Detektion der Reaktionsbereitschaft beim
hochautomatisierten Fahren
vorgelegt von
M. Sc.
Jürgen Schmidt
geb. in Mediasch
von der Fakultät V - Verkehrs- und Maschinensysteme
der Technischen Universität Berlin
zur Erlangung des akademischen Grades
Doktor der Ingenieurwissenschaften
- Dr.-Ing. -
genehmigte Dissertation
Promotionsausschuss:
Vorsitzender: Prof. Dr. Henning Jürgen Meyer
Erster Gutachter: Prof. Dr. Matthias Rötting
Zweiter Gutachter: Prof. Dr. Klaus Bengler
Tag der wissenschaftlichen Aussprache: 03.07.2018
Berlin 2018
Danksagung
Mein besonderer Dank für die Fertigstellung meiner Dissertation gilt meinem Doktorva-
ter Prof. Dr. Matthias Rötting. Durch seine kontinuierliche Unterstützung, Anregungen
und Nachfragen gab er mir den nötigen Rückhalt für die wissenschaftliche Ausarbeitung.
Prof. Dr. Bengler danke ich für die fachlichen Anregungen zur Erstellung dieser Arbeit
und die Unterstützung im Prüfungskomitee als Gutachter. Prof. Dr. Henning Jürgen
Meyer möchte ich meinen Dank für die Übernahme des Prüfungsvorsitzes aussprechen.
Da diese Arbeit im Rahmen einer Promotion bei der Daimler AG entstanden ist, gilt
ein nicht minder großer Dank allen Kollegen und Kolleginnen, die diese Arbeit begleitet
und unterstützt haben. Im Besonderen möchte ich meinen fachlichen Betreuer im Kon-
zern, Dr. Wolfgang Stolzmann hervorheben, der mit seinem umfangreichen fachlichen
und menschlichen Erfahrungsschatz den Inhalt und meinen Weg vor und während der
Erstellung dieser Arbeit geprägt hat. Speziell die vielen Diskussionen, das Hinterfragen
von Bestehendem, aber auch das pragmatische Handeln in manchen Phasen halfen un-
gemein. Ein besonderer Dank gilt auch Dr. Katja Karrer-Gauß während und nach ihrer
Zeit am Fachgebiet Mensch-Maschine-Systeme der TU Berlin, die meine Fragestellungen
und Auswertungen aus einem anderen Blickwinkel beleuchten konnte und so einen wert-
vollen Beitrag für das finale Ergebnis lieferte. Im Speziellen möchte ich mich bei meinen
ehemaligen Studenten, Mohamed Hedi Baccour, Mathis Berroth, Mariella Dreißig, Ri-
hab Laarousi und Sabrina Pohl für die erstklassige Zusammenarbeit, den gemeinsamen
Austausch und das voranbringen einzelner Aspekte dieser Arbeit danken.
Für die fortwährende Unterstützung und den Glauben an mich und das Ergebnis, möch-
te ich auch meiner Familie und allen Freunden herzlich danken. Speziell bei euch beiden,
Horst und Doris, möchte ich mich dafür bedanken, dass ihr mir den Rücken über die
gesamte Zeit gestärkt und freigehalten habt.
Vielen Dank!
II
Kurzfassung
Während des hochautomatisierten Fahrens ändert sich die Aufgabe des Fahrers. Dieser
muss lediglich reaktionsbereit sein und die Fahraufgabe nach einer Aufforderung durch
das System innerhalb einer Übergabezeit sicher übernehmen können. Zur Untersuchung
der erforderlichen Reaktionsbereitschaft für diese Übernahme in langen, monotonen und
hochautomatisierten Fahrten wurde das Verhalten der Fahrer in drei Fahrsimulatorstu-
dien untersucht. Aus der ersten Studie wurden die Aufzeichnungen von 14 Probanden
(Fahrtdauer 2:25 ± 0:34 h, manuelle Fahrt), der zweiten von 41 Probanden (Fahrtdauer
2:41 ± 0:23 h, hochautomatisierte Fahrt) und der dritten von 20 Probanden (Fahrtdauer
2:51± 0:17 h, hochautomatisierte Fahrt) ausgewertet. Mit unterschiedlichen Zeitinterval-
len von Reaktionsabfragen während der hochautomatisierten Fahrten wurde der Einfluss
der Abfragen und deren Intervall zur Überwachung der Reaktionsbereitschaft getestet.
Dies wurde speziell in Phasen sehr hoher Fahrermüdigkeit bis hin zur Fahruntüchtig-
keit gemacht. Zusätzlich mussten die Probanden das Fahrzeug in mehreren Situationen
während der hochautomatisierten Fahrten übernehmen. Speziell die letzte Übernahme
in den Fahrten war gekoppelt an die Ausführungen der Reaktionsabfragen, um die Pro-
banden im schlechtesten Zustand hinsichtlich ihrer Reaktionsbereitschaft und Müdigkeit
in einer anspruchsvollen Situation zu testen. Die Auswertungen der Fahrparameter aus
den Situationen zeigten, dass die Probanden trotz des hohen Müdigkeitslevels auch bei
hohem Anspruch sicher und adaptiv reagierten. Der Anstieg der Müdigkeit während der
hochautomatisierten Fahrten war vergleichbar mit dem Müdigkeitsanstieg bei den ma-
nuellen Fahrten und zeigte, dass die Automatisierung diesen nicht positiv beeinflusst.
Das Lidschlagverhalten und die Kopfbewegungen der Fahrer bei manuellen und hoch-
automatisierten Fahrten waren signifikant unterschiedlich. Bei einem Vergleich von Lid-
schlagdetektionen mit Kamera- und elektrookulogrammbasierten Detektionsverfahren
ergaben sich unterschiedliche Erkennungsraten aufgrund des geänderten Fahrerverhal-
tens in den zwei Fahrmodi. Ein eingesetzter Algorithmus basierend auf dem Lidschlag-
und Kopfbewegungsverhalten der Fahrer zeigte zudem, wie die Reaktionsfähigkeit wäh-
rend hochautomatisierter Fahrphasen überprüft werden könnte.
Schlüsselwörter: Hochautomatisiertes Fahren, Müdigkeit, Übernahmen, Reaktionsfä-
higkeit, Reaktionsabfragen, Lidschlagdetektion
III
Abstract
The task of the driver is changing with conditionally automated driving. He or she only
has to stay alert and take over the control of driving safely in a set hand-over time if
requested by the system. Three simulator studies were conducted to analyse the be-
havior of drivers in respect to the necessary reaction ability for a take-over in long,
monotonous, conditionally automated drives. From study one there were evaluated 14
drives (duration 2:25 ± 0:34 h, manual driving), from study two 41 drives (duration
2:41 ± 0:23 h, conditionally automated driving), and from study three 20 drives (du-
ration 2:51 ± 0:17 h, conditionally automated driving). In the conditionally automated
drivings different time intervals between alertness requests were tested. The goal was to
investigate their influence as test of the drivers’ reaction ability, especially in phases with
a high drowsiness state. Additionally the drivers had to take back the control of driving
from the automated system in several situations. Especially the last of these take-over
requests was designed to be challenging. Therefore it was connected to missing responses
of the alertness requests in order to test the drivers in their worst-case state regarding
drowsiness. The analysis of the driving parameters in the situations showed that the
drivers reacted safely and adaptively to all take-over requests. They even performed well
facing high drowsiness and a challenging road situation. The rise of the drowsiness level
during the conditionally automated phases was similar to the rise in the manual drivings
and shows that the automation does not prevent drowsiness. The analysis of lid closures
and head movements showed further significant differences between the drivers’ behavior
in conditionally automated driving and manual driving. In a comparison between sever-
al camera and electrooculography algorithms to detect lid closures, different detection
rates were found due to the driver behavior and driving mode. A presented algorithm
using the behavior of lid closures and head movement showed further how the reaction
ability can be assessed during conditionally automated driving.
Keywords: Conditionally automated driving, Drowsiness, Take-over, Reaction ability,
Alertness requests, Lid closure detection
IV
Abkürzungsverzeichnis
Abkürzung Beschreibung
]Blinken Anzahl der Probanden die links vor dem Spurwechsel blink-
ten.
