真实 L2 道路上生理信号”个性化 92.68% vs 通用 54%”:UNED×UC3M 四名驾驶员的跨用户崩塌精读,与”个性化何时值得”的第二块证据

用一个可穿戴手环、一辆跑 OpenPilot 的真实 Prius、四名驾驶员,UNED×UC3M 团队(Puertas-Ramirez, Fernandez-Matellan, Martin Gomez & Boticario, 2026)在真实高速公路上测出了 DMS 生理传感通路里最悬殊的一组对比:每人一个模型时四类”回退就绪性”分类平均精度 92.68% ± 3.67%,换成跨用户通用模型直接掉到 54.00% ± 6.00%——配对 t 检验 p<0.001。更刺眼的是类别级分解:同一个”Low-Low”类,在用户 3 身上召回 96%,在用户 2 身上只有 49%;同一个合并模型,对”High”状态的召回在两名用户身上分别只有 26% 和 36%。

这篇论文值得精读的不是因为 92.68% 高——四个人、冻结 ResNet50、2021 年代的信号转图配方,数字本身不该外推——而是因为它是站内”个性化边界”系列的第二块独立证据:十月的 TUM×BMW 方差分解文在行为信号里发现驾驶员身份解释 23% 方差、特征级归一化全线失败;这篇在生理信号里用完全不同的传感器、完全不同的实验设计,撞出了同一堵墙。两条证据链同向,说明”跨驾驶员泛化难”不是某个数据集的伪影,而是驾驶员状态信号的结构性质。对 IMS 团队,这篇论文给出的是:一条完整的”手环→回退就绪性”参考管线、一份信号转图编码的实测排序、和”个性化冷启动要多少数据”这个尚无答案的开放问题。

本文为 A 型(论文深读型)。全部数字出自 arXiv:2604.11549 全文 HTML(2026-04-13 提交,v1),写作前已完整阅读;传感器规格对照 Empatica E4 官网规格页核实(仅 32 Hz 加速度计一项在官网明示,其余采样率以论文原文为准)。站内关联:Köning 方差分解:per-driver 基线的量化边界、rPPG Template Collapse 信息极限、BATON 接管基准。

背景:回退就绪性,和它缺的那条传感通路

论文的出发点是 Bainbridge(1983)”自动化的讽刺”在 L2/L3 的具体化:系统越可靠,人越退出环路,系统越需要在关键时刻确认”这个人现在接得住吗”。J3016 里这叫 fallback-ready user,R171 把”驾驶员持续可用性”写成了 L2 准入条件(本站:R171 解读)。问题在于量产 DMS 主要靠视觉(视线/头姿/眼睑),而”接得住”是一个生理-认知状态:疲劳、分心、情绪负荷在视觉特征上往往滞后或不显现。论文引言引用 Lohani et al.(2019)的综述立场:EDA(皮电)与心率在真实驾驶场景里优于侵入式的 EEG/EMG,是可穿戴生理监测的现实选择。

作者团队此前在 2021/2023 年两篇工作里做过 fallback-ready state 与实验平台(论文引用其 Puertas-Ramirez et al., 2021, 2023),这篇是把平台跑上真实道路后的第一次完整汇报。论文自我定位很清楚:在真实 L2 车辆、真实公共道路上做可穿戴生理信号的四类驾驶员状态建模——这排除了绝大多数模拟器研究,也是它敢叫 “Real World” 的依据。

为什么现在重要:舱内生理 sensing 正在从”研究选题”变成”平台功能”——传感供应商已在 DMS 平台上叠加远程生命体征功能(本站:舱内传感架构收敛拆解记录的摄像头+雷达收敛线),生理通道的工程化讨论正在提速。生理信号一旦进车,第一个要回答的问题就是本文这一对数字:这个通道的模型是每人标定,还是一套通用? 54% 这个数字给出了通用路线的下限样本。

核心机制:从七路生理信号到 2-bit 就绪性等级

实验设定:真实道路、副驾诱导、16 场景

标注方法沿 Saneiro et al.(2014)以降低标注偏差,这个设计本身值得注意:标签不是”疲劳/分心”这类一级状态,而是直接对应告警链的四级就绪性——这是它区别于多数生理驾驶研究的地方,后面单独立节讲。

信号→图编码:连续 RP 赢了,但优势没有想象中大

七路信号(Accx/Accy/Accz/Temp/EDA/BVP/HR)各自转成 2D 图像:30 秒窗、3 秒步进,幅度缩放到 [0,255] 并在 5th/95th 百分位截断,归一化用作者提出的 “Combined Metrics”(ε=0.5 混合全局与局部 min-max)。编码方式做了六种对比(以用户 1 的精度排序):

