VICODEV：认知分心检测的多模态基准数据集——TDGV指标+EEG+眼动+车辆信号融合范式

论文信息

核心创新

VICODEV 数据库是同时采集车辆信号+行为信号+生理信号+主观评价的视觉-认知分心驾驶公开数据集；配套的 VICODEV 指数论文（IEEE OJITS 2026）则给出一个可解释的实时分心监测指数：

1. 四层多模态信号同步采集：仪表化方向盘(1000Hz) + Tobii Pro Glasses 3眼动仪(25Hz) + 三导联ECG(1000Hz) + 64通道EEG(1000Hz)
2. VICODEV指数：从21个测量中筛出12个呈显著趋势的，再选出5个用于实时车内监测，经典型判别分析(canonical discriminant analysis)合成指数，每40ms评估一次
3. 标准化分心范式：5段基线×45s + 5段分心×45s交替设计，次任务为 Clock Task（视觉-认知双重分心）

方法详解

1. 实验设计

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49

# 示意代码，不可直接运行：参数引自 IEEE DataPort 数据集页面与论文摘要
"""
VICODEV实验协议
================
指数论文: Uccello et al., IEEE OJITS vol.7, 2026, DOI:10.1109/OJITS.2026.3713602
数据集: IEEE DataPort DOI:10.21227/r8fc-2y40

实验范式: 基线/分心交替驾驶，次任务为 Clock Task
驾驶场景: Wolfsburg城市部分复制路线
"""

EXPERIMENT_CONFIG = {
    "baseline_duration_sec": 45,      # 基线段时长
    "distraction_duration_sec": 45,   # 分心段时长
    "repetitions": 5,                  # 每种条件重复次数
    "total_sections": 10,              # 总段数（5基线+5分心）
    "distraction_type": "visual-cognitive",  # 视觉+认知双重分心
    "environment": "urban_replica",   # Wolfsburg城市道路复制
}

PARTICIPANTS = {
    "total": 35,
    "male": 21,
    "female": 14,
    "age_range": "19-30",
    "age_mean": 22.9,
    "age_std": 2.39,
    "population": "young_novice_drivers",
}

SENSORS = {
    "instrumented_steering_wheel": {
        "device": "ISW (DriSMi × Toyota Motor Europe)",
        "freq_hz": 1000,
    },
    "eye_tracker": {
        "device": "Tobii Pro Glasses 3",
        "freq_hz": 25,
    },
    "ecg": {
        "device": "VI-Grade three-lead ECG",
        "freq_hz": 1000,
    },
    "eeg": {
        "device": "ANT Neuro NA-261-waveguard net",
        "freq_hz": 1000,
        "channels": 64,
    },
}

2. VICODEV指数构建（论文方法）

论文摘要所述流程：

• 从采集的 21 个测量中，12 个在基线/分心段之间呈统计显著趋势；
• 最终选出 5 个适合车内实时使用的测量；
• 用**典型判别分析（canonical discriminant analysis）**合成单一指数；
• 指数每 40 ms 更新一次，可解释性优先于黑箱模型。

注意：原文摘要未说明该 5 个测量具体是哪些，也未提及 TDGV 指标；TDGV 的原理性介绍见下节。

3. TDGV 指标（相关工作，Marx et al., Sensors 2022）

TDGV（Temporal Dashboard Gaze Variance）的核心思想：认知分心时，驾驶员对仪表盘的注视时间分布变得不均匀，注视时长方差增大。Marx 等在场地与模拟器实验中用听觉次任务验证，检测准确率随个体基线测量质量不同在 68%–81% 之间（引自该文摘要）。VICODEV 摘要未说明是否采用该指标，二者关系以论文全文为准。

1
2
3
4
5
6
7
8

# 示意代码，不可直接运行：本站对 TDGV 指标的原理性复述，非 VICODEV 论文方法
def calculate_tdgv(dashboard_fixation_durations, window_sec=10.0):
    """滑动窗口内仪表盘注视时长的方差作为认知分心指标"""
    import numpy as np
    durations = np.asarray(dashboard_fixation_durations, dtype=float)
    n_windows = int(len(durations) / window_sec)
    return np.array([np.var(durations[i*int(window_sec):(i+1)*int(window_sec)])
                     for i in range(n_windows)])