∆Bremsen Minimale Zeitdifferenz zum Vorausfahrer bei der Bremssitua-
tion
]DHAF Anzahl der Probanden aus, die das hochautomatisierte Fahren
durch ihre Übernahme vor Ende der Übergabezeit deaktivier-
ten
∆Kiste Minimale Distanz zur Kiste
]Kurve Anzahl der Probanden, die von der Spur abkamen
∆Panne Minimale Distanz zu dem Pannenfahrzeugen
∆tende Kiste Zeitdifferenz zur Kiste bei Abschluss des Spurwechsels
∆ts Zeitspanne zwischen letzter Reaktionsabfrage und Beginn der
Situation
∆tstart Kiste Zeitdifferenz zur Kiste bei Initiierung des Spurwechsels
∆Unfall Minimale Distanz zu den Unfallfahrzeugen
B1 Anschaltbedingung für das hochautomatisierte System in Stu-
die 2 und 3
B2 Anschaltbedingung für das hochautomatisierte System in Stu-
die 2 und 3
B3 Anschaltbedingung für das hochautomatisierte System in Stu-
die 2
B3b Anschaltbedingung für das hochautomatisierte System in Stu-
die 3
B4 bis B6 Anschaltbedingung für das hochautomatisierte System in Stu-
die 2 und 3
BASt Bundesanstalt für Straßenwesen
bspw. Beispielsweise
bzw. Beziehungsweise
D1 Abbruchbedingung für das hochautomatisierte System in Stu-
die 2
D2 bis D4 Abbruchbedingung für das hochautomatisierte System in Stu-
die 2 und 3
DARPA Defense Advanced Research Projects Agency
DIN Deutsches Institut für Normung
ECT European Commission for Mobility and Transport
V
EEG Elektroenzephalografie
EKG Elektrokardiografie
EOG Elektrookulografie
FK Untergruppe der Probanden in Studie 2
FL Untergruppe der Probanden in Studie 2
FS Untergruppe der Probanden in Studie 1 und 2
GPS Global Positioning System
HAF Hochautomatisiertes Fahren
HAFS Hochautomatisiertes Fahrerassistenzsystem
HM Untergruppe der Probanden in Studie 2
HW Untergruppe der Probanden in Studie 2
ISO International Organization for Standardization
KSS Karolinska Sleepiness Scale
Maxq Maximale Querbeschleunigung nach der Übernahme
Maxv Maximale reale Geschwindigkeit zwischen der Übernahme
und dem Start der Situation
Maxa Maximale Bremsverzögerung nach der Übernahme
Minv Minimale reale Geschwindigkeit zwischen der Übernahme und
dem Start der Situation
MM Untergruppe der Probanden in Studie 1
MW Untergruppe der Probanden in Studie 1
n. Chr. Nach Christi Geburt
NHTSA National Highway Traffic Safety Administration
o.ä. Oder ähnliches
o.J. Ohne Jahresangabe
Perclos Percentage of Eye Closure
Pm Lidschlagparameter
Prometheus Programme for a European Traffic of Highest Efficiency and
Unprecedented Safety
SAE Society of Automotive Engineers
Sifa Sicherheitsfahrschaltung
SK Untergruppe der Probanden in Studie 2
SL Untergruppe der Probanden in Studie 2
SS Untergruppe der Probanden in Studie 1 und 2
StVO Straßenverkehrs-Ordnung
v.a. Vor allem
v.Chr. Vor Christi Geburt
VDE Verband der Elektrotechnik, Elektronik und Informations-
technik
z.B. Zum Beispiel
VI
Symbolverzeichnis
Symbol Beschreibung Einheit
r(t) Führungsgröße (Sollwert) -
d(t) Störung -
q(t) Störung -
n(t) Messrauschen -
y(t) Regelgröße (Istwert) -
u(t) Stellgröße -
e(t) Regelfehler -
w, wi Zeitliche Länge eines Zeitfensters zur Berechnung von Perclos s
pe Schwellwert bei der Berechnung von Perclos -
c Summe mehrerer Zeitfensters zur Berechnung von Perclos s
sw Schwellwert bei der Berechnung von Perclos -
TP Summe richtig-positiv erkannter Lidschläge -
FP Summe falsch-positiv erkannter Lidschläge -
FN Summe falsch-negativ erkannter Lidschläge -
TN Summe richtig-negativ erkannter Lidschläge -
TPR Detektionsrate/Sensitivität %
P Vorhersagewert %
FDR Falsch-Detektions-Rate %
FDRBR Lidschlagabhängige Falsch-Detektions-Rate %
FDRNBR Falsch-Detektions-Rate ohne Teil eines Lidschlags %
K Korrektklassifikationsrate %
fp Fenstergröße bei dem Verfahren von Appel, Santini und ms
Kasneci (2016)
Pw Perzentilwert bei dem Verfahren von Appel et al. (2016) -
SD Standardabweichung -
M Mittelwert -
F, p, T, t, z Statistische Abkürzungen und Symbole -
F1, α, η, τ , χ Statistische Abkürzungen und Symbole -
t1 bis t11 Zeitfenster in den Studien 1, 2 und 3 -
f1, f2 Signalfrequenzen Hz
R1 bis R4 Verschiedene Augenregionen -
Aa bis Af Verschiedene Klassifikationen der Lidbewegungen -
L1 Signal für die Lidschlagdetektion Pixel
L2 bis L5 Signale der Lidschlagdetektion -
VII
Q1 bis Q3 Quantile des Lidschlagalgorithmus von Sukno, Pavani, Buta- -
koff und Frangi (2009)
Aout, A80, A100 Schwellwerte des Lidschlagalgorithmus von Sukno et al. -
(2009)
GTa, GTb Ground-Truth-Daten der Lidschlagdetektion -
si, sj, si0, sj0 Position des Lids zu verschiedenen Zeitpunkten mm
vi, vj, vi0, vj0 Geschwindigkeiten des Lides zu verschiedenen Zeitpunkten mm/s
vimax, vjmax Geschwindigkeiten des Lides zu verschiedenen Zeitpunkten mm/s
ai, aj, ai0, aj0 Beschleunigungen des Lides zu verschiedenen Zeitpunkten mm/s2
aimax, ajmax Beschleunigungen des Lides zu verschiedenen Zeitpunkten mm/s2
ti, tj, t0, t−1, t1 Verschiedene Zeitpunkte s
timin, tjmin, tk, tl Verschiedene Zeitpunkte s
a1, a2, a3, a4, a5 Algorithmen zur Lidschlagdetektion -
a5b, a6, a7 Algorithmen zur Lidschlagdetektion -
P1, P2 Kriterien zum Lidschlaglabelling -
thouth, thoutl, tho Schwellwerte der eigenen Lidschlagdetektionsverfahren -
thu, thd, thm Schwellwerte der eigenen Lidschlagdetektionsverfahren -
thpeak Schwellwerte der eigenen Lidschlagdetektionsverfahren -
xi, xj, xk, xl, xm Lidspaltensignal zu den Zeitpunkten ti, tj, tk, tl und tm Pixel
Mi, Md, Mu, Mengen der detektierten Minima des eigenen Lidschlagalgo- -
rithmus
Mm, Mas Mengen der detektierten Minima des eigenen Lidschlagalgo- -
rithmus
mo Teilmenge von Mi -
Sd, Su, Sm, Sas Mengen von Lidabstandswerte des eigenen Lidschlagalgorith- -
mus
Ed, Eu, Em Mengen der Lidabstandswerte des eigenen Lidschlagalgorith- -
mus
Eas Menge der Lidabstandswerte des eigenen Lidschlagalgorith- -
mus
Md1, Md2, Teilmengen der Menge Md -
Sd1, Sd2 Teilmengen der Menge Sd -
Ed1, Ed2 Teilmengen der Menge Ed -
Ampq Amplitudenschwellwert mit Index q Pixel
muq, suq, euq Einzelwerte mit Index q der Mengen Mu, Su, Eu Pixel
Mmr, Mdr, Teilmengen der Mengen Mm, Md -
Mur Teilmenge der Menge Mu -
Sur, Smr Teilmengen der Mengen Sm, Su -
Eur, Emr Teilmengen der Mengen Em, Eu -
Wn, Wm, Wh Mengen der Maximawerte des eigenen Lidschlagdetektions- -
verfahrens
Gn, Gm, Gh Mengen der Maximawerte des eigenen Lidschlagdetektions- -
verfahrens
VIII
Fp Lidschlagfrequenz 1/min
Ts Schließzeit s
To Öffnungszeit s
Tp Lidschlagdauer s
As Schließamplitude mV
Ao Öffnungsamplitude mV
Ap Amplitude mV
Ep Energie Vs
Vs Maximale Lidschließgeschwindigkeit V/s
Vo Maximale Lidöffnungsgeschwindigkeit V/s
Vms Mittlere Lidschließgeschwindigkeit V/s
Vmo Mittlere Lidöffnungsgeschwindigkeit V/s
Tas Schließamplitude/maximale Lidschließgeschwindigkeit s
Tao Öffnungsamplitude/maximale Lidöffnungsgeschwindigkeit s
Pls Lidschlag- und signalabhängiges Perclos -
Pl Lidschlagabhängiges Perclos -
Sp EOG-basierte lange Lidschläge -
IX
Inhaltsverzeichnis
Kurzfassung III
Abstract IV
Abkürzungsverzeichnis V
Symbolverzeichnis VII
1. Einführung 1
1.1. Motivation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2. Ziele dieser Arbeit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3. Aufbau der Arbeit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2. Automatisierung der Fahrt des Kraftfahrzeugs 5
2.1. Entwicklung der Automatisierung . . . . . . . . . . . . . . . . . . . . . . 5
2.2. Entwicklung der Automatisierung in Kraftfahrzeugen . . . . . . . . . . . 7
2.3. Klassifizierung des automatisierten Fahrens . . . . . . . . . . . . . . . . . 8
3. Reaktionsfähigkeit des Fahrers 1 11
3.1. Allgemeine Definitionen . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
3.2. Generelle Einflüsse auf die Reaktionsfähigkeit im manuellen und assistier-
ten Fahren . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
3.3. Reaktionsfähigkeit im Kontext des automatisierten Fahrens . . . . . . . . 16
3.4. Modell und Studien zu den Einflüssen der Reaktionsfähigkeit beim hoch-
automatisierten Fahren . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
4. Fahrermüdigkeit und Systeme zur Fahrerbeobachtung 23
4.1. Die Müdigkeit des Menschen . . . . . . . . . . . . . . . . . . . . . . . . . 23
4.2. Einfluss der Müdigkeit auf die Reaktionsfähigkeit bei automatisierten Sys-
temen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
4.2.1. Studien zur Müdigkeit und dem automatisierten Fahren . . . . . . 25
4.2.2. Müdigkeit bei der Steuerung automatisierter Transportmittel . . . 29
