杨柳，杨莹，宋允洲，张宇
(1.武汉理工大学，交通与物流工程学院，武汉 430063；
2.同济大学，铁道与城市轨道交通研究院，上海 201804)
在日常驾驶过程中，大量的刺激可以被视为不需要或和预想不一致的，例如，交通拥堵、时间压力、恶劣天气及突发状况等。这些刺激将增加驾驶人的精神工作量，形成压力源，引发驾驶人产生压力感与压力反应。适度的压力可以诱发积极的情感，提升驾驶人对驾驶任务的专注度，提升驾驶绩效。但是，过低的压力容易导致驾驶人在驾驶过程中无聊和嗜睡，导致注意力不集中。同时，过度的压力会使驾驶人血压和心率上升，引起消极负面情绪(例如，紧张和愤怒)，导致身体不良反应增多，影响驾驶人的注意力、判断力和决策力，不仅降低驾驶绩效，还会对道路交通安全产生危害[1]。相关研究指出，驾驶压力是导致车辆碰撞事故的重要因素，能使车辆碰撞事故发生的概率增加近10倍，澳大利亚交通事故报告显示，感到压力是造成重大车祸的因素之一[2]。因此，掌握驾驶压力水平演化规律将帮助驾驶人合理应对压力，提升驾驶行为表现，提升道路运行效率与交通安全水平。
车辆驾驶是一项复杂的任务，驾驶人所接收到的来自内外部的各影响因素形成压力源，导致驾驶压力的产生。因此，系统性总结驾驶压力影响因素尤为重要。但现有研究对于驾驶压力影响因素与驾驶压力间的相互关系尚未探索完全，例如，驾驶人性格、车辆及道路环境等与驾驶压力间的影响机理，多因素叠加下如何影响驾驶压力等问题，尚缺乏全面具体的综合性研究分析。此外，驾驶压力与驾驶人绩效水平以及道路交通安全息息相关。同时，随着自动驾驶技术、人机交互及高级辅助驾驶系统等新技术的发展，针对驾驶压力的实时监测技术在智能驾驶、无人驾驶以及智能可穿戴设备等领域有着广阔的应用前景。但现有压力识别方法，例如，主观测评量表，虽简便却具有一定主观性；
驾驶行为数据的采集虽具有非侵入性的优点，但易受环境和车辆等多种因素的干扰；
生理数据与驾驶人身心状态直接关联，却难以获取且易存在伪迹。因此，除需要系统性总结驾驶压力的影响因素外，还需要综述其识别方法，为提高驾驶压力识别的有效性和准确性指明方向。
为了解驾驶压力领域当前的研究热点和趋势，本文采用文献计量学方法，检索WOS(Web of Science)核心合集数据库近20 年的驾驶压力研究领域的文献，并借助CiteSpace 软件进行可视化分析，如图1和图2所示。
图1 关键词共现知识图谱Fig.1 Keywords clustering knowledge graph
图2 关键词突现知识图谱Fig.2 Keywords emergent knowledge graph
通过图1关键词共现知识图谱可知，包括驾驶人人格、表现、疲劳、道路及时间等在内的驾驶人内外部因素的研究，与驾驶压力的影响相关。同时，图1 中心率变异性、心率及压力识别等高频关键词，以及图2 关键词突现知识图谱中，突现强度较高的心率、皮肤电活动及生理信号等关键词表明，利用心率和皮肤电反应等生理信号识别驾驶压力为当前的研究热点及趋势。基于以上可视化分析结果，本文将归纳汇总驾驶压力影响因素以及驾驶压力识别方法相关的研究成果，并在此基础上展望驾驶压力未来研究趋势。
驾驶人作为道路交通环境的主体，影响其驾驶压力的因素来自于内外部多个方面，本文主要将驾驶压力影响因素分为驾驶人自身因素、车辆外部环境因素和内部环境因素这3方面，如图3所示。
图3 驾驶压力影响因素Fig.3 Influencing factors of driver stress
1.1 驾驶人自身因素
