认知分心检测：眼动时序分析的最新进展

引言：分心的本质是认知状态

视觉分心 ≠ 认知分心

分心类型	定义	检测方法
视觉分心	视线偏离前方	视线估计、头位追踪
认知分心	视线在前方但注意力分散	眼动模式、反应时间、任务切换

Euro NCAP 2026新增：认知分心检测——这是最具挑战性的任务。

---

一、认知分心的特征

1.1 眼动模式分析

Saccade特征：

特征	正常驾驶	认知分心
扫视频率	8-12次/分	<4次/分
扫视时长	200-300ms	>500ms
凝视时长	200-400ms	<100ms（短促凝视）
扫视幅度	均匀	杂乱跳跃

import numpy as np
from scipy import signal

class SaccadeAnalyzer:
    def __init__(self):
        self.history = []
        
    def detect_saccades(self, gaze_sequence):
        """
        检测扫视
        """
        saccades = []
        
        for i in range(1, len(gaze_sequence)):
            # 速度计算
            velocity = gaze_sequence[i] - gaze_sequence[i-1]
            speed = np.linalg.norm(velocity)
            
            # 阈值检测（需要根据场景调整）
            if speed > 100:  # deg/s
                saccades.append({
                    'start_idx': i-1,
                    'end_idx': i,
                    'velocity': speed,
                    'duration': gaze_sequence[i]['timestamp'] - gaze_sequence[i-1]['timestamp']
                })
        
        return saccades
    
    def analyze_pattern(self, saccades):
        """
        分析扫视模式
        """
        if not saccades:
            return None
        
        # 扫视频率
        saccade_rate = len(saccades) / (saccades[-1]['end_idx'] - saccades[0]['start_idx'])
        
        # 平均速度
        avg_velocity = np.mean([s['velocity'] for s in saccades])
        
        # 时长分布
        durations = [s['duration'] for s in saccades]
        
        # 模式识别
        if saccade_rate < 4 and avg_velocity > 150:
            return "slow_deliberate"  # 慢速扫视（思考）
        elif saccade_rate > 15:
            return "rapid_irregular"  # 快速杂乱（紧张）
        else:
            return "normal"  # 正常
        
        return {
            'rate': saccade_rate,
            'avg_velocity': avg_velocity,
            'pattern': self.analyze_pattern(saccades)
        }

1.2 凝视分析

Fixation Duration Distribution：

class FixationAnalyzer:
    def __init__(self):
        self.fixations = []
        
    def analyze_fixations(self, saccades):
        """
        分析凝视分布
        """
        fixations = []
        
        # 扫视之间的间隔视为凝视
        for i in range(len(saccades) - 1):
            duration = saccades[i+1]['start_idx'] - saccades[i]['end_idx']
            fixations.append(duration)
        
        if not fixations:
            return None
        
        # 统计分析
        mean_duration = np.mean(fixations)
        std_duration = np.std(fixations)
        median_duration = np.median(fixations)
        
        # 凝视短促判断
        short_fixation_ratio = np.sum([d < 150 for d in fixations]) / len(fixations)
        
        return {
            'mean': mean_duration,
            'std': std_duration,
            'median': median_duration,
            'short_ratio': short_fixation_ratio,
            'is_distraction': short_fixation_ratio > 0.6  # 短凝视>60%
        }

---

二、Euro NCAP 2026要求

2.1 认知分心检测指标

指标	要求	说明
检测延迟	≤2秒	分心持续2秒必须报警
误报率	<5%	正常驾驶误报率<5%
真阳性率	>90%	真分心检出率>90%
计算负荷	<30ms	单帧推理<30ms

2.2 测试场景

场景一：手机使用

特征组合：
- 视线：频繁扫视（短凝视）
- 头位：低头
- 手部：触摸屏幕
- 上下文：静止车辆

→ 认知分心：高

场景二：与乘客交谈

特征组合：
- 视线：看向副驾驶
- 头位：转向乘客
- 声音：对话模式
- 上下文：动态环境

→ 认知分心：中

场景三：道路前方但发呆

特征组合：
- 视线：直视前方
- 头位：稳定
- 眼动：正常
- 但：反应时间长（>3秒）

→ 认知分心：高（内部注意力分散）

---

三、总结

3.1 核心结论

技术点	关键发现
眼动模式	扫视频率、速度、时长是关键特征
多模态融合	单一模态无法准确判断认知分心
Transformer优势	时序建模能力强，适合长期依赖分析

3.2 实施建议

1. 短期（1-2个月）：使用眼动模式识别
2. 中期（3-6个月）：引入Transformer时序建模
3. 长期（6-12个月）：端到端认知分心检测系统

---

参考文献

1. Qiao, Y., et al. “Driver Cognitive Distraction Detection Based on Eye Movement Behavior.” ICONIP, 2024.
2. Euro NCAP. “Driver Monitoring Test Protocol.” Technical Bulletin SD 202, 2025.

---

本文是IMS分心检测系列文章之一