4.3. Müdigkeitsdetektion des Menschen . . . . . . . . . . . . . . . . . . . . . 30
4.4. Subjektive Messverfahren der Müdigkeit . . . . . . . . . . . . . . . . . . 31
4.4.1. Verfahren zur Selbstbewertung des Müdigkeitszustandes . . . . . 31
4.4.2. Verfahren zur Fremdbewertung des Müdigkeitszustandes . . . . . 33
1Auszüge des Kapitels wurden in J. Schmidt, Dreißig, Stolzmann und Rötting (2017) veröffentlicht
X
4.5. Detektion der müdigkeitsbedingten Abnahme der Leistungsfähigkeit . . . 34
4.6. Physiologische Messverfahren zur Müdigkeitsdetektion . . . . . . . . . . . 36
4.7. Aktuelle Fahrerbeobachtungssysteme . . . . . . . . . . . . . . . . . . . . 39
4.7.1. Müdigkeits- und Aufmerksamkeitserkennung im Kraftfahrzeug . . 39
4.7.2. Aktuelle Beobachtungssysteme in anderen Verkehrsmitteln . . . . 41
4.7.3. Systemvoraussetzungen zur Fahrerbeobachtung für das hochauto-
matisierte Fahren . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
5. Lidbewegungen 2 45
5.1. Das Auge und seine Funktion . . . . . . . . . . . . . . . . . . . . . . . . 45
5.2. Grundlagen zu Lidbewegungen und Lidschlägen . . . . . . . . . . . . . . 46
5.3. Messtechnik zur Detektion der Lidbewegung . . . . . . . . . . . . . . . . 51
5.4. Zustandsparameter von Lidschlägen und Lidbewegungen . . . . . . . . . 53
5.5. Lidschlagdetektion und zugehörige Abhängigkeiten . . . . . . . . . . . . 56
5.5.1. Bewertungsgrundlage einer Lidschlagdetektion . . . . . . . . . . . 57
5.5.2. Bewertung der Detektionsleistung von Lidschlagalgorithmen . . . 60
5.5.3. Abhängigkeiten von der Aufnahme und dem Fahrerverhalten . . . 62
5.6. Studienergebnisse zum Lidschlagverhalten und zur Müdigkeitsdetektion
mit Lidschlagparametern . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
5.6.1. Lidschlagdetektionsverfahren mit EOG und Kameradaten . . . . . 65
5.6.2. Lidschlagverhalten und Müdigkeit . . . . . . . . . . . . . . . . . . 68
5.6.3. Klassifikation des Müdigkeitszustandes mit der Lidstellung . . . . 70
6. Methodischer Ansatz zur Untersuchung des Fahrerverhaltens 3 73
6.1. Gemeinsamkeiten von Studie 1 und 2 . . . . . . . . . . . . . . . . . . . . 74
6.2. Detailliertes Konzept der Studie 1 . . . . . . . . . . . . . . . . . . . . . 76
6.3. Detailliertes Konzept der Studie 2 . . . . . . . . . . . . . . . . . . . . . 80
7. Müdigkeitsentwicklung in Studie 1, 2 und hochautomatisiertes Fahrver-
halten 4 94
7.1. Müdigkeitsentwicklung in Studie 1 . . . . . . . . . . . . . . . . . . . . . 95
7.2. Müdigkeitsentwicklung in Studie 2 . . . . . . . . . . . . . . . . . . . . . 96
7.3. Reaktionsverhalten bei ä . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
7.4. Übernahmezeiten bei Fahrzeugübernahmen aus dem hochautomatisierten
Fahren . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
7.4.1. Übernahmezeiten in den fünf Testsituationen . . . . . . . . . . . . 101
7.4.2. Übernahmezeiten bei verpassten ä . . . . . . . . . . . . . . . . . . 104
2Auszüge des Kapitels wurden von J. Schmidt, Laarousi, Stolzmann und Karrer-Gauß (2017) veröf-
fentlicht
3Auszüge des Kapitels wurden und werden von J. Schmidt, Stolzmann und Karrer-Gauß (2016),
J. Schmidt, Laarousi et al. (2017) und J. Schmidt und Stolzmann (o. J.) veröffentlicht
4Auszüge des Kapitels wurden und werden von J. Schmidt, Stolzmann und Karrer-Gauß (2016),
J. Schmidt und Stolzmann (o. J.) und Schittenhelm und Schmidt (2018) veröffentlicht
XI
7.5. Fahrverhalten in den Testsituationen der Studie 2 . . . . . . . . . . . . . 105
7.5.1. Auswertung der wichtigsten Kenngrößen zur Fahrausführung . . . 105
7.5.2. Detaillierte Auswertung des Fahrverhaltens in der letzten Testsi-
tuation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
7.5.3. Vergleich der Unfall- und Kistensituation . . . . . . . . . . . . . . 108
7.6. Rückmeldungen der Probanden . . . . . . . . . . . . . . . . . . . . . . . 109
7.7. Diskussion der Ergebnisse . . . . . . . . . . . . . . . . . . . . . . . . . . 115
8. Lidschlagdetektion in Studie 1 und 2 5 123
8.1. Eigene Definition einer Lidbewegung als Lidschlag . . . . . . . . . . . . . 124
8.2. Lidschlagdetektion auf Basis von EOG-Aufnahmen . . . . . . . . . . . . 127
8.3. Bildverarbeitung der Videos des Head-mounted Eye Trackers . . . . . . . 129
8.4. Lidschlagdetektion mit Verfahren aus der Literatur . . . . . . . . . . . . 133
8.5. Test der Lidschlagdetektion mit den Verfahren aus der Literatur . . . . . 135
8.5.1. Ergebnisse der Lidschlagdetektion mit dem EOG-Verfahren . . . . 141
8.5.2. Labelling mit der Signalverarbeitung von Bergasa et al. . . . . . . 142
8.5.3. Labelling mit dem Verfahren von Sukno et al. . . . . . . . . . . . 143
8.5.4. Labelling mit dem Verfahren von Appel et al. . . . . . . . . . . . 143
8.5.5. Zeitbasierte Auswertung mit den Signalen L3 und L4 . . . . . . . 147
8.6. Entwicklung eigener Verfahren . . . . . . . . . . . . . . . . . . . . . . . . 148
8.6.1. Lidschlagdetektion mit den Signalen L1 und L2 . . . . . . . . . . 148
8.6.2. Lidschlagdetektion mit der zeitbasierten Auswertung von L2 und L5152
8.7. Test der eigenen Verfahren . . . . . . . . . . . . . . . . . . . . . . . . . . 154
8.8. Diskussion der Ergebnisse . . . . . . . . . . . . . . . . . . . . . . . . . . 154
9. Fusionierte Lidschlagdetektion und -untersuchungen in Studie 1 und 2 158
9.1. Fusion der Lidschlagdetektionsverfahren . . . . . . . . . . . . . . . . . . 159
9.2. Evaluation der Fusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . 161
9.3. Überblick, Vergleich und Auswahl der Lidschlagparameter . . . . . . . . 164
9.4. Auswertung der Lidschlagparameter in Studie 1 und 2 . . . . . . . . . . . 166
9.5. Diskussion und Rückschlüsse aus den Ergebnissen . . . . . . . . . . . . . 173
10.Studie 3 mit abhängigen Reaktionsabfragen 6 180
10.1. Methodischer Ansatz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 180
10.2. Müdigkeitsentwicklung und Fahrverhalten in Studie 3 . . . . . . . . . . 190
10.2.1. Müdigkeitsentwicklung . . . . . . . . . . . . . . . . . . . . . . . . 191
10.2.2. ä . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 192
10.2.3. Übernahmezeiten . . . . . . . . . . . . . . . . . . . . . . . . . . . 194
10.2.4. Fahrverhalten in den Testsituationen . . . . . . . . . . . . . . . . 197
10.2.5. Rückmeldungen der Probanden . . . . . . . . . . . . . . . . . . . 199
10.2.6. Diskussion zum Müdigkeits- und Fahrverhalten . . . . . . . . . . 200
5Auszüge des Kapitels wurden von J. Schmidt, Laarousi et al. (2017) veröffentlicht
6Auszüge des Kapitels wurden von J. Schmidt, Braunagel, Stolzmann und Karrer-Gauß (2016) und
J. Schmidt, Dreißig et al. (2017) veröffentlicht
XII
10.3. Kopfbewegungen und Lidschlagverhalten in Studie 3 . . . . . . . . . . . 205
10.3.1. Auswertungen der kamerabasierten Parameter . . . . . . . . . . . 205
10.3.2. Diskussion zu den kamerabasierten Parametern . . . . . . . . . . 209
11.Zusammenfassung und Ausblick 211
11.1. Zusammenfassung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 211
11.2. Ausblick . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 212
A. Vorbefragung von Studie 2 215
B. Nachbefragung von Studie 2 217
C. Fahrverhalten in den Situationen in Studie 2 223
D. Detailauswertung zur Detektionsleistung der Lidschlagdetektionsverfahren 226
E. Nachbefragung von Studie 3 234
F. Fahrverhalten in den Situationen in Studie 3 242
Abbildungsverzeichnis XI
Tabellenverzeichnis XIII
Literaturverzeichnis XVII
Literatur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . XVII
XIII
1. Einführung
1.1. Motivation
Zu Beginn des 20. Jahrhunderts waren hauptsächlich fehlende Verkehrsregeln, eine rück-
sichtslose Fahrweise und technische Probleme die Ursachen für Fahrunfälle mit dem Au-
tomobil (siehe Loomis, 26.04.2015). Heutige Verkehrsregeln, die detaillierten Anforde-
rungen zur Betriebserlaubnis von Fahrzeugen und eine umfassende Führerscheinausbil-
dung sind Ergebnis regulatorischer Maßnahmen des Gesetzgebers zur Verbesserung der
Sicherheit. Zusätzlich verbesserten technische Entwicklungen der Automobilhersteller die
Sicherheit für die Menschen im Straßenverkehr. So nahm die Zahl der in Deutschland
getöteten Personen im Straßenverkehr von 20.37 Personen im Jahr 1955 auf 0.6 Personen
im Jahr 2016 pro 10 000 Fahrzeugen ab (Statistisches Bundesamt, 2017, S. 60). Trotz
dieser positiven Entwicklung, betrug die gesamte Zahl der polizeilich erfassten Unfälle
im Jahr 2016 allein in Deutschland 2 585 327 Unfälle (Statistisches Bundesamt, 2017,
