DOI: https://doi.org/10.1016/j.aap.2025.108023
PMID: https://pubmed.ncbi.nlm.nih.gov/40174509
تاريخ النشر: 2025-04-03
المؤلف: Hengyan Pan وآخرون
الموضوع الرئيسي: النوم والإرهاق المرتبط بالعمل
نظرة عامة
تخلص مراجعة الأدبيات إلى أن عوامل مختلفة، بما في ذلك مدة القيادة الآلية، والانخراط في مهام غير متعلقة بالقيادة (NDRT)، وعمر السائق، ومشاكل النوم، ومستويات الأتمتة، تؤثر بشكل كبير على بداية النعاس وأداء الاستحواذ اللاحق. تلخص المراجعة النتائج من 29 مقالة، مع التأكيد على العلاقة بين نعاس السائق أثناء القيادة الآلية وفعالية التحكم في السيارة عند الاستحواذ. تحدد الفجوات الحرجة في الأبحاث الحالية، مثل الحاجة إلى مقاييس موحدة لأداء الاستحواذ وفهم أكثر دقة لكيفية تأثير مستويات النعاس على استجابات السائقين.
علاوة على ذلك، تحدد المراجعة اتجاهات البحث المستقبلية الأساسية، بما في ذلك تحديد العوامل الأساسية التي تسهم في النعاس، وتطوير تدابير وقائية، وإنشاء استراتيجيات لمساعدة السائقين على استعادة السيطرة بأمان وكفاءة. تبرز الحاجة إلى مؤشرات أكثر تنوعًا للنعاس وسيناريوهات الاستحواذ، فضلاً عن أهمية إجراء تجارب في العالم الحقيقي للتحقق من النتائج النظرية. بشكل عام، تؤكد المراجعة على تعقيد القضايا المتعلقة بالنعاس في القيادة الآلية والحاجة الملحة لإجراء أبحاث شاملة لتعزيز سلامة السائقين.
مقدمة
تسلط المقدمة الضوء على الدور المهم للإرهاق والنعاس في حوادث الطرق، مع الإحصائيات التي تشير إلى أن أكثر من 90% من الحوادث ناتجة عن خطأ بشري، وأن حوالي 11% من هذه الحوادث مرتبطة بإرهاق السائق. تظهر الأبحاث أن السائقين النعسانين يواجهون احتمالًا أعلى بنسبة 29% إلى 34% للتعرض لحادث مقارنة بالسائقين اليقظين. في فيكتوريا، أستراليا، تمثل القيادة النعسانة 16% إلى 20% من الحوادث القاتلة، بينما في الصين، تمثل الحوادث المرتبطة بالإرهاق حوالي 20% من جميع حوادث الطرق. يحدد القسم الفروق الدقيقة بين النعاس، والإرهاق، والنعاس، مع التأكيد على تأثيراتها السلبية المتداخلة على سلامة القيادة.
تناقش الورقة أيضًا آثار تكنولوجيا أتمتة المركبات على تعزيز سلامة الطرق، مصنفة الأتمتة إلى ستة مستويات، من اليدوي بالكامل (SAE Level 0) إلى الأوتوماتيكي بالكامل (SAE Level 5). تشير إلى أنه مع زيادة الأتمتة، قد يعاني السائقون من إرهاق سلبي بسبب تقليل الانخراط في مهام القيادة. تؤكد الحاجة إلى أن يتولى السائقون البشر السيطرة في بعض الحالات على أهمية فهم أداء الاستحواذ لدى السائق، خاصة في سياق النعاس. تختتم المقدمة بتحديد أهداف المراجعة، والتي تشمل تحديث الأدبيات الحالية حول النعاس وأداء الاستحواذ، ومناقشة عوامل التأثير الإضافية، واقتراح اتجاهات البحث المستقبلية لفهم التفاعل بين نعاس السائق وسيناريوهات القيادة الآلية بشكل أفضل.
الطرق
يحدد قسم الطرق العناصر التجريبية المستخدمة في الدراسة. يوضح تصميم وتنفيذ التجارب، بما في ذلك اختيار المواد والمعدات والبروتوكولات المتبعة لضمان قابلية التكرار وموثوقية النتائج. يتم وصف المنهجيات المحددة المستخدمة، مثل التحليلات الإحصائية أو النماذج الحاسوبية، لتوفير وضوح حول كيفية جمع البيانات وتفسيرها.
بالإضافة إلى ذلك، قد يسلط القسم الضوء على أي تدابير تحكم أو متغيرات تم التلاعب بها لتقييم آثارها على النتائج ذات الصلة. هذه المقاربة الدقيقة ضرورية للتحقق من النتائج وضمان أن الاستنتاجات المستخلصة من البيانات قوية وصحيحة علميًا. بشكل عام، يعمل قسم الطرق كدليل شامل لتكرار الدراسة وفهم العمليات الأساسية التي ساهمت في نتائج البحث.
