视觉疲劳 GBDT-LR 评估：眼控交互中瞳孔反应的机器学习分析

MDPI Sensors 2026 发表基于 GBDT-LR 的视觉疲劳评估方法，利用任务表现和瞳孔反应数据。传统主观方法过于主观，侵入式设备成本高。机器学习方案提供了客观、低成本的视觉疲劳检测路径。

1 研究概况

项目	内容
标题	Assessment of Visual Fatigue Caused by Eye-Controlled Interaction Based on Task Performance and Pupillary Response with GBDT-LR
期刊	Sensors, 2026, 26(17):5507
方法	GBDT + Logistic Regression
输入	任务表现 + 瞳孔反应
目标	客观视觉疲劳评估

2 技术方案

2.1 GBDT-LR 架构

from sklearn.ensemble import GradientBoostingClassifier
from sklearn.linear_model import LogisticRegression
import numpy as np

class VisualFatigueAssessor:
    """
    GBDT-LR 视觉疲劳评估
    
    1. GBDT 提取非线性特征
    2. LR 输出疲劳概率
    3. 瞳孔反应 + 任务表现融合
    """
    
    def __init__(self):
        self.gbdt = GradientBoostingClassifier(
            n_estimators=100, max_depth=5, learning_rate=0.1
        )
        self.lr = LogisticRegression(max_iter=1000)
    
    def extract_features(self, pupil_data: dict, task_data: dict) -> np.ndarray:
        """提取瞳孔+任务特征"""
        features = [
            pupil_data['diameter_mean'],
            pupil_data['diameter_std'],
            pupil_data['diameter_trend'],
            pupil_data['latency_mean'],
            task_data['accuracy'],
            task_data['reaction_time'],
            task_data['error_rate'],
        ]
        return np.array(features).reshape(1, -1)
    
    def fit(self, X, y):
        self.gbdt.fit(X, y)
        leaves = self.gbdt.apply(X)[:, :, 0]
        self.lr.fit(leaves, y)
    
    def predict(self, X):
        leaves = self.gbdt.apply(X)[:, :, 0]
        return self.lr.predict_proba(leaves)[:, 1]

3 DMS 迁移价值

原始用途	DMS 迁移
眼控交互疲劳	驾驶视觉疲劳
瞳孔反应	DMS 摄像头瞳孔检测
任务表现	驾驶行为指标
离线评估	实时监测

4 对 IMS 的启示

优先级	任务	周期
P1	瞳孔直径精确检测	3 月
P1	GBDT-LR 模型集成	1 月
P2	驾驶行为任务指标定义	2 月

5 总结

GBDT-LR 方案为 DMS 视觉疲劳检测提供了轻量级机器学习路径。瞳孔反应是视觉疲劳的客观生理指标，结合驾驶行为数据可构建可靠的疲劳评估模型。

---

参考来源：

• Visual Fatigue GBDT-LR, MDPI Sensors 2026