编辑推荐：
驾驶压力识别通过整合ECG、驾驶行为和人口学数据，采用分层Stacking模型提升准确率23.12%，SHAP分析揭示性别和职业差异下的特征关联。
刘阳|刘文豪|文家强|赵硕|宋云洲
武汉工业大学交通与物流工程学院，中国武汉430063
摘要
驾驶压力已被认为是一个间接因素，会增加交通事故的风险。然而，当前的研究主要集中在检测准确性上，往往忽视了个体在压力反应上的差异以及压力影响交通安全的潜在机制。为了填补这一空白，本研究进行了一个驾驶压力模拟实验，共有44名参与者参与了10种不同场景的测试，收集了心电图（ECG）、驾驶行为和人口统计数据。首先根据性别和职业对数据集进行了划分，以考虑个体间的差异。然后构建了一个堆叠集成模型来分类低、中、高三种水平的驾驶压力。接着选择了最优算法进行特征组合实验，比较了单模模型和多模模型的性能，并评估了个体差异。此外，我们还结合了SHAP（Shapley Additive Explanations）和基于决策树的挖掘方法，以揭示压力与特征之间的异质性关系，并推导出与压力水平相关的模糊规则。结果表明，与仅使用ECG特征相比，整合ECG、行为和年龄特征后，平均识别准确率提高了23.12%。在数据层进行个性化划分后，不同性别和职业子集之间的性能差异变得明显。SHAP分析进一步揭示了驾驶压力与年龄、速度、转速以及时域和频域ECG特征之间的显著关联，这些关联因驾驶员的性别和职业而异。所提出的框架有助于准确识别驾驶压力，并为不同人群的压力反应模式提供了宝贵的见解，对交通安全具有重要意义。
引言
根据世界卫生组织（WHO）关于道路安全的报告，每年约有119万人死于各种类型的交通事故（2023年WHO在全球各国、地区和区域的报告）。驾驶员压力是一个主要的影响因素，会显著增加事故风险（Rastgoo等人，2019年）。压力被定义为个体对挑战性压力源的心理反应（Holmes和Rahe，1967年）。在驾驶环境中，压力会改变驾驶员的心理状态和生理指标，从而降低驾驶性能并增加事故的可能性（Maga?a等人，2020年）。因此，建立有效的指标来准确识别和量化驾驶压力对于提高交通安全至关重要。
目前的压力检测方法通常分为主观方法和客观方法（Ma等人，2023年）。客观方法通常依赖于生理测量，包括外部身体反应和内部生理反应（Chung等人，2019年）。外部反应可以通过驾驶行为来表征，这可能反映了压力或心理负担（Silva，2014年），而内部反应包括ECG和EEG等生理信号（Li等人，2023年）。其中，ECG作为心脏活动的核心指标，对压力和心理负担特别敏感（Wei等人，2023年）。此外，压力感知存在显著的个体差异，性别（Bates等人，2024年）、年龄（Rahman等人，2021年）和职业（Razzaghi等人，2024年）等因素会影响压力识别的结果。因此，将人口统计信息与行为和生理信号结合起来对于捕捉个体差异至关重要。近年来，机器学习模型得到了广泛应用（Siam等人，2023a，Siam等人，2023b）。其中，集成方法（例如极端梯度提升（XGBoost）和随机森林（RF）可以进一步提高识别性能（Shi等人，2022年，El Haouij等人，2019年），而异构堆叠由于其异构性机制显示出额外的优势（Zhang等人，2023年）。然而，大多数现有工作更注重准确性，而可解释性有限。最近，可解释方法——特别是SHAP（Shapley Additive Explanations）——通过量化特征贡献，为缓解“黑箱”限制提供了一条途径，从而有助于识别模型输出的关键驱动因素。因此，将SHAP纳入驾驶压力识别中，有助于阐明不同驾驶员群体中心脏活动、驾驶行为和压力之间的动态关系。
