性能的关键变量。为了直接测量操作者的内部状态，研究从自主神经系统的测量（如心电图ECG）转向了能提供更特异性认知与情绪过程洞察的脑电图。EEG通过分析不同频段脑电波的相对功率，可以推导出经过验证的、量化特定任务相关心理生理状态的指数。本研究采用了八个经过验证的EEG指数，以多维度描绘驾驶员的精神状态。这些指数包括：衡量认知努力程度的工作负荷指数（Workload Index, β/(α+θ)）、测量主动专注度的警觉指数（Alertness Index, β/α）、与情绪效价相关的前额阿尔法不对称性（Frontal Alpha Asymmetry, log(αAF8)-log(αAF7)）、测量生理与心理唤醒的唤醒/警觉指数（Arousal/Vigilance Index, β/θ）、检测向嗜睡状态过渡的放松/嗜睡指数（Relaxation/Drowsiness Index, θ/α）、衡量整体清醒状态的意识指数（Consciousness Index, (α+β)/δ）、衡量任务投入质量的任务投入指数（Task Engagement Index, (θ+α)/(α+β)），以及量化认知耗竭的心理疲劳指数（Mental Fatigue Index, θ/(α+β)）。通过同时追踪这八项指数，可以构建驾驶员丰富、动态的“认知负荷谱”。
研究方法：同步数据采集与多阶段分析
研究采用被试内设计，15名参与者在一间受控的实验室环境中，使用配备力反馈方向盘的高保真F1模拟器，在银石赛道上进行驾驶。实验过程中，通过Muse S可穿戴EEG头带连续记录四通道（AF7, AF8, TP9, TP10）脑电数据，并与车辆遥测数据（圈速、轨迹等）同步。
数据分析采用多阶段流程：
- 1.
性能分组：基于总圈时和无效驾驶时间百分比，使用k均值聚类将参与者分为四个初始组：“最具潜能”、“有潜能”、“正常”和“无潜能”。为简化分析，将前两组合并为“潜能组”，最终形成潜能、正常和无潜能三个等级。
- 2.
关键EEG指数识别：通过方差分析（ANOVA）比较三个性能组在八项EEG指数上的平均值，识别出能显著区分组别的关键神经标志物。
- 3.
赛道路径与认知负荷分析：将银石赛道基于曲率计算分为七个特定弯道（Turn 1-7）和直道。分析潜能组在关键EEG指数上沿不同赛道段的描述性变化趋势，构建赛道的“认知负荷谱”。
- 4.
时间维度疲劳分析：对潜能组，分析心理疲劳指数在12圈比赛过程中的非线性变化趋势。
研究结果：高潜能驾驶员的神经认知特征
- 1.
性能分组与关键神经标志物：统计结果显示，三项指数在不同性能组间存在显著主效应：前额阿尔法不对称性、任务投入指数和心理疲劳指数。事后检验表明：
- •
潜能组展现出显著更低的任务投入指数（平均0.519）和心理疲劳指数（平均0.450），意味着他们维持着更努力、更主动的认知投入状态，并且对认知耗竭有更高的抵抗力。
- •
无潜能组的任务投入指数（平均0.647）和心理疲劳指数（平均0.647）均显著高于潜能组，呈现出“认知脱离”的特征，即心理努力减少、认知资源枯竭。
- •
正常组的前额阿尔法不对称性（平均0.586）显著高于潜能组（平均0.488），该指数正值与“回避”或压力相关的情绪状态相关，表明其驾驶效率较低且承受更高压力。
- 2.
赛道特异的认知负荷谱：尽管不同弯道间的空间波动未达统计显著性，但对潜能组的描述性分析揭示了认知状态随赛道需求变化的定性趋势：
- •
任务投入：在高速的4号弯和技术性的3号S弯，观察到任务投入指数的描述性峰值（数值更低，表明努力程度更高）。而在6号弯和7号弯，指数值相对较高，表明认知处理可能趋于自动化或被动。
- •
心理疲劳：疲劳累积的描述性峰值出现在技术要求高、低速窄半径的弯道，如7号弯和2号弯。相反，流畅的高速4号弯和3号弯则显示出最低的疲劳数值，这些路段可能充当“神经微休息”的恢复窗口，允许认知负荷短暂稳定，为后续挑战进行“认知重置”。
- 3.
随时间推移的疲劳趋势：对潜能组心理疲劳指数随时间（第2至12圈）的分析显示出一个非线性的三次多项式趋势。该模型表明疲劳积累分为三个阶段：初始的任务加载适应期、中段的维持平台期，以及末段的资源耗竭加速期，暗示着认知补偿机制的耗尽。
讨论：神经认知表型与资源管理策略
本研究成功识别了高潜能驾驶员的神经认知表型，其特征是高效的心理疲劳抵抗、主动的努力性信息处理以及优越的压力调节（表现为“趋近”动机）。这与低潜能组的“认知脱离”和正常组的“低效高压”状态形成鲜明对比。
研究还表明，认知负荷并非单一静态结构，而是驾驶员需要根据赛道需求灵活调度的动态状态。高潜能驾驶员展现出一种战略性的神经资源分配能力，能够在高需求弯道（如高速或技术弯）主动投入认知努力，并善于利用特定赛道段（如流畅高速弯）作为“恢复窗口”来管理其有限的认知资源，防止导致表现下降的累积性超载。
局限与展望
本研究的局限性包括样本量较小（N=15），这限制了一些分析的统计效力；高保真模拟环境缺乏真实比赛中的前庭反馈和实际风险；以及4通道EEG系统的空间分辨率有限。未来研究应扩大样本量，开展纵向追踪研究，探索跨赛道的普适性，并将计算建模与机器学习方法应用于神经行为数据，以开发预测性能的模型。
结论
本研究通过整合EEG与车辆遥测，超越了传统的遥测分析，揭示了区分驾驶员潜能等级的客观、实时神经标志物。研究不仅定义了高潜能驾驶员独特的神经认知特征（高疲劳抵抗、高任务投入、低压情绪状态），还描绘了赛道特定的认知负荷动态图谱。这为基于数据的驾驶员人才识别、高级训练系统的开发以及高性能车辆工程中的人机协同优化奠定了坚实的神经工程学基础。