S. 54). Dabei wurden 3 206 Personen getötet.
Der Mensch ist mit 94 % die hauptverantwortliche Ursache bei Unfällen (Singh,
2015). Eine besonders große Rolle bei schweren Unfällen spielt der Einfluss von Müdig-
keit und Unaufmerksamkeit bei den Fahrern8 (T. Brown, Lee, Schwarz, Dary Fiorentino
& McDonald, 2014). Ziel der Einführung des automatisierten Fahrens ist es, die Unfall-
zahlen und die Schäden in diesen zu reduzieren. So berechneten bereits Chira-Chavala
und Yoo (1994) eine potentielle Reduktion der Unfallzahlen durch einen adaptiven Ab-
standsregeltempomaten um 7.5 %. Mit einer potentiellen Reduktion der Unfallzahlen von
24 % bei der flächendeckenden Nutzung eines Totwinkelassistenten, Spurverlassenswar-
ner und Kollisionswarnung, gehen Harper, Hendrickson und Samaras (2016) sogar ohne
automatisierte Systeme von einem größeren Effekt aus. Basierend auf den genannten
Zahlen hätten noch stärker automatisierte Last- und Personenkraftwagen das Potential,
allein in Deutschland pro Jahr über zwei Millionen Unfälle zu verhindern. Darüber hin-
aus soll das automatisierte Fahren zur Senkung des Fahrzeugverbrauchs, Verbesserung
der Verkehrseffizienz und zum Komfort des Fahrers aufgrund dessen reduzierter Belas-
tung beitragen (Brookhuis, de Waard & Janssen, 2001, Rhede, 2017, Kapitel 2.2).
Aufbauend auf den Entwicklungserfolgen auf dem Weg zum fahrerlosen Fahren
(Dickmanns, 2002; Özgüner, Stiller & Redmill, 2007; Ziegler et al., 2014) erfolgte bereits
eine schrittweise Serieneinführung von automatisierten Systemen mit der Übernahme der
7In Anlehnung an den APA-Stil wird in dieser Arbeit ein Punkt als Dezimaltrennzeichen genutzt
8In dieser Arbeit sollen bei der Nutzung der maskulinen Subjektform stets beide Geschlechter gleich-
bedeutend eingeschlossen sein. Aus Gründen der besseren Lesbarkeit wird im gesamten Folgenden
Text die maskuline Subjektform ersatzweise genutzt.
1
Längs- und Querführung (BMW AG, 2017; Daimler AG, 2017a). Bis zur vollständigen
Umsetzung des fahrerlosen Fahrens ist es wahrscheinlich, dass das automatisierte Fahren
in weiteren Zwischenstufen eingeführt wird und der Fahrer weiterhin zur Fahrzeugfüh-
rung gebraucht wird. Im Vergleich zum manuellen Fahren ändert sich die Aufgabe des
Fahrers in diesen Zwischenstufen im Fahrzeug von einem aktiven Lenker zu einem Beob-
achter der Leistung eines Systems. Von den verschiedenen Automatisierungsstufen auf
dem Weg zum fahrerlosen Kraftfahrzeug stellt speziell das hochautomatisierte Fahren
eine große Änderung der Aufgabe für den Fahrer dar. Bei der Aktivität eines Systems
dieser Art ist der Fahrer von jeglicher Fahr- und Beobachtertätigkeit befreit. Trotzdem
muss er während der gesamten Fahrt verfügbar bleiben und im Falle einer Aufforderung
durch das System die Fahraufgabe innerhalb einer systembedingten Übergabezeit über-
nehmen. Dieses neue System verändert dadurch die gesamte Fahrweise. Besonders für
Fahrphasen, in denen die Fahrzeugführung durch den Fahrer als eine Last wahrgenom-
men wird, kann die Automatisierung des Fahrens eine große Erleichterung sein. Durch
diese Veränderungen stellt sich die Frage, wie und ob die Änderung der Fahrausführung
das Verhalten des Fahrers beeinflusst. Im Fokus aktueller Untersuchungen und dieser
Arbeit steht deshalb die Reaktion und Fahrausführung der Fahrer eines hochautomati-
sierten Systems.
Während der Aktivität eines hochautomatisierten Systems ist der Fahrer in seinen
Tätigkeiten freigestellt. Er ist bei diesen lediglich darin eingeschränkt, für eine Übernah-
me der Fahrausführung jederzeit reaktionsbereit zu bleiben. Ebenfalls hängt die Über-
nahme und Sicherheit des Fahrers und Umfelds von seiner Fähigkeit zur Übernahme ab.
Da dies auch die Fahrfähigkeit zu diesem Zeitpunkt einschließt, ist davon auszugehen,
dass auch bisherige Unfallursachen mit dem Menschen als Verursacher entscheidende
Einflussfaktoren bei der sicheren Übernahme sind. In Hinblick auf die Unfallursachen im
aktuellen Verkehr ohne hochautomatisierte Fahrzeuge, ist die Müdigkeit dabei einer der
größten Einflussfaktoren bei schweren Unfällen. So wird angenommen, dass allein in den
USA jedes Jahr circa 80 000 Unfälle und 850 Verkehrstote aufgrund der Müdigkeit von
Fahrern entstehen (T. Brown et al., 2014). Das Verhältnis aus Unfalltoten und Unfall-
zahlen aufgrund von Müdigkeit beträgt circa ein Prozent. Das Verhältnis ist somit um
den Faktor zehn höher als das Verhältnis zwischen der Gesamtzahl der Unfalltoten zur
Zahl der gesamten Unfällen und zeigt das Risiko mit Müdigkeit zu fahren. Hinzu kommt
eine hohe Zahl an Fahrern, die ohne Unfälle müde am Straßenverkehr teilnehmen und
aufgrund ihres Zustandes eine erhöhte Gefahr für sich und die anderen Verkehrsteilneh-
mer darstellen (siehe bspw. McCartt, Ribner, Pack & Hammer, 1996; Vanlaar, Simpson,
Mayhew & Robertson, 2008).
1.2. Ziele dieser Arbeit
Wie in Kapitel 1.1 beschrieben, hat die Müdigkeit einen großen Einfluss bei den aktu-
ellen Unfallzahlen. Insbesondere die zunehmende Automatisierung könnte schneller zu
einer Müdigkeit führen, die eine sichere Fahrt gefährdet. Deshalb ist das Hauptziel dieser
Arbeit den Einfluss von Müdigkeit während des hochautomatisierten Fahrens zu untersu-
2
chen. Im Fokus steht das Verhalten des Fahrers bei mentaler Unterforderung, die durch
die längere, kontinuierliche Nutzung eines hochautomatisierten Fahrzeugs, monotone
Umgebungsbedingungen und eine lange Fahrt hervorgerufen wird. Ohne Beschäftigung
des Fahrers mit einer Nebentätigkeit stellt die Kombination dieser Einflussfaktoren den
ungünstigsten Fall für die Müdigkeitsentwicklung und eventuelle Einflüsse dieser auf die
Reaktionsfähigkeit dar. Speziell in sehr dünn besiedelten Regionen (Mittlerer Westen
der USA/Australien) oder nachts bei sehr wenig Verkehr und einer guten Funktionalität
eines zukünftigen hochautomatisierten Systems, wird der beschriebene Anwendungsfall
in naher Zukunft auftreten. Insbesondere stellt eine lange abendliche Fahrt nach einem
Arbeitstag ein naheliegendes Szenario dar. Unter den genannten Randbedingungen soll
diese Arbeit untersuchen:
• wie sich die Müdigkeit von Fahrern bei der Nutzung eines hochautomatisierten
Systems in langen Fahrten, ohne Nebentätigkeiten und unter monotonen Umge-
bungsbedingungen nach einem Arbeitstag entwickelt
• wie der Fahrer speziell unter dem Einfluss starker Müdigkeit auf eine anspruchs-
volle Aufforderung zur Übernahme reagiert
• ob der Fahrer die Fahrausführung auch nach der Übernahme sicher beherrscht
• wie sich der Fahrer während der Nutzung des hochautomatisierten Systems unter
Einfluss von Müdigkeit verhält
• ob und wie sich das Verhalten im Vergleich zum manuellen Fahren ändert
• welchen Einfluss bestehende Konzepte zur Überwachung des Fahrers auf dessen
Reaktionsfähigkeit haben
• ob und wie durch messbare Verhaltensänderungen auf die Reaktionsfähigkeit des
Fahrers geschlossen werden kann
Insgesamt soll diese Arbeit durch die Untersuchung eines möglichst ungünstigen Szenario
in Hinblick auf Müdigkeit und hochautomatisiertes Fahren helfen, wichtige Erkenntnisse
für zukünftige Systeme zu gewinnen.