驾驶人是驾驶行为的主体，驾驶人自身情况能够直接影响驾驶压力。研究表明，驾驶人的人格特征、心理因素、生理因素以及人口统计特征等均会对驾驶压力造成影响。QU 等[3]在对驾驶压力问卷的验证中发现，女性驾驶人在驾驶过程中更易感到压力和疲劳。HILL等[4]的研究指出，老年驾驶人的压力水平依赖于周围环境，通常情况下，报告的压力水平高于年轻驾驶人。此外，人格特征中的神经质、精神质和外倾性等因素[5]，以及驾驶人的睡眠、疲劳和驾驶恐惧、不耐烦情绪等生理和心理因素也与驾驶压力密切相关[6-7]。USECHE等[8]对快速公交驾驶人的研究表明，疲劳在与压力相关的工作条件和危险驾驶行为之间具有中介效应。驾驶人所感受到的驾驶压力也会被具有自身特征的驾驶经验与驾驶行为习惯所影响[9]。若驾驶人曾经历过绩效失败，例如，撞车等历史事件，会使驾驶人在驾驶时承受较大的压力[4]，甚至可能产生驾驶焦虑和创伤后应激障碍。
1.2 车辆外部环境因素
1.2.1 天气因素
为了判断能见度对驾驶压力的影响，RIMINIDOERING 等[10]模拟低能见度的驾驶环境，以诱发疲劳和压力。研究结果表明，低能见度(例如，夜间驾驶)可以被视为影响驾驶人压力水平的因素之一。朱兴林等[11]研究发现，高原公路不同天气状况对驾驶人的工作负荷有显著的影响，驾驶人工作负荷因天气条件的恶劣程度和海拔高度的增加而增加。
1.2.2 道路条件
道路线形和道路设施等道路条件会对驾驶压力产生影响。研究表明，驾驶压力与道路的复杂程度存在正相关性[12]，道路越复杂，驾驶压力程度越高。穿过隧道和在高速公路上变道等行为对驾驶人的车辆操作需求较为强烈，会诱发驾驶人产生较高的驾驶压力[13-14]。驾驶压力与车辆行驶区域道路的复杂程度[12]存在正相关性。此外，研究发现，高速公路隧道纵坡的坡度对驾驶人的心率变化率有相当大的影响，能够造成驾驶压力[15-16]。
1.2.3 交通环境
交通拥堵现象能使驾驶人的时间流动感知变慢，感到困倦和驾驶压力增加，道路越拥挤，驾驶人感知到的驾驶压力水平越高[17]。在驾驶过程中，驾驶人可能会受到交通系统中其他个体的影响，出现不可预见的紧急情况。例如，在驾驶过程中，侧方车辆突然变道切入所驾驶车辆的前方，需要驾驶人紧急制动，这样的突发状况可能间接增加驾驶人的身心压力[18]。此外，车辆行驶区域发生的交通事故数量越多，驾驶人受到的压力越大[19]。李显生等[20]定义了6种不同的交通冲突类型，并通过模拟驾驶实验验证了不同类型的冲突场景会对驾驶人产生不同的影响。
1.2.4 社会环境
在社会背景方面，社会歧视与驾驶压力呈正相关态势，受歧视水平更高的驾驶人在驾驶过程中感受到更多压力，且更容易产生焦虑和慢性疼痛等病症[21]。公交司机作为职业驾驶人，因遭受职业压力而影响驾驶行为，甚至影响其身心健康[22]。社会环境中，工作压力和时间压力也与驾驶压力相关。多任务处理和显示不确定性等工作量因素与驾驶压力密切相关[23]。时间紧迫而超速是造成交通事故的主要原因。研究表明，人们会通过增加生理活动或调整任务策略缓解任务需求，以应对时间压力[24]，并且时间压力会导致驾驶人在驾驶过程中表现出较高的侵略性，给交通安全带来隐患[25]。此外，COVID-19 大流行的社会环境与驾驶人在道路行驶过程中感受到的压力存在相关性，且COVID-19 大流行加剧了现有的压力源并引入了新的压力源[26]。
1.3 车辆内部环境因素
1.3.1 新技术使用
随着科技的发展，越来越多的高新技术被应用到汽车当中，这些新兴技术在某些情况下也会对驾驶压力产生影响。研究表明，导航和警示危险的行为[27]、导航系统的指示[28]及运行不当的自动驾驶系统[29]等均有可能在某些情况下增加驾驶压力。ARAKAWA等[30]借助脑电、眼动及血压等生理数据研究驾驶人的心理生理特征，研究结果表明，自动驾驶下的精神负荷较小，认知水平较低，眼动数据显示驾驶人在系统故障需要切换手动驾驶时会发生“精神分散”，且依赖自动驾驶系统的驾驶人此时会承受较大的压力。
1.3.2 车辆性能