据原文;主实验全部采用连续 RP。

冻结 ResNet50 融合管线

flowchart LR
    subgraph S["7 路信号 @4Hz · 30s 窗 / 3s 步进"]
        A["Accx"] --> E1
        B["Accy"] --> E2
        C["Accz"] --> E3
        T["Temp"] --> E4
        D["EDA"] --> E5
        V["BVP"] --> E6
        H["HR"] --> E7
    end
    subgraph IMG["2D 图像编码(连续 RP,5/95 百分位截断)"]
        E1["RP 图"] 
        E2["RP 图"]
        E3["RP 图"]
        E4["RP 图"]
        E5["RP 图"]
        E6["RP 图"]
        E7["RP 图"]
    end
    IMG --> R["7 × 预训练 ResNet50<br/>全部冻结,不训练<br/>penultimate 2048-d ×7"]
    R --> CAT["拼接 14,336-d"]
    CAT --> PCA["PCA → 100 维"]
    PCA --> FC["FC 100→25→10<br/>ReLU + softmax(4)"]
    FC --> OUT["LL / L / H / HH"]

图 1:管线全貌(据原文整理)。架构基础是 Elalamy et al.(2021)的二类情绪识别方案,本文扩展为四类。

三个工程决定要注意:其一,ResNet50 完全冻结(原文明确 “no parameters of ResNet50 are trained”),只把预训练特征当固定字典用——这是小数据下的稳妥选择,但也意味着跨用户崩塌有相当部分可能来自”特征字典里根本没有跨用户的生理状态不变量”,而不纯是生理信号本身的性质;其二,PCA 压到 100 维是收敛性妥协(50 维 25 个 epoch 不收敛,200 维 3 个 epoch 就收敛,过拟合风险大);其三,每配置跑 5 次取均值±SD(PyTorch,RTX A4000,Adam lr 0.001,weight decay 1e-4,按验证 F1 存最优)。

2-bit 标注:ISA-18.2.5 报警标准进座舱

论文最有辨识度的一步是把回退就绪性标签映射到 ISA-18.2.5(过程工业的报警管理标准)的 LL/L/H/HH 四档结构,并配合 HL7 observation codes 做观测编码。这是把化工/电力行业”异常状态分级报警”的成熟骨架直接搬进座舱 HMI。对工程团队的含义很具体:如果 DMS 输出端要接分级告警链(提示→警告→干预),用现成的 2-bit 报警语义做接口,比自造”三级疲劳/五级分心”更容易通过 HMI 设计评审,也天然兼容”低档只记录、高档才干预”的仲裁逻辑(本站:选择性推理四动作仲裁里 abstain-as-action 的框架可以直接对齐这个四级输出)。

实验与证据:92.68% 与 54% 之间隔着什么

个性化对角线 vs 跨用户矩阵

据原文;个性化模型在其余三名用户上的跨用户精度落在 40.62%–63.52% 区间(如 U2 的模型测 U1 只有 50.22%)。

总体指标(每配置 5 次运行,配对 t 检验 p<0.001):

合并模型:见过的人也不够

论文没有停在”没见过的人掉分”——它还测了合并三用户训练、测已见过的那名用户:精度 82.26%–91.36%,仍比该用户的个性化模型低 5–12 个百分点(如 U3:合并 87.04% vs 个性化 94.88%)。这一条比 54% 更有决策含义:它说明把其他人的数据堆进去,连”见过的人”都补不齐个性化空间——数据池化替代不了个体标定。

类别级不稳定:比均值崩塌更重要的证据

合并模型的类间召回是全文最值得看的表:

这是全文对”生理信号个体异质性”最强的直接证据:不是模型整体变差,而是同一个状态在不同人的生理表达上根本不可通约——某人的”低就绪”特征在另一人身上可能正是”高就绪”的样子。这个模式和 TUM×BMW 行为信号里的发现同构:个体基线差异不是加性偏置(扣掉就完),而是与状态响应纠缠在一起(扣掉基线连信号一起削)。

我的批判性读法:崩塌有多少该记在生理头上

这篇论文的”个性化 vs 通用”对比建立在一个冻结预训练 ResNet50 + 100 维 PCA 的特定管线上。我认为有三个混杂因素让 54% 这个数不能全记在”生理信号不可泛化”头上:

1. 冻结特征字典的跨域先验:ImageNet 预训练特征对 recurrence plot 图像没有生理语义,PCA 100 维后的 100→25→10 头部是全部分类容量所在。没有针对生理图编码做微调,跨用户崩塌可能被放大。
2. 每人只有 700–2,000 张图,70/15/15 切分:训练集是同一会话内的时间相邻窗口,个性化模型的高分里有多少来自会话内的自相关(时间泄漏)论文未讨论——个性化与通用两种协议都受益于此,但个性化模型受益更多。
3. 四类标签本身的标定是个体化的:LL/L/H/HH 由标注方法映射到个体表现,标签边界本身可能随人而异。

我的判断:真实结论比”92.68 vs 54”温和但方向不变——生理状态模型里个体间差异大到任何当前主流架构都无法用数据池化抹平,个性化标定是这个通道的必要条件而非优化项。这与 Köning 文”瓶颈是方差结构,不是模型容量”的结论完全同向:GRU+Attention 都没能突破行为信号的跨被试窄带(LOSO F1 0.424),这里冻结 ResNet50 也没能突破生理信号的(通用 54%)。

