认知分心检测：眼动时序分析的最新进展与 Euro NCAP 2026 落地挑战
前言
认知分心（Cognitive Distraction）是 Euro NCAP 2026 DMS 检测的难点之一。
与视觉分心不同，认知分心的驾驶员眼睛可能在”看着道路”，但”脑子在想别的事”——这种”看而不见“的状态，传统基于视线离路的检测方法难以识别。
2025 年 AutomotiveUI 论文《Gaze-Based Indicators of Driver Cognitive Distraction》提供了新的研究视角：
认知分心并非简单的”视线集中”或”视线分散”，而是一个时序动态过程。
一、认知分心 vs 视觉分心
1.1 核心差异
| 维度 | 视觉分心 | 认知分心 |
|---|---|---|
| 定义 | 视线离开道路 | 精神资源被非驾驶任务占用 |
| 表现 | 眼睛看向手机/中控等 | 眼睛”盯着”道路，但思维游离 |
| 检测难度 | 低（视线方向即可判断） | 高（需要分析眼动模式） |
| 典型场景 | 操作手机、看导航 | 心算任务、电话交谈、走神 |
1.2 为什么认知分心更难检测
核心矛盾： 认知分心的驾驶员可能一直”看着道路”。
研究发现，认知分心时：
- 视线可能更集中于道路中心
- 扫视范围可能更窄
- 镜像检查频率下降
- 但眼睛位置”看起来正常”
问题： 传统基于”眼睛看哪里”的方法，无法区分”看而见”和”看而不见”。
二、关键眼动指标
2.1 道路中心注视比例（Percent Road Center, PRC）
定义： 在指定区域内（通常是道路前方一定角度范围）的注视点占比。
传统发现：
- 认知分心 → PRC 增加（视线更集中于道路中心）
- 因为驾驶员减少了环境扫描，只盯着前方
论文新发现：
这个结论过于简化。PRC 的变化取决于认知任务的阶段。
2.2 注视分散度（Gaze Dispersion）
| 类型 | 说明 |
|---|---|
| 水平分散度 | 注视点在水平方向的分布范围 |
| 垂直分散度 | 注视点在垂直方向的分布范围 |
传统发现：
- 认知分心 → 分散度降低（扫视减少）
- 高驾驶负荷 → 分散度也降低
论文新发现：
垂直分散度的变化更敏感，且受交通复杂度和 ACC 使用影响显著。
2.3 时序动态特征
论文最重要的发现：
认知分心不是静态状态，而是时序动态过程。
具体表现：
| 阶段 | 眼动特征 |
|---|---|
| 心算任务期间 | 注视暂时更集中于道路中心 |
| 心算任务间隙 | 注视分散度增加、PRC 降低 |
启示： 不能只看单帧/短时间窗口，需要分析时序模式。
三、影响认知分心检测的因素
3.1 交通复杂度
| 交通条件 | 对眼动的影响 |
|---|---|
| 低复杂度（空旷道路） | 注视分散度较低 |
| 中等复杂度（有车辆） | 注视分散度增加 |
| 高复杂度（施工/拥堵） | 注视分散度进一步增加 |
问题： 高复杂度交通本身就会导致注视模式变化，可能与认知分心的信号混淆。
3.2 ACC（自适应巡航）使用
| ACC 状态 | 对眼动的影响 |
|---|---|
| ACC 关闭 | 驾驶员需要更多注意力控制车速 |
| ACC 开启 | 驾驶员注视更集中于道路中心 |
问题： ACC 使用会改变基线注视模式，需要在检测算法中补偿。
3.3 个体差异
不同驾驶员的基线注视模式存在差异：
| 因素 | 影响 |
|---|---|
| 驾驶经验 | 新手注视模式更不稳定 |
| 年龄 | 年长驾驶员扫视频率更低 |
| 视力 | 视力差异影响注视分布 |
启示： 认知分心检测需要个体化校准或自适应基线。
四、检测算法设计建议
4.1 时序分析框架
1 | |
4.2 关键设计要点
| 要点 | 说明 |
|---|---|
| 多时间尺度 | 短窗口（检测瞬态）+ 长窗口（检测持续状态） |
| 环境感知 | 结合道路场景信息补偿基线漂移 |
| 个体校准 | 学习每个驾驶员的基线注视模式 |
| 多特征融合 | PRC + 分散度 + 扫视模式 + 眨眼模式 |
4.3 TDGV 方法回顾
此前研究提出的 TDGV（Time-Dependent Gaze Variance）方法：