4. 数据集结构

数据集在 IEEE DataPort 上按三个工作表组织：

获取方式：IEEE DataPort 开放获取（需注册）。

实验结果（数字引自指数论文摘要）

两点工程解读：

• 重复留出下的 recall/accuracy 很高，但跨被试泛化（LOSO）的中位 AUC 只有 82.9%——个体基线校准与否对实际效果影响巨大，量产方案必须带个体标定流程。
• 指数只用 5 个测量、每 40ms 更新，计算量小，适合嵌入 ECU。

Mermaid架构图

graph TB
    subgraph "VICODEV多模态采集"
        A[仪表化方向盘 ISW<br/>1000Hz] --> F[21个候选测量]
        B[Tobii Pro Glasses 3<br/>25Hz] --> F
        C[VI-Grade ECG<br/>1000Hz] --> F
        D[ANT Neuro EEG 64通道<br/>1000Hz] --> F
    end

    F --> G[12个测量呈显著趋势<br/>基线 vs 分心]
    G --> H[选出5个实时测量]
    H --> I[典型判别分析<br/>Canonical Discriminant Analysis]
    I --> J[VICODEV指数<br/>每40ms更新]
    J --> K[重复留出: recall 99.47%<br/>accuracy 95.20%]
    J --> L[跨被试 LOSO: 中位AUC 82.9%]

    style J fill:#e1f5fe
    style K fill:#c8e6c9
    style L fill:#fff3e0

IMS开发启示

1. 可直接借鉴的设计决策

2. 个体基线校准是关键

LOSO 中位 AUC（82.9%）与重复内 recall（99.47%）的差距说明：跨被试直接泛化有限。量产路径建议为每位驾驶员提供短时基线标定（类似 Marx et al. TDGV 工作中”基线测量质量决定 68%–81% 准确率”的结论）。

3. 数据集获取与使用

1
2
3
4
5
6
7
8

# 获取VICODEV数据集
# 1. 注册IEEE DataPort账户
# 2. 访问 DOI: 10.21227/r8fc-2y40
# 3. 下载并引用: Uccello, L.; Subitoni, L.; Gobbi, M.; Signorini, M.G.; Mastinu, G.
#    "Driver Visual-Cognitive Distraction Monitoring: The VICODEV Index",
#    IEEE OJITS, vol.7, 2026, DOI: 10.1109/OJITS.2026.3713602
#    数据集: "Visual-cognitive distraction in a driving simulator...",
#    IEEE DataPort, DOI: 10.21227/r8fc-2y40

与已有研究的对比

VICODEV 的差异点（定性）：

1. 四模态同步：同时采集方向盘+眼动+ECG+EEG 的公开驾驶分心数据集罕见
2. 配套指数论文：不止放数据，还给出经过交叉验证的实时指数与可解释模型
3. 年轻新手驾驶员（19-30岁）：覆盖高风险群体
4. 开放获取：IEEE DataPort 公开下载

其他驾驶分心数据集的逐一对比（模态/被试数/年份）本站未逐一核实，此处不列。

局限性与改进方向

总结

1. VICODEV 数据库是四模态同步的公开驾驶分心数据集（35人，基线/分心 45s×5 交替）
2. VICODEV 指数（IEEE OJITS 2026）用 5 个测量 + 典型判别分析实现实时监测：重复留出 accuracy 95.20%、recall 99.47%；跨被试 LOSO 中位 AUC 82.9%——个体基线校准是量产落地的关键
3. TDGV（Marx et al., Sensors 2022）是另一条以仪表盘注视方差检测认知分心的路线（准确率 68%–81%），与 VICODEV 的关系以论文全文为准
4. 数据集开放获取，可用于算法开发与基准对比

下一步：下载 VICODEV 数据集复现指数论文的 5 测量判别分析基线，再评估用量产传感器（IR 摄像头眼动 + 方向盘）替代其部分测量的可行性。

参考

1. Uccello L, Subitoni L, Gobbi M, Signorini MG, Mastinu G. Driver Visual-Cognitive Distraction Monitoring: The VICODEV Index. IEEE Open Journal of Intelligent Transportation Systems, 2026, 7: 1875–1888. https://doi.org/10.1109/OJITS.2026.3713602
2. Uccello L, Mastinu G, Gobbi M, Signorini MG, Subitoni L. Visual-cognitive distraction in a driving simulator. Vehicular, behavioural, physiological and subjective measurements. IEEE DataPort, 2026. https://doi.org/10.21227/r8fc-2y40
3. Marx C, Güzel Kalayci E, Moertl P. Temporal Dashboard Gaze Variance (TDGV) Changes for Measuring Cognitive Distraction While Driving. Sensors, 2022, 22(23): 9556. https://doi.org/10.3390/s22239556