近年来，随着科技水平的提高和绿色发展的要求，电动汽车和自动驾驶汽车等新型交通工具应运而生。KIM等[31]分析了受试者的脑电图、生理数据以及车辆运行数据(例如，充电状态，高度和速度)，发现电动汽车可能存在更高的驾驶挑战性，并会导致更高的驾驶压力。RAUH 等[32]和FRANKE 等[33]研究电动汽车的可行驶范围限制对驾驶压力的影响，结果表明，驾驶电动汽车时，预期行程与可行驶范围冲突会增加驾驶压力。此外，里程压力在性别上表现出一定差异，女性驾驶人对于里程压力更为敏感[30]。
1.3.3 车内干扰
在车辆运行过程中，乘客与驾驶人的互动交流会对驾驶人的状态产生干扰，使驾驶人分心，产生驾驶压力[34]。WIESENTHAL 等[35]通过检验过的调查问卷研究发现，聆听自选音乐能够在拥堵路况下舒缓驾驶人的压力。潘福全等[36]基于Logitech仿真驾驶器研究手机通话对驾驶人的影响，研究结果表明，驾驶人使用微信语音通话时，心率和呼吸速率指标的变化程度最大，紧张感最强烈。
相关研究的实验规模、样本数据来源、数据类别及数据分析方法等内容，如表1所示。
表1 驾驶压力影响因素相关研究内容汇总Table 1 Summary of related research on influencing factors of driver stress
根据选取的压力指标数据来源，驾驶压力识别方法主要可分为基于主观测评量表、驾驶行为、生理数据以及多模态数据融合的压力识别方法。
2.1 基于主观测评量表的识别
基于主观测评量表的压力识别指通过驾驶人对压力水平的主观评价、驾驶人压力量表(DSI)、压力唤醒清单(SACL)、邓迪压力状态量表(DSSQ)及跨驾驶员压力量表(TDS-15)等测量被试者直接感受到的情感体验。MATTHEWS等[37]所设计的驾驶人压力量表(DSI)由刺激寻求、攻击性、不喜驾驶、危险监控和疲劳倾向这5个因素组成，主要测试驾驶人对身心压力的认知、情感和行为反应。MACKAY等[38]研究的压力唤醒清单(SACL)最初是一种情绪形容词清单，包括17 个压力项和13 个唤醒项，通过询问驾驶人的感觉检查压力感。MATTHEWS 等[39]设计的邓迪压力状态量表(DSSQ)主要用于分析不同性能环境中普遍存在的各种压力源对驾驶人的影响和分析影响的个体差异性，通过动机、认知和情感领域这3 个方面测量主观状态，扩展情绪评估。不同量表的目的和侧重点有所不同，单个实验中，可以将不同的量表相结合用于特定的研究目的。例如，FUNKE 等[40]将DSSQ 中的驾驶压力部分与NASA 任务负荷指数(NASA-TLX)相结合，采用6 个10 分的评分标准对精神，身体和时间需求的程度，与任务相关的绩效，努力和挫败感进行自我评估报告。
主观测评量表具有简单便捷和成本低的优点。然而，基于主观测评量表的压力识别往往缺乏客观性，且通常需要设定一组特定目的的问题和选项。因此，主观评估通常被作为压力标签使用[41]。此外，主观压力评估表通常在实验过程中或实验后进行评估。实验过程中，驾驶人通常以口头形式回答问卷问题，这会导致驾驶人分心，存在一定安全隐患；
而实验后评估会因驾驶人出现难以回忆起驾驶过程中出现的压力事件情况，而影响结果准确性。
2.2 基于驾驶行为的识别
基于驾驶行为的压力识别主要指通过对方向盘运动、驾驶速度、车辆轨迹和车辆距障碍物之间的距离等驾驶行为相关数据识别驾驶压力。SCHIßL等[42]通过对方向盘运动情况和车辆速度的监测，辨别有压力和无压力的驾驶事件。LEE等[43]开发了一个压力预测驾驶辅助系统，使用方向盘运动，即测量操纵方向盘的驾驶人手部运动。智能车辆系统，例如ViewCar，GYS等[44]可以监视真实车辆中方向盘的转向模式，并识别车道和加速模式，记录并分析收集到的数据，以监视和测量驾驶人的压力唤醒状态。BORIL 等[45]通过车辆方向盘运动情况及车速判断驾驶人在接打电话等分心状态下的压力状况。LU等[46]将车辆速度和加速度等驾驶行为数据与驾驶环境数据相结合，采用XGBoost算法识别低、中及高这3 种等级的驾驶压力水平。MAGANA 等[47]考虑先前的驾驶行为数据，基于休息驾驶、疲劳驾驶、交通拥堵和能见度这4种情况，利用深层信念网络预测驾驶压力。