1.3. Aufbau der Arbeit
Zum besseren Verständnis der Automatisierung im Kraftfahrzeug ist in Kapitel 2 des-
sen historische Entwicklung erläutert. Eine Beschreibung der technischen Funktionsweise
und eine Klassifizierung der Abstufungen des automatisierten Fahrens dient zum Ver-
ständnis des hochautomatisierten Fahrens in Bezug zu weiteren Automatisierungsstufen.
In Kapitel 3 wird ein Überblick über die verwendeten Begrifflichkeiten zur Reaktion des
Menschen und der Einfluss auf diese im Fahrzeug gegeben. Ebenfalls wird ein Über-
nahmemodell des Fahrers inklusive Einflussfaktoren auf den Prozess der Übernahme
3
des Fahrzeugs vorgestellt. Grundlagen zur Müdigkeit des Fahrers und Studien zur Un-
tersuchung des Einflusses während des automatisierten Fahrens werden in Kapitel 4
vorgestellt. Ebenfalls wird ein Überblick über die unterschiedlichen Methoden zur Mü-
digkeitsmessung und aktuellen Fahrerbeobachtungssysteme im Fahrzeug gegeben sowie
die mögliche Anwendung für das hochautomatisierte Fahren diskutiert. Zur Untersu-
chung des Fahrers während des hochautomatisierten Fahrens wurde in dieser Arbeit das
Lidschlagverhalten gewählt. Physiologische Grundlagen, Messmethoden, ein Überblick
zu Lidschlagparametern und eine Analyse zu Lidschlagdefinitionen in der wissenschaft-
lichen Literatur werden hierzu in Kapitel 5 vorgestellt. Das Kapitel schließt mit einer
Übersicht zu Studien zur Müdigkeitsdetektion auf Basis von Lidschlagdetektionen ab.
In Kapitel 6 werden zwei Studien zur Untersuchung von Fahrern in langen manuellen
und hochautomatisierten Fahrten vorgestellt. Auswertungen zum Müdigkeitsverhalten
der Probanden in den Studien werden in Kapitel 7 präsentiert. Ebenfalls werden die
Auswertungen zu den Reaktionszeiten auf ä, benötigte Zeit zur manuellen Übernahme
der Fahrzeugführung, die anschließende Fahrleistung der Probanden und eine Auswer-
tung der Vor- und Nachbefragung der Probanden in der hochautomatisierten Studie
beschrieben und diskutiert. In Kapitel 8 wird die Definition des Lidschlags für diese
Arbeit präzisiert und darauf aufbauend verschiedene genutzte Verfahren zur Detektion
des Lidschlags in den durchgeführten Studien präsentiert, verglichen und die Ergebnisse
diskutiert. Basierend auf den Ergebnissen der Lidschlagalgorithmen wird in Kapitel 9
ein optimiertes Fusionsverfahren mit einer verbesserten Lidschlagdetektion vorgestellt,
analysiert und verschiedene Lidschlagparameter in den durchgeführten Studien berech-
net. Abschließend wird in diesem Kapitel das Lidschlagverhalten der Probanden während
des manuellen und hochautomatisierten Fahrens in den Studien verglichen und erläutert.
Aufbauend auf den Ergebnissen der ersten hochautomatisierten Studie, wird in Kapi-
tel 10 der methodische Ansatz und die Ergebnisse einer weiteren hochautomatisierten
Fahrstudie vorgestellt und diskutiert. Abschließend erfolgt in Kapitel 11 eine Zusam-
menfassung der Arbeit und ein Ausblick über Ansätze für weiterführende Arbeiten.
4
2. Automatisierung der Fahrt des
Kraftfahrzeugs
Die Automatisierung von Maschinen ist die Basis einer Vielzahl technischer Errungen-
schaften. Dieses Kapitel zeigt in diesem Zusammenhang die allgemeine historische Ent-
wicklung der Automation zusammen mit der Beschreibung zu Grundlagen einer Rege-
lung. Speziell wird anschließend der Fortschritt im Bereich des Kraftfahrzeugs bis zu
dem aktuellen Forschungsschwerpunkt des automatisierten Fahrens gezeigt. Abschlie-
ßend wird ein Überblick über die Klassifizierung der unterschiedlichen Automatisierungs-
grade von Fahrsystemen inklusive der Anforderungen an den Fahrer gegeben.
2.1. Entwicklung der Automatisierung
Der Begriff Automatisierung und Automat leitet sich aus dem griechischen Wort der
Göttin Automatia (die von selbst kommende) ab. Nach der DIN IEC 60050-351 (2014)
heißt automatisch: „Einen Prozess oder eine Einrichtung bezeichnend, der oder die un-
ter festgelegten Bedingungen ohne menschliches Eingreifen abläuft oder arbeitet“ (DIN
IEC 60050-351, 2014, S. 30). Ziel der Automation ist es, dem Menschen Arbeit abzuneh-
men oder einen Prozess zu verbessern. Allgemein teilt sich die Automatisierung in die
Steuerungs- und Regelungstechnik, wobei speziell letzteres im Fokus dieser Übersicht
und der aktuellen Entwicklung steht.
Bereits vor mehreren tausend Jahren wurden erste automatisierte Systeme be-
schrieben. So beschreibt Homer in der Ilias um das Jahr 750 v.Chr. Gefäße, die sich
selbstständig bewegen konnten. Als bekannte Konstrukteure aus jener Zeit gelten Kte-
sibios, Philon von Byzanz und Heron von Alexandria (Kalligeropoulos, 1988). Sie ent-
wickelten Wecker, Uhren, Lampen, automatisierte Schließmechanismen in Tempeln oder
Hilfsmittel für das Schauspiel im Theater. In den Systemen wurde häufig Wasser als
Hilfsmittel genutzt und die Automation mit Hilfe thermodynamischer Prozesse sowie
mechanischer Konstruktionen in Gang gesetzt. Auch im arabischen Raum entstanden
zwischen dem Jahr 800 und 1200 n.Chr. verschiedene Fließregulatoren durch Ingenieure
wie die Brüder Musa, Al-Jazari und Ibn al-Sa’a ti (Lewis, 1992, Kapitel 1). Als Basis
für die Regulatoren diente ein Binärsystem.
Im anschließenden Zeitraum zwischen dem 13. und 18. Jahrhundert wurde die
Entwicklung maßgeblich durch europäische Entwickler wie Leonardo da Vinci (1452 -
1519), Salomon de Caus (1576 - 1626) und René Descartes (1596 - 1650) beeinflusst
(Kalligeropoulos, 1988). Bis zur industriellen Revolution war die mechanische Uhr das
automatisierte System, welches das Leben der Menschen am meisten beeinflusste. De-
5
tailliert sind die einzelnen Entwicklungsschritte der Uhr aus dieser Zeit in einem Artikel
von Headrick (2002) beschrieben.
Die industrielle Revolution veränderte das alltägliche Leben der Menschen ab ihren
Anfängen um das Jahr 1600 grundlegend. Technische Entwicklungen wie die Dampfma-
schine erleichterten den Alltag des Menschen und wären ohne die Automatisierung nicht
denkbar. Durch die Elektrifizierung, die Erfindung weiterer Motorenarten und die Kom-
munikationstechnik wurde im Laufe der anschließenden 300 Jahre eine Vielzahl weiterer
Einsatzgebiete für die Automatisierungstechnik geschaffen. Insbesondere seit Beginn des
20. Jahrhunderts eroberte die Technik weite Teile des täglichen Lebens und der Einsatz
von elektrischer und elektronischer Komponenten gewann immer mehr an Bedeutung.
Für eine detaillierte Beschreibung der Entwicklungen im Zeitraum der industriellen Re-
volution bis zum Ende des 20. Jahrhunderts wird in Hinblick auf die Regelungstechnik
auf Kapitel eins im Buch von Lewis (1992) und den Artikel von Bernstein (2002) ver-
wiesen.
Seit dem Altertum wurden Regelungssysteme für technische Anwendungen genutzt
um deren Prozess stabil zu halten. Im Fokus dabei standen besonders seit demMittelalter
eine effizientere Arbeitsausführung und Verbesserungen im Bereich der Kommunikati-
on und Mobilität. Seit dem 20. Jahrhundert nahmen die Entwicklung und der Einsatz
der Regelungstechnik stark zu, wobei auch interdisziplinäre Bereiche, wie die Mensch-
Maschine-Interaktion im Fokus der Anwendungen und Forschung standen. Ein rege-
lungstechnisches System lässt sich allgemein durch einen Standardregelkreis beschreiben.
