實驗步驟

1. 於實驗開始之前，受試者須填寫自我評量問卷，問卷填寫完畢後，

將問卷填答內容引入問卷子系統，對安全評估主系統作適當的調 整，詳情如章節 3.3.2 所述。

2. 建立 BPN 子系統，受試者接受第一階段的實車實驗，在精神狀況 良好且無分心因素的影響、天氣晴朗且日照及能見度佳的氣候進 行實車實驗，擷取 250 次反應時間之數據。（第一階段實驗訂於 上午 6 時 30 分進行）

3. 加入分心因素，受試者接受第二階段的實車實驗。本研究列舉之 分心因素分別為「夜間駕駛」、「疲勞駕駛」以及「夜間疲勞駕駛」，

包含「無分心因素」之實驗共四項^(註二)，每項實驗根據表 x.x 之 定義進行實驗。須於夜間駕駛之實驗項目訂於下午 10 時 30 分進 行，其餘項目則於上午 6 時 30 分進行。每項實驗皆須擷取 50 次 反應時間的數據與 50 次心跳率的數據，取其平均值，作為安全 評估系統的輸入值。

4. 在第二階段的實車實驗中，於受試者回答 LabVIEW 人機介面上之 加法問題後，副駕駛座的工作人員即時使用 LabVIEW 上的人機介 面記錄當時的心跳率。

（註二）由於「飲酒駕駛」與「使用非免持裝置之手機」等分心因素已被 法律明文禁止，具有極高程度的危險性，因此不在本研究討論範 圍內。

第四章 實驗結果與討論

於完整的安全評估系統（BPN 子系統啟用）的資料分析方面，將

Driving at night Drowsy driving  in the morning

Drowsy driving  at night

Safety Evaluation Number

Driver A Driver B Driver C Driver D Driver E

估值上升了 0.002，討論其原因，此兩項分心因素對於受試者 E 的受 測結果，其安全評估值都低於 0.400，皆已處在危及安全的危險情況，

受試者 E 在此兩項分心因素下的分心程度相近，因此安全評估值相近，

亦可能發生「夜間疲勞」安全評估值比「疲勞」安全評估值多 0.002 的情況。

為了觀察 BPN 子系統對於安全評估主系統的影響，我們將每位受 試者在啟用 BPN 子系統與關閉 BPN 子系統的狀況下所得到的安全評估 值，分別繪圖比較，圖 4.2 所示。由圖可知，BPN 子系統啟用的數值 折線皆處於 BPN 子系統關閉的數值折線之下，表示 BPN 子系統的啟用 對安全評估主系統的評估結果在安全上做了較為保守的修正。

圖 4.2 BPN 子系統啟動與否比較圖

於「疲勞」與「夜間疲勞」的項目上，受試者 A 與受試者 C 在 BPN 子系統關閉時所得到的安全評估值皆十分接近，但在 BPN 子系統 啟動時，「夜間疲勞」所得到的安全評估值明顯比「疲勞」所得到的 安全評估值來得較低，表示從 BPN 子系統的運算結果可以得知，受試 者在「夜間疲勞」實驗項目的表現和由第一階段實車實驗的訓練樣本 所建立的反應時間預測模型預測的結果差異較大，得到較大的誤差值，

因此對安全評估值做出較大的修正，使得「夜間疲勞」項目的安全評 估值比「疲勞」項目的安全評估值還低。

較值得注意的是前文曾提到的受試者 E 於「疲勞」與「夜間疲勞」

兩個實驗項目上，經由 BPN 子系統啟動所得到的安全評估值之差值與 BPN 子系統關閉所得到的安全評估值之差值，分別為 0.002 與 0.001，

可知受試者 E 在兩個實驗項目的實驗數值與 BPN 子系統的反應時間預 測模型預測的結果差異程度相近，更能顯現此兩項分心因素對於受試 者 E 造成的分心程度十分相近。

第五章 結論與檢討

5.1 結論

本研究的安全評估系統包含了模糊邏輯控制與類神經網路學習 系統，前者經由模糊理論將安全程度數值化，使得安全程度有了限定 的數值範圍可被客觀討論與比較；後者則藉由倒傳遞類神經網路對受 試者的反應時間數值加以學習，建立起可供參考的個人化反應時間預 測模型，用以檢查受試者是否有明顯的反常表現，並對安全評估主系 統加以調整，使之輸出更客觀可信的安全評估值。