驾驶行为数据采集过程是非侵入性的，不会对正在驾驶的驾驶人产生干扰，现有研究通常将驾驶行为数据与生理数据等其他数据结合使用[48]。驾驶模拟器具有易于控制实验条件[49]和便于设置实验场景[50]的优点，被广泛使用于采集驾驶行为数据。但是，相比于真实驾驶环境，驾驶模拟器的模拟能力有限，驾驶人所感受到的压力小于真实驾驶环境[51]，从而影响压力的识别研究。
2.3 基于生理数据的识别
相比上述两种方法，基于生理数据的压力识别应用更为广泛。该方法主要借助相关生理数据采集设备，采集驾驶人压力状态变化时的生理数据，主要包括：脑电(Electroencephalogram,EEG)、心电(Electrocardiogram, ECG)、肌电(Electromyogram,EMG)、皮电(皮肤电导或皮肤电反应(Galvanic Skin Response, GSR))、呼 吸 频 率(Breathing Frequency,BR)及心率变异性(Heart Rate Variability,HRV)等[52-59]。
在上述生理数据中，心电与皮电信号被认为是与驾驶压力最为相关的生理数据[60-61]。心电信号，例如，心率和心率变异性能够反映心脏自主神经系统的状态，直接反映心脏活动，其时域及频域指标常用于测量瞬时驾驶人压力反应和衡量驾驶压力等级。SLOAN 等[62]证明压力与频域指标中LF/HF的比值显著相关。MUNOZ等[63]提取心率变异性的LF/HF比值与RMSSD，识别三分类驾驶压力等级，准确率达97.5%。皮电信号也是检测驾驶人压力常用的生理数据，当驾驶人处于压力状态时，其皮肤电导随之增加[61]。除心电与皮电信号外，脑电、呼吸及肌电等信号也被用于驾驶压力的识别。压力会显著影响大脑的认知功能，脑电信号的不对称、α、β、θ和γ频带的功率[64]等特征被用于压力识别。将脑电应用于驾驶行为领域有助于提高驾驶人的认知水平[65]。但微弱的脑电信号在采集过程中极易受到其他噪声信号的干扰，需要经过滤波和去除伪迹等一系列复杂的处理过程，信息提取上有较高的难度。呼吸信号能够反映驾驶人的压力以及情绪状态，其统计特征与压力水平之间具有明显的相关性。肌电信号的平均值、均方根及过零率等统计特征能够用于检测压力水平，其中，过零率的相关性最强。为了减少对驾驶人的影响，通常采用表面肌电作为试验数据，其中位频率能更好地反应交通中驾驶人的肌肉紧张情况。部分基于生理数据的驾驶压力识别相关研究情况如表2所示。
表2 基于生理数据的驾驶压力识别研究汇总Table 2 Summary of studies on driver stress recognition based on physiological signals
将基于生理数据的驾驶压力识别方法与以上两种方法比较分析发现，生理数据能直接反应驾驶人的身心状态。并且，基于生理数据的压力状态识别不仅能够连续实时监测驾驶人的生理变化情况，对驾驶压力水平分类的精度也更高，对驾驶人的主观影响较小，这是其他两种识别方法不具备的。因此，基于生理数据识别驾驶人压力状态更具优势，应用更为广泛。
2.4 基于多模态数据融合的识别