基于此，我们提出了一个个性化的驾驶压力识别框架，该框架整合了人口统计、驾驶行为和ECG特征，并在堆叠集成中进行了多模融合，并选择了最优分类器。我们还提出了一种SHAP到规则的可解释性增强流程：在每个性别-职业子组模型中进行SHAP属性分配，并结合一维决策树阈值划分，将具体的特征值范围映射到与压力相关的输出，从而生成可复制的区间（模糊风格）规则。主要贡献包括：
(1)一个多模态驾驶压力框架，通过性别-职业分层和基于堆叠的年龄、驾驶行为和ECG特征的融合，提高了在不同驾驶员群体中的鲁棒性。
(2)一种SHAP到规则的可解释性增强方法，将子组SHAP属性分配与决策树阈值划分相结合，将特征值范围转换为与压力相关的区间规则，从而提高可操作性并表征子组差异。
本文的其余部分安排如下：第2节提供文献综述。第3节介绍实验设计和数据收集过程。第4节详细描述了本文使用的方法。第5节展示实验结果。最后，第6节讨论和第7节总结。
数据用于识别驾驶压力
驾驶压力难以直接测量；因此，大多数研究通过驾驶行为和生理指标间接对其进行量化。由于行为与任务执行密切相关，长期以来行为数据一直是压力识别的主要依据。纵向和横向控制行为——如速度、加速度和车道偏离——已被证明可以反映压力水平的变化（Yang等人，2024年）。进一步的证据表明，横向
参与者
本研究共招募了44名参与者，详细信息见表1。该样本量与类似基于模拟器的生理研究中的样本量相当，甚至更大（Alharasees和Kale，2025年）。参与者需要持有至少1年驾驶经验的驾驶执照，身体健康状况良好，且无3D眩晕症状。实验当天避免饮酒或饮用咖啡。实验程序已向参与者详细解释。
方法论
在本文中，采用了图6所示的过程来建立一个可解释的驾驶压力识别框架。首先，使用SMOTE技术平衡不平衡的数据集，然后通过多重协方差检验和因子分析进行特征提取。接着选择七种常用的压力识别算法来构建堆叠模型，总共使用了11种算法进行驾驶压力识别。同时，数据集按性别进行划分
特征筛选和多重共线性分析
多重共线性对模型的预测和解释能力有显著影响（Yoo等人，2014年）。为了检测特征之间的多重共线性，计算了所有特征的皮尔逊相关系数，如图8所示。
图8显示，驾驶行为特征中的Mean_AccelX、Mean_AccelZ和Mean_RotSpeed之间的系数较大，存在多重共线性，因此本研究保留了Mean_RotSpeed，而其他两个特征被剔除。
考虑个体差异的驾驶压力识别
在道路安全研究中，考虑驾驶员压力识别的个体差异非常重要。我们的结果表明，一个结合年龄、驾驶行为和ECG特征的堆叠模型显著提高了压力识别性能，其中Stacking_RF取得了最佳结果。分层评估进一步显示，不同性别和职业组之间的性能差异稳定且显著，这表明通用模型可能存在偏差
结论
本研究提出并验证了一个多模态驾驶压力识别框架，该框架明确考虑了个体差异。数据集按性别和职业进行了分层，并在堆叠集成中整合了年龄、驾驶行为和ECG特征，以支持多模型协作并提高在个体差异下的识别稳定性。除了预测之外，我们还在每个子组内进行了基于SHAP的异质性解释
CRediT作者贡献声明
刘阳：撰写——审稿与编辑、监督、软件、资源获取、数据管理、概念化。刘文豪：撰写——初稿、可视化、验证、方法论、研究、概念化。文家强：撰写——审稿与编辑、可视化、监督、软件、资源。赵硕：撰写——审稿与编辑、监督、软件、概念化。宋云洲：撰写——初稿、方法论、数据管理、概念化。
利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。
致谢
本研究得到了国家自然科学基金（项目编号：72001163）、广东省自然科学基金（编号：2025A151501012）和武汉市自然科学基金（编号：2024040801020268）的支持