本研究使用模糊邏輯作為主系統的架構，並且使用問卷子系統和 BPN 子系統，依照每位受試者對自我能力的認知與各自獨特的生理表 現調整主系統內部歸屬函數的參數，使安全評估系統能夠更貼切地表 達每位受試者在受試當中受分心因素所影響的分心程度之大小。實驗 結果之數據更清楚表示，安全評估系統成功分析出受試者在疲勞駕駛 及夜間疲勞駕駛的分心因素下行車，所得到的安全評估值較低，也就 是具有較高危險性的意思，與一般社會大眾普遍認為疲勞駕駛易造成 意外事故之概念不謀而合。BPN 子系統也清楚地將「疲勞」與加入夜 間因素的「夜間疲勞」兩項分心因素對受試者的影響加以判斷，得知 同樣處於疲勞的狀況下，若於夜間行車，可能具有更大的危險性。

單單只使用模糊邏輯作為安全評估系統，有時可能因模糊演算的 方式造成對實際情勢的誤判而高估安全程度，此時 BPN 子系統可以經 由觀察駕駛者於表現上的反常程度做調整，有效降低誤判所造成的誤 差，避免過分錯估安全程度之情事發生。

5.2 檢討與建議

1. 本研究在量測反應時間上，受試者必須回答簡單的加法問題，

並且於行駛中使用無線輸入裝置點選答案。若將此安全評估 系統實際用於實際行駛中，可能增加當下的分心程度，提高 行車的危險性。若單只應用於疲勞駕駛的分心評估，可以考 慮採用 Eriksson 等人[6]所提出，藉由偵測瞳孔的活動來分 析駕駛人是否疲勞的方法來替代擷取反應時間的作法。

2. 本研究的第二階段實驗為擷取反應時間與心跳率各 50 次，

並取其平均值，用以輸入安全評估系統。由於擷取數據的頻 率約為 10 秒 1 次，若未包含受測者的反應時間，完成 50 次 數據擷取至少也需要 8 分 20 秒，若欲將本評估系統應用於 實際行車，可能會遺漏掉潛藏在這段時間內不安全的時段。

可行的辦法為減少數據擷取的總次數，如 20 次一組或是 10

實驗檢查安全評估系統是否仍具可信度，減少本研究安全評 估系統於時間長度上的評估死角，讓系統更具實用價值。

3. 由於量測器材受限以及部分的量測器材於實車上的裝設較 具難度，本研究考慮的駕駛人表現參數較少，如果能夠考慮 駕駛者於煞車踏板的踩踏力度與深度、方向盤轉動的角速度 等等其它變數，應可使分心程度的判別更為精確。

參考文獻

[1] Y. Ian Noy, “Human Factors Issues Related to Driver Distraction  From In‐Vehicle System,” Ergonomics Division Road Safety and  Motor Vehicle Regulation Directorate Transport Canada. 

[2] Goodman, M., “NHTSA Driver Distraction Research: Past, Present,  and    Future,” NHTSA Research and Development, Washington,  DC., 2000. 

[3] S. L. Chisholm, J. K. Caird, J. Lockhart,“The effects of practice with  MP3 players on driving performance,” Accident Analysis and  Prevention, September 2007. 

[4] Katherine E. Heck, Ramona M. Carlos, “Passenger distractions  among adolescent drivers,” Journal of Safety Research, August  2008. 

[5] Thomy Nilsson, Thomas M. Nelson, Dona Carlson, “Development  of fatiguesymptoms during simulated driving,” Accident Analysis  and Prevention, 1997. 

[6] Martin Eriksson, Nikolaos P. Papanikolopoulos, “Driver fatigue:a  vision‐basedapproach to automatic diagnosis,” Transportation  Research Part C, 2001. 

[7] Ivan D. Brown, “Prospects for technological countermeasures 

[8] Sarah Otmani, Thierry Pebayle, Joceline Roge, Alain Muzet, “Effect  of drivingduration and partial sleep deprivation on subsequent  alertness and performance of car drivers,” Physiology & Behavior,  2005. 

[9] J. Fukuda, E. Akutsu and K. Aoki, “An estimation of driver’s  drowsiness level using keeping,” JSAE, 1995. 

[10] Zengyong Li., Kun Jiao, Ming Chen, Chengtao Wang, “Reducing  the effects of driving fatigue with magnitopuncture stimulation,” 

Accident Analysis and Prevention, 2004. 

[11] Joanne, L. H. et al., “The impact of internal distraction on driver    visual behavior.” 

[12] Michael E. Rakauskas, Nicholas J. Ward, Erwin R. Boer, Edward M. 

Bernat, Meredith Cadwallader, Christopher J. Patrick, “Combined  effects of alcohol and distraction on driving performance,” 

Accident Analysis and Prevention, June 2008. 

[14] 林志榮，“結合隱藏式馬可夫模型與類神經網路之國語語音辨 識＂，國立中央大學電機工程學系碩士論文，2000 年。

[15] 邱偉源，“以模糊法評估分心因素對行車安全之影響＂，國立 交通大學機械工程學系碩士論文，2008 年。