在部分或有条件驾驶自动化(SAE Levels 2-3)的车辆中，驾驶员仍需负责监督系统并响应接管请求。因此，可靠的驾驶员状态监控对于安全的人机协作至关重要。然而，现有的大多数驾驶员监控系统依赖于忽略个体生理差异的通用模型。本研究旨在探索在真实世界自动驾驶场景中，使用非侵入式生理信号进行个性化驾驶员状态建模的可行性。
• 在SAE Level 2车辆中进行真实世界实验，使用Empatica E4可穿戴传感器采集多模态生理信号，包括皮肤电活动(electrodermal activity)、心率(heart rate)、温度(temperature)和运动数据(motion data)。
• 为了利用为图像设计的深度学习架构，将生理信号转换为二维表示。
• 使用基于预训练ResNet50特征提取器的多模态架构来处理这些二维表示。
• **核心创新在于提出并验证了“个性化”驾驶员状态建模范式**，与现有依赖“通用模型”的方法形成鲜明对比。
• **方法创新**：将一维时序生理信号转换为二维表示，从而能够直接利用为计算机视觉任务设计的强大预训练卷积神经网络(CNN)架构（如ResNet50）进行特征提取和建模。
• **实验验证创新**：在真实世界自动驾驶场景中，通过对比个性化模型与通用模型的性能，量化了个体生理变异性对模型泛化能力的巨大影响，为“一刀切”通用模型的局限性提供了强有力的实证证据。
• **实证贡献**：通过四名驾驶员的实验数据，明确展示了与驾驶员意识相关的生理模式存在显著的个体间差异。个性化模型平均准确率达到92.68%，而跨用户训练的通用模型准确率降至54%，揭示了跨用户泛化的重大局限。
• **领域贡献**：研究结果强调了未来自动驾驶汽车需要自适应、个性化的驾驶员监控系统，并暗示自动驾驶系统应适应每位驾驶员独特的生理特征，为人机协作安全研究提供了新的重要方向。
• **方法论贡献**：为将非侵入式生理信号应用于真实驾驶环境的状态识别，提供了一套可行的技术路径（信号采集、二维转换、利用预训练模型）。