与已有方案的关系

表:三条传感通路(行为/腕带生理/视觉生理)指向同一个结构问题。

值得把这个三线汇合写进立项文档:凡是”从驾驶员身上读状态”的通道,无论行为、腕带还是纯视觉生理,跨个体都是信息瓶颈;差异只在瓶颈的位置——行为信号卡在特征归一化层,生理信号卡在状态-表达映射层,视觉生理卡在信号质量层。任何一篇只报 within-subject 数字的可穿戴/rPPG 论文,按 SVM 案例(Köning 文:+32.4pp 同被试虚高)和本文(38.7pp 个性化虚高)的量级预期打折。

对 IMS 团队的启示

1. 生理通道立项时默认”必含个性化标定流程”。把冷启动问题写进需求:每用户要采多少数据、什么场景覆盖、标定期间系统降级到什么置信度——本文自己承认”minimum data requirements remain unknown”,这是它留下的最大开放问题,也是先做冷启动实验的团队的机会。
2. 输出接口直接抄 ISA-18.2.5 四档。回退就绪性/注意力等级用 LL/L/H/HH 2-bit 语义对接告警链,避免自造分级;与仲裁栈(abstain/降级/干预)的映射关系可在设计文档里逐档定义。
3. 评估协议先于模型:本文 38.7pp 的个性化-通用差距、Köning 文 32.4pp 的同被试虚高,都指向同一条验收纪律——任何 DMS/生理模型的报告必须含跨用户协议(LOSO 或其等价物),within-subject 数字只用于标定流程设计,不用于验收。
4. 不要用数据池化替代标定。合并模型对”已见过的用户”仍差 5–12pp,这条证据直接否掉”先攒一个大模型、对新用户零标定”的产品路线;混合路线(通用模型 + 每用户校准层)是作者提出的方向,但未经验证,采纳前需要自己的实验。
5. 信号转图不是必须的:六种编码里连续 RP 最好也只有 70.33%(用户 1),而 GADF 掉到 49.70%——编码选择的敏感度本身就说明该管线离生理信号的充分表达很远。团队若做腕带/手环通道,应优先在原始时序上试端到端时序骨干(并对照本站 StreamPPG 文的因果流式设计),把”转图+冻结 CNN”当历史基线而非路线。
6. 场景诱导协议可复用:副驾安全员按 16 场景脚本诱导、真实道路、保留暂停权限——这是小成本拿到”真实道路 + 状态标签”对齐数据的可复制模板,比封闭试车场更接近量产行为分布。

边界与局限

引用这组数字前必须带上五个边界,全部来自原文:(1) 4 名男性 certified operators——作者自述”depth over breadth”,跨性别、跨年龄、跨驾驶经验完全未覆盖,92.68/54 的绝对值不可外推;(2) 场景集绑定——16 个诱导场景之外的环境未测试;(3) 医疗级可穿戴的现实性代价——E4 是研究级设备,车规化(集成、耐用、合规)是另一条路;(4) 原始数据因隐私不可公开(作者称完全匿名化不可行,代码承诺接收后放出)——复现只能靠重采;(5) preprint,无 venue——引用时注明版本,结论待同行评议。

再加一条我自己的:如上节所析,冻结 ResNet50 + 时间相邻窗口切分的协议让”个性化 vs 通用”的 38.7pp 差距里混入了架构与采样因素——方向可信,幅度存疑。如果后续有人用时序骨干 + 按会话分组切分重跑,通用路线的数字大概率会好于 54%,但超过个性化模型的证据目前不存在。

参考

1. Puertas-Ramirez, D., Fernandez-Matellan, R., Martin Gomez, D., & Boticario, J. G. (2026). Human Centered Non Intrusive Driver State Modeling Using Personalized Physiological Signals in Real World Automated Driving. arXiv:2604.11549. https://arxiv.org/abs/2604.11549(全文 HTML 已读)
2. Empatica E4 官方规格页. https://www.empatica.com/research/e4/(已读;仅加速度计 32 Hz 在官网明示,其余采样率以论文原文为准)
3. Köning, L., Miličić, N., & Bogenberger, K. (2026). Driver Behavior Under Traffic Complexity. arXiv:2607.16847. https://arxiv.org/abs/2607.16847(经本站 10-21 精读文引用)
4. 本站:TUM×BMW 方差分解与 per-driver 基线的量化边界. /blog-posts/2026-10-21-koning-variance-decomposition-per-driver-baseline-2026.md
5. 本站:rPPG Template Collapse 信息论极限. /blog-posts/2026-10-31-rppg-template-collapse-information-limit-pulse-morphology-ims.md
6. 本站:arXiv 2606.26922 选择性推理拒答门控(四动作仲裁). /blog-posts/2026-11-03-risk-aware-selective-inference-dms-abstention-gate-2606-26922-ims.md
7. 本站:UN R171 DCAS 驾驶员可用性 × DMS. /blog-posts/2026-10-15-014-unece-r171-dcas-driver-availability-dms-2026.md
8. 本站:BATON 自然驾驶接管基准. /blog-posts/2026-11-01-baton-naturalistic-das-transition-benchmark-takeover-anticipation-ims.md