现有研究表明，单模态数据不足以全面反应驾驶人的身心状态，识别准确率较低，多模态数据的使用可以显著改善驾驶压力的识别精度和准确性。多模态数据融合利用算法整合多源数据，充分利用其互补信息，从整体角度进行分析和综合判断决策。多模态数据主要可从数据层、特征层和决策层进行融合[68]。RIGAS 等[60]借助贝叶斯网络建立基于心电信号、皮肤电信号和呼吸数据的压力事件识别方法，该方法实时识别压力事件的精度达82%。SOMAN等[66]从驾驶人的心电以及肌电信号中提取与驾驶压力直接相关的特征，并使用支持向量机算法区分压力水平的高低，该模型灵敏度、准确率及特异性均达到97%以上，效果优于K近邻算法。RASTGOO等[2]提出一种基于卷积神经网络和长短期记忆的多模式融合模型，以融合心电数据、车辆数据和驾驶环境数据，结果显示，该模型对压力水平的分类精度为95%，显著提升了驾驶人压力识别的性能。
相较于数据层和决策层融合，多源数据融合中的特征层融合的研究较多，但特征层融合会造成特征冗余和维度灾难，需要进行特征选择及降维步骤。针对多源数据维度高和运算效率低的问题，叶朋飞等[67]提出一种基于多种过滤式算法与禁忌搜索算法相结合的混合算法。张傲等[69]则以多种群遗传算法为核心提取多源生理数据特征。HAOUIJ等[70]通过小波分析提取皮肤电、肌电、呼吸和心率生理变量的特征，借助随机森林递归特征消除法进行特征选择。上述算法均能有效消除数据冗余，并提升驾驶压力分类的准确率。
3.1 驾驶压力主要影响因素研究
(1)重视社会环境的影响
影响驾驶人驾驶压力的环境因素中，除车辆、道路与交通环境等常见的驾驶压力影响因素外，工作压力、时间压力以及疫情影响在内的社会环境影响因素也十分重要。然而，现有研究集中于开展驾驶模拟实验或实车实验，以量化车辆和道路等微观环境对驾驶压力造成的影响，针对社会环境影响因素的考虑较少，且局限于采用问卷或量表手段。因此，重视社会环境对驾驶压力的影响，建立描述社会环境对于驾驶压力影响的综合框架系统对预防和减轻驾驶压力有重要意义。
(2)关注职业驾驶人压力
相较于非职业驾驶人，卡车司机、公交司机及出租车司机等职业驾驶人由于长期暴露于环境压力源及不利工作条件下，更易引发驾驶压力，从而影响身心健康并为交通安全带来隐患。因此，关注职业驾驶人的驾驶压力问题，并采取相应干预措施以减缓压力至关重要。目前，针对压力舒缓的策略主要有驾驶辅助系统、通知警报和环境舒缓[1]。但需要考虑的是，在驾驶辅助系统还不够成熟完善的当下，司机是否足够信任该系统？突如其来的警报是否会增加压力？音乐和座椅舒缓等环境舒缓策略是否适用于职业驾驶人的工作环境？此外，除了从个人层面开展压力舒缓策略，还应从管理层面着手。例如，建立相应的压力管理政策和干预措施，开展相关职业培训，以改善其压力应对策略，并实施职业健康监测，以保证驾驶安全。
(3)聚焦新技术应用的影响
自动驾驶和驾驶辅助系统等新技术应用的目的在于减少驾驶人的工作量，进而减少驾驶压力，提升驾驶人整体行为表现。然而，使用这些新技术可能造成的压力及对驾驶人的影响未被充分考虑。研究表明，电动车对环境友好，但存在里程范围焦虑问题，导致范围压力，影响驾驶安全；
自动驾驶或驾驶辅助系统出现故障时，驾驶压力会显著增加。此外，除了自动驾驶对驾驶人压力的影响外，还要考虑在自动驾驶车辆并未完全应用背景下，自动驾驶与手动驾驶车辆混行时，自动驾驶车辆对手动驾驶车辆的驾驶人压力的影响。因此，将驾驶压力因素纳入新技术应用的考虑范围之内，对智能驾驶系统的开发及交通安全至关重要。
3.2 驾驶压力识别方法研究
(1)优化数据采集方案
现有驾驶压力识别研究主要在驾驶模拟器中开展实验，在驾驶模拟器中设计压力源场景诱导压力，其实验条件可控且安全。但模拟驾驶所设置压力源场景考虑因素有限，驾驶人所感受到的压力不如真实驾驶环境真实。当前所公认的公开数据集为HEALEY 等[61]分别在波士顿的城市道路和高速公路采集的一系列生理数据。因此，由于真实驾驶环境下采集的自然数据更具有说服力，未来研究趋向于在真实驾驶环境下开展驾驶压力实验，但面临着包括安全影响和实验条件不可控等在内的诸多挑战。
