TD2D数据集：50人多模态分心检测，Random Forest达96%准确率

前言

TD2D（Takeover during Distracted L2 Automated Driving）是2025年发布的首个针对L2级自动驾驶的分心检测多模态数据集。本文解读数据集特点和研究发现，为IMS数据采集和算法开发提供参考。

---

一、数据集概述

1.1 基本信息

指标	数值
名称	TD2D
参与者	50人
任务条件	10种
传感器	ECG + PPG + EDA + 眼动追踪
场景	L2级自动驾驶
开源	Zenodo (DOI: 10.5281/zenodo.14185964)

1.2 研究来源

论文：Driver Distraction Detection in Conditionally Automated Driving Using Multimodal Physiological and Ocular Signals
期刊：Electronics (MDPI), September 2025
机构：Xihang University, Hubei University of Arts and Science

---

二、任务设计

2.1 十种任务条件

TD2D设计了十种任务条件，覆盖不同模态的分心：

类型	任务	描述
基线	无次任务	正常驾驶
视觉任务	电子书阅读	视觉分心
	视觉短信	视觉分心
	屏幕互动游戏	视觉分心
认知任务	0-back	认知分心（低）
	1-back	认知分心（中）
	2-back	认知分心（高）
听觉任务	有声书聆听	听觉分心
	语音短信	听觉分心
	语音游戏	听觉分心

2.2 NASA-TLX工作量重分类

研究使用NASA-TLX主观评分重新分类任务：

类别	任务
低工作量	基线、有声书
中工作量	语音短信、语音游戏、0-back
高工作量	电子书、视觉短信、屏幕游戏、1-back、2-back

---

三、传感器与信号

3.1 多模态传感器

传感器	信号	特征
ECG	心电图	HRV、心率
PPG	光电容积描记	心率、血氧
EDA	电皮肤活动	皮肤电导
眼动追踪	注视数据	注视点、扫视、眨眼

3.2 特征提取

总计25个特征：

模态	特征类别	特征数
心血管	时域、频域	~10
EDA	时域、频域	~5
眼动	注视、扫视、眨眼	~10

3.3 时间窗口优化

研究发现最优时间窗口配置：

参数	最优值	说明
窗口长度	5-8秒	平衡准确率与延迟
重叠率	部分重叠	时序重叠比窗口长度影响更大

---

四、分类结果

4.1 模型对比

模型	被试内准确率	跨被试准确率
Random Forest	96%	69%
SVM	较低	较低
MLP	较低	较低

4.2 SHAP 特征重要性

排名	特征类别	重要性
1	眼动特征	⭐⭐⭐⭐⭐
2	EDA特征	⭐⭐⭐
3	心血管特征	⭐⭐

4.3 模态贡献分析

眼动特征 >>> EDA特征 > 心血管特征

关键发现：

• 眼动特征是主要判别因子
• EDA提供补充鲁棒性
• 心血管特征辅助信息

---

五、跨被试泛化挑战

5.1 问题分析

指标	被试内	跨被试	差距
准确率	96%	69%	27%

5.2 原因分析

1. 个体差异：生理信号基线差异大
2. 信号质量：不同被试传感器佩戴质量不同
3. 行为模式：分心行为表现形式不同

5.3 解决方案

方案	说明
域适应	学习域不变特征
迁移学习	预训练+微调
数据增强	合成数据补充
被试特定校准	初始校准阶段

---

六、IMS 应用建议

6.1 数据采集参考

TD2D为IMS数据采集提供了良好范本：

要素	TD2D方案	IMS建议
参与者	50人	≥100人覆盖多样性
任务设计	10种任务	参考TD2D任务类型
传感器	4种模态	优先眼动+EDA
时间窗口	5-8秒	采用此配置

6.2 算法开发建议

1. 特征工程

   • 优先提取眼动特征
   • EDA作为补充特征
   • 心血管特征可选

2. 模型选择

   • Random Forest 作为基线
   • 深度学习探索（CNN-LSTM）
   • 考虑跨被试泛化

3. 时间窗口

   • 默认使用5-8秒窗口
   • 部分重叠提升检测率

6.3 跨被试泛化策略

策略1：被试特定校准
      初始5分钟正常驾驶数据校准
      
策略2：在线自适应
      运行时持续更新模型
      
策略3：元学习
      学习快速适应新用户

---

七、数据集获取

7.1 下载地址

Zenodo: https://zenodo.org/records/14185964

7.2 许可证

• 开源许可
• 学术研究免费使用
• 商用需联系作者

7.3 数据格式

文件	格式
生理信号	CSV
眼动数据	CSV
标签	CSV
元数据	JSON

---

八、相关数据集对比

数据集	参与者	传感器	场景	特点
TD2D	50	4种	L2自动驾驶	多模态、任务丰富
STEW	48	EEG	静态任务	EEG认知负荷
NTHU-DDD	36	摄像头	手动驾驶	疲劳检测
Drive&Act	多人	多视角	自动驾驶	细粒度行为

---

总结

TD2D数据集的核心贡献：

贡献	说明
首个L2分心检测数据集	自动驾驶场景
多模态信号	ECG+PPG+EDA+眼动
任务丰富	10种分心类型
基准结果	Random Forest 96%

IMS 启示：

• 眼动特征是分心检测的核心
• 多模态融合提升鲁棒性
• 跨被试泛化是主要挑战
• 5-8秒时间窗口最优

---

研究日期： 2026-03-13
数据集：TD2D (Zenodo DOI: 10.5281/zenodo.14185964)
关键词： TD2D, 多模态, 分心检测, 数据集, Random Forest