Dieser ist in Bild 2.1 abgebildet.
Abbildung 2.1.: Standardregelkreis
In dem System beschreibt r(t) die Führungsgröße (Sollwert), d(t) und q(t) Störungen,
n(t) das Messrauschen, y(t) die Regelgröße (Istwert), u(t) die Stellgröße und e(t) den Re-
gelfehler. Ziel der Regelungstechnik ist es, das Gesamtsystem durch eine geeignete Wahl
und Auslegung des Reglers in Richtung eines gewünschten Verhaltens der Regelgröße
y(t) zu beeinflussen.
6
2.2. Entwicklung der Automatisierung in
Kraftfahrzeugen
Seit der Erfindung des Automobils vor mehr als 130 Jahren war es das Bestreben der
Entwickler dieses Fortbewegungsmittel für den Menschen einfacher, sicherer und komfor-
tabler zu gestalten. Die Automatisierung einzelner Fahrzeugkomponenten durch die Re-
gelungstechnik spielte hierbei eine entscheidende Rolle das Automobil als Massentrans-
portmittel nutzbar zu machen. Ende des 19. und zu Beginn des 20. Jahrhunderts waren
technische Verbesserungen wie die Entwicklung des Startergenerators, die Zündung oder
die Regelung der Kraftstoffeinspritzung entscheidende Schritte. Neben weiteren Entwick-
lungen im Bereich der Umweltbelastung (Lambdasonde) und der Verbrauchsreduktion,
wird die Automatisierung seit Mitte des 20. Jahrhunderts in vielen Assistenzsystemen
zur Verbesserung der Sicherheit im Straßenverkehr genutzt. So unterstützen die elek-
tronische Stabilitätskontrolle und das Antiblockiersystem den Fahrer in der Längs- und
Querführung durch den direkten Eingriff auf die Bremsen. Auf Basis einer Abstands-
messung wurden in den 1990ern erstmals Geschwindigkeitsregelanlagen angeboten, die
den Fahrer bei der Längsführung unterstützen und Informationen durch die Analyse
des Umfelds einbeziehen. Hierdurch gelingt es dem Assistenzsystem einen konstanten
Abstand zu einem Vorausfahrer zu halten und bei Unfallgefahr eine aktive Bremsung
auszulösen. Besonders die Regelung der Fortbewegung (Längs- und Querführung z.B.
K. Liu, Gong, Kurt, Chen & Özgüner, 2017) und deren Auswirkungen ist der Fokus
vieler aktueller Forschungsprojekte.
Bis heute ist der menschliche Fahrer für die fehlerfreie Umfeldwahrnehmung, kon-
tinuierliche Einschätzung der Verkehrssituation sowie die Fahrausführung als Regler ver-
antwortlich. Diese Verantwortung wurde in vielen Ländern gesetzlich durch die Über-
nahme der Wiener Konvention in die nationale Gesetzgebung geregelt (United Nations,
1968). Die Aufgabe der Fahrzeugführung umfasst neben der Längs- und Querführung das
Einhalten von Verkehrsregeln, die Interaktion mit anderen Verkehrsteilnehmern und die
Ausführung der Fahraufgabe bei schwierigen Straßen- und Umweltverhältnissen. Spe-
ziell die letztgenannten Aufgaben stellen die größten Herausforderungen für eine rein
technische Umsetzung eines Reglers für die Fahraufgabe dar. So gibt es den gesellschaft-
lichen Wunsch nach automatisierten Fahrzeugen bereits seit Beginn des 20. Jahrhunderts
(Kröger, 2015). Mit Projekten wie Prometheus (Programme for a European Traffic of
Highest Efficiency and Unprecedented Safety; Williams, 1992) und der DARPA Grand
und Urban Challenge (Seetharaman, Lakhotia & Blasch, 2006) rückte auch die techni-
sche Umsetzung des fahrerlosen Fahrens zum Ende des 20. und Beginn des 21. Jahr-
hunderts verstärkt in den Fokus der Entwickler. Finales Ziel ist ein Fahrzeug, welches
mit oder ohne Insassen komplett selbstständig jede Verkehrssituation fehlerfrei meistern
kann und Personen oder Güter sicher transportiert (Bimbraw, 2015). Unterstützt wird
dies durch die fortschreitende Entwicklung der Fahrzeugsensorik, sowie der Verbesserung
der Algorithmen und Rechenleistung der Steuergeräte im Fahrzeug. Die Assistenzsyste-
me nutzen hierbei Informationen aus mehreren Sensortechnologien wie Radar-, Lidar-,
Kamera- und Ultraschallsensoren. Mit Hilfe einer genauen Lokalisierung mit einer digi-
7
talen Karte, der aktuellen Position auf dieser durch GPS-Daten und den Informationen
und Auswertungen der Daten der Sensoren zur Erfassung der Umwelt erfolgt eine Pla-
nung des Fahrweges. Gestützt wird die Planung zusätzlich durch Informationen über die
Straßenverhältnisse und die Kommunikation zwischen einzelnen Fahrzeugen und einer
Leitstelle. Mit Hilfe eines bekannten Fahrtziels und der Planung der Fahrt steuert das
System anschließend das Fahrzeug unter einer kontinuierlichen Regelung der Fahrausfüh-
rung und aktueller Sensor- und Kommunikationsdaten. Y. Song und Liao (2016) stellen
in diesem Zusammenhang beispielsweise die Funktion und Entwicklung für automatisier-
te Parkassistenzsysteme dar. Aus rechtlicher Sicht erfolgte aufgrund der Entwicklungen
bereits eine erste Anpassung der Wiener Konvention (Economic Commission for Europe,
2014) zur Regelung des automatisierten Fahrens und eine Übernahme dieser Änderung
in Deutschland (Deutscher Bundestag, 2016). Basierend auf dieser Regelung darf der
Fahrer durch Automatisierungssysteme unterstützt werden, muss diese aber überwa-
chen. Eine ähnliche Entwicklung und Vorgabe gibt es in den USA (NHTSA, 2016).
Pressemeldungen von Automobilherstellern kündigen bereits Serienfahrzeuge mit höhe-
ren Automatisierungsstufen an (Audi AG, 2017; BMW AG, 2016; Tesla Motors, 2016),
die in naher Zukunft bei einer gesetzlichen Freigabe eingeführt werden sollen.
Bezogen auf den Regelkreis in Abbildung 2.1, gehen alle aktuellen Informationen
der Sensoren und der Kommunikation in die Regelgröße y(t) ein, die mit einer Führungs-
größe r(t) verglichen wird. Gibt es eine Abweichung zwischen der Ist- und Sollgröße, so
greift der Regler ein, um die Ist- an die Sollgröße anzugleichen. Im Bezug auf die Längs-
und Querführung stehen dem Regler hierzu Aktuatoren wie die Lenkung, die Bremsen
oder der Antrieb zur Verfügung.
2.3. Klassifizierung des automatisierten Fahrens
Automatisiertes Fahren beschreibt einen Zustand während der Fahrt, in dem das Fahr-
zeug bzw. dessen Assistenzsysteme einen Teil oder die gesamte Fahraufgabe selbstständig
übernehmen. Neben den rechtlichen Voraussetzungen der automatisierten Fahrzeugfüh-
rung durch die Wiener Konvention werden Assistenzsysteme je nach Grad der Automati-
sierung und Aufgabe des Fahrers in verschiedene Untergruppen eingestuft. Unabhängig
von den rechtlichen Voraussetzungen einzelner Länder, ist die gebräuchlichste Unter-
teilung in verschiedene Stufen in der SAE J3016 (2016) zu finden. In dieser wurden
speziell in einer überarbeiteten Version im Jahr 2016 verschiedene frühere Definitionen
der BAST (Gasser et al., 2012) und NHTSA (2013) aufgegriffen und Details präzisiert.
Mittlerweile hat die NHTSA die Unterteilung der SAE übernommen (siehe NHTSA,
2016). Auch in dieser Arbeit wurde die Unterteilung der SAE J3016 (2016) übernom-
men, die im Folgenden im Zusammenhang mit den gebräuchlichen deutschen Begriffen
der BAST erläutert sind.
8
Keine Fahrerassistenz
Diese Stufe entspricht SAE = Level 0, BAST = Driver only. Der „Fahrer führt dauerhaft
(während der gesamten Fahrt) die Längsführung (Beschleunigen/Verzögern) und die
Querführung (Lenken) aus“ (Gasser et al., 2012, S. 31). In diesem Fahrmodus greift
kein System auf die Längs- und Querführung ein. In dieser Arbeit werden Systeme die
im Notfall eingreifen (z.B. Elektronisches Stabilitätssystem, Anti-Blokiersystem) auch
dieser Kategorie zugeordnet. Dies wird im Folgenden mit manuellem Fahren bezeichnet.