生理数据由于其直接与驾驶人的身心状态相关联，被现有研究所广泛使用。并且，由于融合多模态数据识别驾驶压力的研究趋势，实验过程中需要采集多种生理数据。现有研究通过侵入式传感器设备采集数据，不仅昂贵且干扰驾驶，还存在运动伪影影响数据质量，难以满足实时监测需求。当前，例如，心率手环，固定于车辆方向盘、座椅、安全带的简易传感器以及视频采集方式等可穿戴设备，非侵入式或非接触式采集设备为研究重点。但是，安装于车辆方向盘上的传感器要求驾驶人始终接触，而通过非接触式视频采集方法易受到实验光照及气候的影响，进而影响数据质量。因此，如何优化数据采集方案，在保证数据质量的同时又不干扰驾驶是未来的研究重点。
此外，现有研究多采用机器学习方法识别驾驶压力，因此，在优化数据采集方案的同时还需关注数据标签问题。实验过程中或实验后的问卷或量表往往被用作数据的标签，但是，实验过程中，问卷询问会干扰驾驶人，而实验后问询由于时间滞后驾驶人记忆能力有限而不具有准确性。同时，该种数据标签还存在一定主观性。由于心率被认为与驾驶压力高度相关，已有研究采用心率作为客观标签识别驾驶压力，未来研究应该关注如何采用客观标签或采用主客观标签结合的方法，以提高识别的准确性。
(2)深入研究多模态融合识别
驾驶压力识别研究中，由于单一模态数据不够全面，驾驶行为数据、生理数据及上下文数据等多模态数据融合识别成为当前研究趋势。除多模态数据采集问题外，多模态数据如何融合的问题也存在许多挑战。目前，多模态数据融合层级中的特征层融合为当前主要研究内容。但是，多模态数据之间的非线性相关关系[71]，为特征层级的多模态融合带来了一定的挑战。为达到实时连续检测驾驶压力的目的，首先，需要解决数据同步问题；
其次，是不同模态数据的滑动窗口大小选择问题；
最后，是多模态数据所带来的特征冗余问题。现有特征层融合通过一系列特征选择降维步骤解决特征冗余问题，未来可考虑如何采用数据层及决策层融合方法，以提高驾驶压力识别精度。
本文分析总结了驾驶压力主要影响因素及驾驶压力识别方法。首先，分别从驾驶人自身因素、车辆外部环境因素和车辆内部环境因素这3 个方面归纳总结驾驶压力的主要影响因素，发现：①驾驶环境因素是驾驶压力的主要诱因；
②非职业驾驶人更易受到车辆外部环境的影响，且个体之间差异性较大；
③职业驾驶人由于需要与乘客进行沟通交流以及长时间短间歇驾驶等原因，易产生疲劳和厌倦等负面状态，进而导致驾驶压力增加；
④自动驾驶和辅助驾驶系统等新技术的应用在减少驾驶人工作量并降低压力的同时，也会由于信任及技术不完善等问题带来压力。
其次，从驾驶压力识别方法中总结得出：①基于生理数据的识别在精确度、连续性及实时性上具有优势，且受驾驶人主观表现影响较小，对驾驶压力识别的精确度较高，已经逐渐成为主流的驾驶压力识别方法；
②单模态数据识别驾驶压力具有一定局限性，融合多模态数据可显著提高识别驾驶压力的准确率。
后续在驾驶压力研究中，主要有以下发展趋势：①重视社会环境对驾驶压力的影响；
②职业驾驶人相较普通驾驶人更易处于压力环境中，需提高实时检测驾驶压力的能力，并采取适当压力舒缓策略，以缓解驾驶疲劳与厌倦感；
③将驾驶压力纳入新技术应用所考虑问题范围之内，同时，开发驾驶监测与警报系统，以改善驾驶人的整体表现；
④当前研究主要集中于某单一因素产生的驾驶压力与部分生理指标之间的相关性，后续研究可展开多因素叠加影响下的驾驶压力研究，有助于实际驾驶状态下的驾驶压力监测，且能提升相关研究结果的准确性；
⑤开展基于真实环境下的驾驶实验，采集具有客观性、非侵入性和易用性的自然数据，并获取主客观结合的数据标签；
⑥多模态数据融合采用特征层融合方法存在数据同步、滑动窗口选择和特征冗余等问题，未来可考虑如何采用数据层及决策层融合方法，以提高驾驶压力识别精度；
⑦现有研究主要集中于利用多种传感器检测压力上，进一步地，应该进行量化或建模，以探究驾驶压力对驾驶决策的影响。