| 指标 | 性能 |
|---|---|
| 准确率 | 68-81% |
| 灵敏度 | 65-80% |
| 特异性 | 70-85% |
限制： 特异性未达 95%，不能直接用于警告，但可用于系统级调整。
4.4 与 Euro NCAP 2026 对接
| 用途 | 特异性要求 | 当前状态 |
|---|---|---|
| 通知车载系统 | 70% | ✅ 可满足 |
| 直接警告驾驶员 | 95% | ❌ 需要突破 |
| 触发干预机制 | 99%+ | ❌ 需要突破 |
现实路径：
- 短期：用于系统级调整（如提高 ADAS 灵敏度）
- 中期：与疲劳/分心检测融合，提高综合判断准确率
- 长期：突破特异性瓶颈，实现独立警告
五、数据采集与训练建议
5.1 数据采集场景
| 维度 | 覆盖要求 |
|---|---|
| 交通条件 | 低/中/高复杂度 |
| ACC 状态 | 开启/关闭 |
| 认知任务 | N-back、心算、语音任务 |
| 驾驶员群体 | 不同年龄、经验、性别 |
| 时长 | 每个场景 ≥10 分钟 |
5.2 标注规范
| 标注内容 | 说明 |
|---|---|
| 认知任务时段 | 精确标记任务开始/结束 |
| 眼动数据 | 注视点、扫视、眨眼 |
| 环境信息 | 交通密度、道路类型 |
| 车辆状态 | ACC 开关、速度 |
5.3 训练策略
| 策略 | 说明 |
|---|---|
| 时序建模 | LSTM/Transformer 处理时序依赖 |
| 迁移学习 | 从公开数据集迁移预训练模型 |
| 数据增强 | 合成数据补充长尾场景 |
| 域适应 | 模拟器→实车域迁移 |
六、对 IMS 开发的直接启示
启示 1：认知分心检测需要时序建模
- 不能只看短时间窗口
- 需要捕捉眼动模式的动态变化
- 时序模型（LSTM/Transformer）是必要组件
启示 2：环境因素需要补偿
- 交通复杂度和 ACC 状态会改变基线
- 需要实时估计驾驶环境并补偿
- 可以结合外部传感器（摄像头、雷达）获取环境信息
启示 3：个体化是提高准确率的关键
- 不同驾驶员基线差异大
- 需要学习个体基线或使用自适应算法
- 冷启动问题需要解决
启示 4：与疲劳/分心检测融合
- 单独的认知分心检测准确率不足
- 与疲劳、视觉分心检测融合可以提高综合判断
- 共享特征提取层可以降低算力消耗
七、开发优先级建议
| 优先级 | 任务 | 说明 |
|---|---|---|
| P0 | 眼动数据采集 | 多场景、多任务覆盖 |
| P1 | 时序特征提取 | PRC + 分散度 + 扫视模式 |
| P1 | 环境补偿算法 | 交通复杂度 + ACC 状态 |
| P2 | 个体化校准 | 冷启动 + 在线学习 |
| P2 | 与疲劳/分心融合 | 统一状态估计框架 |
八、结论
认知分心检测是 DMS 领域的”硬骨头”：
- 眼睛看着道路，不代表”真正在看”
- 注视模式受多种因素影响
- 静态分析不足以捕捉动态变化
2025 年的研究表明：
认知分心的眼动特征是时序动态的，需要在正确的时间尺度上分析正确的特征。
对 IMS 开发团队：
- 短期目标：实现系统级认知分心检测（用于 ADAS 协同）
- 中期目标：与疲劳/分心检测融合
- 长期目标：突破特异性瓶颈，实现独立警告
参考资料
- Halin et al., Gaze-Based Indicators of Driver Cognitive Distraction: Effects of Different Traffic Conditions and Adaptive Cruise Control Use, AutomotiveUI Adjunct 2025.
- Victor et al., Sensitivity of eye-movement measures to in-vehicle task difficulty, Transportation Research Part F, 2005.
- Euro NCAP 2026 Assessment Protocols - Driver Monitoring.