Fahrerassistenz
Diese Stufe entspricht SAE = Level 1, BAST = Assistiert. Der Fahrer führt die Längs-
oder die Querführung hauptsächlich selbst aus. Zusätzlich wird er von einem oder meh-
reren Assistenzsystemen unterstützt. Dies schließt aktive und eingreifende Assistenzsys-
teme auf die Fahrt wie den adaptiven Abstandsregeltempomat ein. Der Fahrer fährt
somit assistiert und kann die Assistenz aktivieren und deaktivieren.
Partielle Automation
Diese Stufe entspricht SAE = Level 2, BAST = Teilautomatisiert. Der Fahrer führt keine
eigene Längs- und Querführung mehr aus. Er muss allerdings die Systemausführung der
Längs- und Querführung dauerhaft überwachen und diese, falls erforderlich, korrigieren.
Aktuelle Assistenzsysteme bieten diese Funktion während der Fahrt und für das Parken
an (BMW AG, 2017; Daimler AG, 2017a). Assistenzsysteme mit dieser Ausprägung
werden als teilautomatisierte Systeme bezeichnet. Der Fahrer ist jederzeit in der Lage
die Funktion zu übersteuern.
Hohe Automation
Diese Stufe entspricht SAE = Level 3, BAST = Hochautomatisiert. Der Fahrer führt
keine eigene Längs- und Querführung mehr aus und muss die Systemausführung der
Längs- und Querführung nicht überwachen. Während der Aktivität des Systems ist er
für die Fahrausführung und -überwachung nicht verantwortlich. Er muss die Fahraufgabe
allerdings jederzeit übernehmen können, wozu ihm ein Übergabezeitraum (mit definier-
ter Übergabezeit) zur Verfügung steht. Innerhalb dieses Zeitraums führt das System
weiterhin die Längs- und Querführung unter den beschriebenen Randbedingungen aus,
signalisiert allerdings die kommende Abschaltung nach Ende des Übergabezeitraumes.
„Das System ist nicht in der Lage, aus jeder Ausgangssituation den risikominimalen
Zustand herbeiführen“ (Gasser et al., 2012, S. 31). Auch ist die Nutzung der Assistenz
auf definierte Anwendungsfälle beschränkt. Dies könnten beispielsweise spezifische Stre-
ckenabschnitte oder Wetterbedingungen sein. Derzeit (Stand Oktober 2017) verfügt kein
angebotenes Assistenzsystem eines Automobilherstellers über die beschriebenen System-
funktionen. Hochautomatisiertes Fahren (HAF)/ ein hochautomatisiertes Fahrassistenz-
system (HAFS) beschreibt im Folgenden eine Fahrt mit/ ein System dieser Art. Der
Fahrer ist jederzeit in der Lage die Funktion zu übersteuern.
9
Volle Automation
Diese Stufe entspricht SAE = Level 4, BAST = Vollautomatisiert. Systeme mit voller
Automation unterscheiden sich von Systemen mit hoher Automation in der Systemaus-
prägung, indem sie „in allen Situationen [nach Aktivierung] in der Lage [sind], in den
risikominimalen Systemzustand zurückzuführen“ (Gasser et al., 2012, S. 31). Die Anwen-
dung ist wie bei dem hochautomatisierten Fahren an definierte Anwendungsfälle (z.B.
Wetterbedingungen, Straßenabschnitte) gekoppelt und der Fahrer kann die Funktion je-
derzeit übersteuern. Im Gegensatz zum hochautomatisierten Fahren ist das System auch
ohne Tätigkeit oder Eingriff des Fahrers in der Lage sicher zu manövrieren. Systeme mit
dieser Systemausprägung werden im Folgenden vollautomatisiert genannt.
Fahrerloses Fahren
Diese Stufe entspricht SAE = Level 5, BAST = Ohne Definition. Systeme dieser Art
beherrschen alle Verkehrs- und Straßensituationen gleich oder besser als ein menschli-
cher Fahrer. Je nach Systemausprägung hat ein Insasse die Möglichkeit, das Fahrzeug
auf Wunsch selbst zu fahren. Das Fahrzeug fährt auch ohne menschliche Insassen selbst-
ständig. Diese Systemausprägung wird in dieser Arbeit fahrerlos genannt.
10
3. Reaktionsfähigkeit des Fahrers 1
Mit dem hochautomatisierten Fahren ändert sich die Aufgabenstellung an den Fahrer.
So ist dieser bei der Aktivität des hochautomatisierten Systems lediglich dafür verant-
wortlich, bei einer Aufforderung eine Fahrzeugübernahme innerhalb einer vorgegebenen
Übergabezeit auszuführen. Eine erfolgreiche und sichere Übernahme setzt voraus, dass
der Mensch in diesem Moment richtig reagiert und somit reaktionsfähig ist. In diesem
Kapitel wird hierzu ein Überblick über die verwendeten Begriffe in dieser Arbeit gegeben.
Anschließend werden verschiedene Einflüsse auf die Reaktionsfähigkeit beim manuellen,
assistierten und automatisierten Fahren beschrieben. Ein Modell fasst im letzten Teil-
kapitel die verschiedenen Einflussfaktoren, den kognitiven Prozess sowie die Ausführung
einer Fahrzeugübernahme nach einer Übernahmeaufforderung zusammen.
3.1. Allgemeine Definitionen
Die Reaktion eines Menschen wird allgemein als „antwortendes Verhalten auf Reize bzw.
Reizsituationen in Form von Bewegungen (z.B. Reflexen) oder - durch Vorerfahrungen
und kognitive Prozesse modifiziert - als komplexe Verhaltensweise bzw. zielgerichtete
Handlung“ (Wirtz, Strohmer & Dorsch, 2013, S. 1297) definiert. Somit entspricht eine
menschliche Reaktion als Fahrer vereinfacht der allgemeinen Zielsetzung eines Reglers
und kann mit Hilfe von Abbildung 2.1 beschrieben werden. Eine Reizsituation bzw. Ist-
situation der Realität, im Schaubild y(t), muss im ersten Schritt vom Menschen wahr-
genommen und somit detektiert werden. Hierfür nutzt der Mensch seine Sinnesorgane.
Eine Reaktion erfolgt nur, falls diese die Istsituation verändern soll oder will, wozu ein
Vergleich mit einem Sollwert r(t) durchgeführt wird. Durch seine bewussten oder un-
bewussten Zielsetzungen regelt der Mensch anschließend seine Handlung. Die Handlung
wird wiederum über die Sinnesorgane wahrgenommen, um die Reaktion aufgrund von
Störfaktoren (q(t), d(t)) oder Messungenauigkeiten der Sinnesorgane n(t) gegebenenfalls
anzupassen. Eine Reaktion selbst kann dabei sehr vielfältig sein und reicht von automa-
tischen Reflexen des Augenlides bei Gefahr bis zu Ausweichmanövern im Straßenverkehr.
Viele komplexere Modelle zur Beschreibung des Verhaltens des Menschen (z.B. Allen,
Szostak & Rosenthal, 1988; Bubb, 2002; Donges, 1982; Endsley, 1995b; Fastenmeier &
Gstalter, 2007; Hockey, 1997; Rasmussen, 1983; Sanders, 1983; Sheridan, 2004) bauen
auf diesem Ausgangsmodell der Regelung auf. Im speziellen geht Macadam (2003) in
seiner Veröffentlichung sehr detailliert auf die Modellierung des Menschen als Regler ein
und gibt einen guten Überblick über die Arbeiten auf diesem Gebiet.
1Auszüge des Kapitels wurden in J. Schmidt, Dreißig et al. (2017) veröffentlicht
11
Eine häufige Messgröße im Zusammenhang mit der Reaktion ist die Reaktionszeit. Die-
se ist eng verbunden mit der Anforderung einer Handlung bei einer Reaktion. Ent-
sprechend sind Reaktionszeiten bei einfachen Reaktionen (Simple Reaction Time) kurz
(z.B.: Teichner, 1954) und bei komplexen Reaktionen (Choice Reaction Time) lang
(z.B.: Henry & Rogers, 1960). Die Reaktionszeit wird bei komplexeren Reaktionen, wie
sie im Straßenverkehr auftreten, laut Green (2000) sowie Oppenheim und Shinar (2012)
in drei Teile aufgeteilt.
1. Perzeptionszeit: Die Wahrnehmung und Realisierung der Situation, sowie Planung
der Reaktion.
2. Menschliche Ausführungszeit: Die Zeit, die der Mensch braucht, die Handlung
auszuführen.
3. Technische Ausführungszeit: Die Zeit, die ein genutztes Hilfsmittel (z.B. Auto)
braucht, um die Handlung des Menschen auszuführen.
Von den drei Zeiten wird häufig lediglich eine kombinierte Zeit gemessen, da eine objek-
tive Messung einzelner Komponenten sehr aufwändig oder im Falle der reinen Perzepti-
onszeit unmöglich ist (Green, 2000). In dieser Arbeit beschreibt die Reaktionszeit den
Zeitraum zwischen einer Aufforderung an den Fahrer und einer messbaren Handlungs-
ausführung. Im Zusammenhang mit der Aufgabe der Fahrzeugführung ist dies beispiels-
weise ein Druck auf ein Fahrpedal mit Brems- oder Beschleunigungsauswirkung, eine
Lenkbewegung, die eindeutig dem Fahrer zuzuordnen ist oder der Druck auf eine Taste
(Pfromm, Khan, Oppelt, Abendroth & Bruder, 2015). Zu beachten ist eine Abweichung
zu anderen Definitionen wie der von Boff und Lincoln (1988, Kapitel 9.1) oder Wirtz et
al. (2013, S. 1298). Für typische Reaktionszeiten in Bremssituationen oder für Lenkein-
griffe wird auf die Veröffentlichungen von Johansson und Rumar (1971), Green (2000),
die Übersicht in Boff und Lincoln (1988, Kapitel 9.1) sowie die Zeiten von Wirtz et al.