النتائج
تلخص قسم النتائج النتائج من دراسات مختلفة تحقق في العوامل التي تؤثر على أداء الاستحواذ في المركبات الآلية، كما تم مراجعتها في الأبحاث السابقة (Gasne et al., 2022; Merlhiot & Bueno, 2022). يتم تقديم نظرة شاملة في الجدول 1، الذي ينظم الدراسات حسب سنة النشر واسم المؤلف الرئيسي. يتم تقديم تفاصيل تجريبية رئيسية، بما في ذلك مستوى أتمتة SAE للمركبات، ومدة التجارب، والمعدات المستخدمة لجمع البيانات (سواء كانت محاكاة أو في العالم الحقيقي).
بالإضافة إلى ذلك، يحدد الجدول عدد المشاركين المعنيين، وتصميم التجربة (التفريق بين المتغيرات بين الموضوعات وداخل الموضوعات)، والمؤشرات المستخدمة لقياس النعاس. كما يصف سيناريوهات الاستحواذ وظروف التحفيز، ونوع الإشعارات المقدمة (بما في ذلك الوقت المسبق ونمط المعلومات، سواء كانت سمعية أو بصرية)، ومؤشرات قياس الأداء المتعلقة بأحداث الاستحواذ. تسهل هذه العرض المنظم للبيانات فهمًا أوضح للمتغيرات التي تؤثر على أداء الاستحواذ في سياقات القيادة الآلية.
المناقشة
في هذا القسم، يحدد المؤلفون معايير الاختيار، ومصادر البيانات، وعملية اختيار الدراسات لمراجعتهم المنهجية حول نعاس السائق وأداء الاستحواذ في سياقات القيادة الآلية. كانت معايير الأهلية تقتضي أن تشمل الدراسات المشاركين الذين يتفاعلون مع المركبات عند مستوى SAE 2 أو أعلى، وأن تتضمن مؤشرات نعاس السائق وأداء الاستحواذ، وأن تستخدم تصاميم تجريبية محكومة. أسفرت عملية بحث شاملة عبر ثلاثة قواعد بيانات (Web of Science، PubMed، وScopus) عن 182 مقالة، تم تقليصها إلى 29 بعد تطبيق معايير إدراج واستبعاد صارمة، بما في ذلك إزالة التكرارات والدراسات غير ذات الصلة.
تم تقييم جودة الدراسات المدرجة باستخدام مقياس قاعدة بيانات الأدلة للعلاج الطبيعي (PEDro)، مما أسفر عن موثوقية عالية بين المقيمين (معامل ارتباط بيرسون 0.957). ركزت معظم الدراسات على أتمتة مستوى SAE 3، مع اعتماد كبير على المحاكاة بدلاً من سيناريوهات القيادة في العالم الحقيقي. تبرز المراجعة أيضًا تصميم طلبات الاستحواذ، التي استخدمت بشكل أساسي إشارات بصرية وسمعية مع أوقات مسبقة قصيرة، وتناقش سيناريوهات الاستحواذ المختلفة التي تتطلب تدخل السائق، مثل الكبح المفاجئ أو الطوارئ على الطريق. تم تصنيف الطرق المستخدمة لقياس نعاس السائق إلى مقاييس ذاتية وموضوعية، مع كون مقياس النعاس في كارولينسكا هو الأداة الأكثر استخدامًا للتقييم الذاتي.
القيود
تستعرض المراجعة المنهجية المحدثة الأدبيات حول آثار النعاس الناتج عن القيادة الآلية على أداء الاستحواذ، مع معالجة القيود التي تم تحديدها في الأبحاث السابقة (Merlhiot & Bueno, 2022). بينما تعزز إضافة مقاييس جديدة تتعلق بالجودة واعتبارات القضايا المرتبطة بالنوم تقييم أداء الاستحواذ، لا تزال هناك تحديات كبيرة. من الجدير بالذكر أن نقص التوحيد في مقاييس أداء الاستحواذ والبروتوكولات غير الكافية لإدارة طلبات الاستحواذ بناءً على مستويات النعاس المختلفة لا تزال تعيق قوة النتائج.
بالإضافة إلى ذلك، تظهر العديد من الدراسات المدرجة في المراجعة قيودًا منهجية قد تحد من قابليتها للتطبيق وقابليتها للتعميم. تؤكد هذه القضايا المستمرة على الحاجة إلى مزيد من البحث لوضع بروتوكولات موحدة وتحسين موثوقية الاستنتاجات المستخلصة من الدراسات حول النعاس والقيادة الآلية.
DOI: https://doi.org/10.1016/j.aap.2025.108023
PMID: https://pubmed.ncbi.nlm.nih.gov/40174509
Publication Date: 2025-04-03
Author(s): Hengyan Pan et al.
Primary Topic: Sleep and Work-Related Fatigue
Overview
The literature review concludes that various factors, including the duration of automated driving, engagement in non-driving related tasks (NDRT), driver age, sleep-related issues, and levels of automation, significantly influence the onset of drowsiness and subsequent takeover performance. The review synthesizes findings from 29 articles, emphasizing the relationship between driver drowsiness during automated driving and the effectiveness of vehicle control upon takeover. It identifies critical gaps in existing research, such as the need for standardized measures of takeover performance and a more nuanced understanding of how drowsiness levels affect driver responses.
Furthermore, the review outlines essential future research directions, including identifying underlying factors that contribute to drowsiness, developing preventive measures, and creating strategies to assist drivers in regaining control safely and efficiently. It highlights the necessity for more diverse indicators of drowsiness and takeover scenarios, as well as the importance of conducting real-world experiments to validate theoretical findings. Overall, the review underscores the complexity of drowsiness-related issues in automated driving and the urgent need for comprehensive research to enhance driver safety.
Introduction
The introduction highlights the significant role of fatigue and drowsiness in road accidents, with statistics indicating that over 90% of crashes are due to human error, and approximately 11% of these are linked to driver fatigue. Research shows that drowsy drivers face a 29% to 34% higher likelihood of crashing compared to alert drivers. In Victoria, Australia, drowsy driving accounts for 16% to 20% of fatal crashes, while in China, fatigue-related incidents represent about 20% of all road accidents. The section delineates the nuances between drowsiness, fatigue, and sleepiness, emphasizing their overlapping negative impacts on driving safety.
The paper also discusses the implications of vehicle automation technology for enhancing road safety, categorizing automation into six levels, from fully manual (SAE Level 0) to fully automated (SAE Level 5). It notes that as automation increases, drivers may experience passive fatigue due to reduced engagement in driving tasks. The necessity for human drivers to take control in certain situations underscores the importance of understanding driver takeover performance, particularly in the context of drowsiness. The introduction concludes by outlining the objectives of the review, which include updating existing literature on drowsiness and takeover performance, discussing additional influencing factors, and suggesting future research directions to better understand the interplay between driver drowsiness and automated driving scenarios.
Methods
The Methods section outlines the experimental elements utilized in the study. It details the design and implementation of the experiments, including the selection of materials, equipment, and protocols followed to ensure reproducibility and reliability of results. Specific methodologies employed, such as statistical analyses or computational models, are described to provide clarity on how data was collected and interpreted.
Additionally, the section may highlight any control measures or variables that were manipulated to assess their effects on the outcomes of interest. This rigorous approach is essential for validating the findings and ensuring that conclusions drawn from the data are robust and scientifically sound. Overall, the Methods section serves as a comprehensive guide for replicating the study and understanding the underlying processes that contributed to the research outcomes.
Results
The results section summarizes the findings from various studies that investigate factors influencing takeover performance in automated vehicles, as reviewed in prior research (Gasne et al., 2022; Merlhiot & Bueno, 2022). A comprehensive overview is provided in Table 1, which organizes the studies by publication year and the main author’s name. Key experimental details are presented, including the SAE automation level of vehicles, the duration of experiments, and the equipment used for data collection (either simulation or real-world).
Additionally, the table outlines the number of participants involved, the experimental design (distinguishing between between-subject and within-subject variables), and the indicators used to measure drowsiness. It further describes the takeover scenarios and trigger conditions, the type of notifications provided (including lead time and information modality, whether auditory or visual), and the performance measurement indicators related to takeover events. This structured presentation of data facilitates a clearer understanding of the variables affecting takeover performance in automated driving contexts.
Discussion
In this section, the authors outline the selection criteria, data sources, and study selection process for their systematic review on driver drowsiness and takeover performance in automated driving contexts. The eligibility criteria mandated that studies involve participants interacting with vehicles at SAE Level 2 or higher, include indicators of driver drowsiness and takeover performance, and utilize controlled experimental designs. A comprehensive search across three databases (Web of Science, PubMed, and Scopus) yielded 182 articles, which were narrowed down to 29 after applying strict inclusion and exclusion criteria, including the removal of duplicates and irrelevant studies.
The quality of the included studies was assessed using the Physiotherapy Evidence Database (PEDro) Scale, resulting in a high inter-rater reliability (Pearson correlation coefficient of 0.957). Most studies focused on SAE Level 3 automation, with a significant reliance on simulation rather than real-world driving scenarios. The review also highlights the design of takeover requests, which predominantly employed visual and auditory cues with short lead times, and discusses various takeover scenarios that necessitate driver intervention, such as sudden braking or road emergencies. The methods for measuring driver drowsiness were categorized into subjective and objective measures, with the Karolinska Sleepiness Scale being the most frequently utilized tool for self-assessment.
Limitations
The updated systematic literature review examines the effects of drowsiness induced by automated driving on takeover performance, addressing limitations identified in prior research (Merlhiot & Bueno, 2022). While the inclusion of new quality-related metrics and considerations of sleep-related issues enhances the assessment of takeover performance, significant challenges remain. Notably, the lack of standardization in measures of takeover performance and inadequate protocols for managing takeover requests based on varying levels of drowsiness continue to hinder the robustness of findings.
Additionally, several studies included in the review exhibit methodological limitations that may restrict their applicability and generalizability. These persistent issues underscore the need for further research to establish standardized protocols and improve the reliability of conclusions drawn from studies on drowsiness and automated driving.