(2013, S. 1298) verwiesen. Basierend auf der üblichen Nutzung von Durchschnittswerten
für Reaktionszeiten (siehe Green, 2000, S. 204 und Wirtz et al., 2013, S. 1298) werden
Reaktionszeiten in dieser Arbeit durch Nennung des Mittelwertes und der Standardab-
weichung angegeben unter der Kenntnis, dass die Verteilungen schief sein können.
Der Reaktionszeit gegenüber steht die Zeit, die dem Menschen bleibt, um in einer
Situation rechtzeitig zu reagieren. In Studien im Straßenverkehr wird hierzu häufig die
Zeitspanne gemessen, die dem Fahrer im Fahrverlauf bis zu einem (potentiellen) Zusam-
menstoß zu einem Hindernis bleiben. Aufgrund der Fahrerfahrung kann der Fahrer diese
Zeit gut abschätzen (Hoffmann & Mortimer, 1994). Zusätzlich gibt es studienspezifische
Adaptionen der Berechnung dieser Zeit (Minderhoud & Bovy, 2001). Der Abstand und
die Größe eines Objektes hat wiederum eine Auswirkung auf die Reaktionszeit (Plewan
& Rinkenauer, 2017).
Neben der Reaktionszeit ist die eigentliche Ausführung der Handlung einer Re-
aktion entscheidend. Sie entscheidet über die sichere und unfallfreie Fahrt des Fahrers.
Als Maß hierfür dienen beispielsweise die Kraft des Bremsens (Fambro, Koppa, Picha &
Fitzpatrick, 1998; Hoedemaeker & Brookhuis, 1998) oder die Spurhaltung (Mok et al.,
12
2015; Summala, Hietamäki, Lehikoinen & Vierimaa, 1988).
Die Reaktionsfähigkeit beschreibt die „Möglichkeit, auf Reize richtig zu antworten“
(Wirtz et al., 2013, S. 1297). Diese Definition wird in dieser Arbeit um eine Sicherheits-
komponente ergänzt, indem die richtige Reaktion auch rechtzeitig stattfinden muss. Im
Hinblick auf die bisherigen Definitionen liegt eine Reaktionsfähigkeit vor, wenn die Reak-
tionszeit kleiner ist als die verfügbare Zeitspanne zu Hindernissen und die anschließende
Handlungsausführung sicher ist. Eine Handlungsausführung gilt als sicher, wenn hierbei
eine unfallfreie Fahrt und die Vorgaben des Gesetzgebers erfüllt sind (StVO, 2016).
Die Reaktionsbereitschaft ist im allgemeinen Sprachgebrauch eng mit dem Begriff
der Vigilanz verbunden. So wird Vigilanz als dauerhafte Reaktionsbereitschaft beschrie-
ben (Dudenredaktion, o. J.). In der Wissenschaft wird die Vigilanz häufig als Fähigkeit
von Beobachtern beschrieben, über einen längeren Zeitraum fokussiert und aufmerksam
für Reize zu bleiben bzw. als generelle Wahrnehmungsbereitschaft definiert (Cabrall,
Happee & de Winter, 2016; Hockey, 1988; Mackworth, 1948; Loeb & Alluisi, 1980;
Warm, Matthews & Finomore Jr., 2008). Für diese Arbeit wird die Reaktionsbereit-
schaft als Bereitschaft eines Fahrers zur Reaktion definiert. Diese Bereitschaft schließt
die vollständige und dauerhafte Reaktionsfähigkeit des Fahrers ein, auf einen äußeren
Reiz zu reagieren. Somit ist sie eng an eine sichere Fahrausführung gekoppelt. Diese
Definition schließt ebenfalls die Definitionen der Vigilanz ein. Der Reiz bei der Reakti-
onsbereitschaft ist nicht an eine visuelle Beobachtung gekoppelt, sondern schließt auch
akustische oder taktile Reize ein.
In einer sehr umfassenden Übersicht von Boff und Lincoln (1988, Kapitel 9.1) wird
darüber hinaus auf einzelne Teilaspekte von Reaktion und Reaktionszeit eingegangen,
weshalb für weitere Details auf diese verwiesen wird.
3.2. Generelle Einflüsse auf die Reaktionsfähigkeit im
manuellen und assistierten Fahren
Ein Fahrer im manuellen Fahren ist damit konfrontiert, dass bei einer Fahrt ohne seinen
Eingriff in die Spurhaltung und ohne die Regulierung der Geschwindigkeit eine Kollision
unausweichlich ist (Fuller, 2005). Entsprechend ist ein reaktives Verhalten des Fahrers
ständig nötig. Dies gilt ebenfalls für das assistierte Fahren. Zur sicheren Fahrausführung
schätzt der Fahrer dabei laufend seine Fahrfähigkeiten ein. Um den Fahranspruch an
ihn in machbaren Grenzen zu halten, orientiert er sich beim manuellen Fahren stark an
seinen Erfahrungen und seiner Einschätzung der Straßensituation (Fuller, 2005).
Die individuelle Fahrausführung im manuellen Fahren ist entscheidend für die dau-
erhafte Reaktionsfähigkeit während der Fahrt. So hängt die Zeit, die den Fahrern zu
sicheren Reaktionen bleibt, direkt vom Abstand und der Relativgeschwindigkeit zu den
anderen Verkehrsteilnehmern ab. Umweltbedingungen wie Wind (Wierwille, Casali &
Repa, 1983), Sichtbedingungen (Plainis & Murray, 2002), Fahrbahnbeschaffenheit (nass
- trocken - Schnee - Eis) und Beleuchtung (Akashi, Rea & Bullough, 2007) sind zusätz-
liche Einflussfaktoren. Ebenfalls spielen die technischen Voraussetzungen des eigenen
13
Fahrzeugs wie der Zustand der Bremsen und Reifen eine große Rolle. Hinzu kommen
konstruktionsbedingte Eigenschaften des Fahrzeugs wie Gewicht, Lenkübersetzung oder
Wendekreis. Aktive Assistenzsysteme unterstützen den Fahrer bei der Vermeidung und
Fahrreaktionen im Grenzbereich eventuell zusätzlich.
Neben den Fahrzeug-, Umwelt- und Verkehrsbedingung ist der Fahrer der wichtigs-
te Faktor im Straßenverkehr. Er selber kann einen Großteil der Situationen im Straßen-
verkehr beeinflussen, die nahe an die Grenze der Reaktionsfähigkeit und Fahrsicherheit
kommen. Diese Situationen werden im Folgenden Grenzsituationen genannt. Grenzsitua-
tionen können durch eine angepasste und vorausschauende Fahrweise vermieden werden.
Großangelegte Aufklärungs- undWerbekampagnen zielen auf eine Sensibilisierung für die
Thematik (Bandmann, 1999).
Kommt es zu einer Grenzsituation, so ist die individuelle Reaktionsfähigkeit des
Fahrers oder Umgebungsverkehrs entscheidend. Die Studien von Dickerson, Reistetter
und Trujillo (2009) mit älteren Personen zeigten in diesem Bezug, dass die generellen Re-
aktionszeiten für Dinge des täglichen Lebens eng mit der Fahrfähigkeit verbunden sind.
Eine Auswirkung von Faktoren auf die generelle Reaktionszeit ist somit auch auf die
Reaktionsfähigkeit beim Fahren naheliegend. Aus diesem Grund werden im Folgenden
Einflussfaktoren auf Reaktionszeiten oder auf die Tätigkeitsausführung exemplarisch im
und außerhalb des Straßenverkehrs beschrieben. Hierbei wird nicht zwischen Simple Re-
action Time und Choice Reaction Time unterschieden.
Der erste Schritt vor einer Reaktion besteht in der Wahrnehmung der Notwendig-
keit dieser. Bei der generellen Wahrnehmung ist hierbei zwischen der kognitiven und
sensorischen Wahrnehmung zu unterscheiden. So hängt die Wahrnehmung und Reakti-
onsfähigkeit von der Intensität und Art des Reizes (Galton, 1890) ab. Im Straßenver-
kehr setzt der Fahrer zur sensorischen Wahrnehmung hauptsächlich die Informationen
des Sehsinnes ein. Entsprechend beeinflusst der Winkel zwischen aktueller Blickrichtung
und Reizort die Reaktionszeit (Woods, Wyma, Yund, Herron & Reed, 2015). Nimmt der
Fahrer eine Situation aufgrund einer Ablenkung nicht oder verspätet wahr, so kann er
eventuell nicht rechtzeitig reagieren. Ablenkungen können beispielsweise durch Telefonie-
ren (Alm & Nilsson, 1995; Horrey & Wickens, 2006) mit oder ohne Freisprecheinrichtung
(Hendrick & Switzer, 2007), auditiven Nebentätigkeiten (Richard et al., 2002), die Po-
sition von Fahrzeugdisplays (Y.-C. Liu & Wen, 2004), eine Sprachsteuerung (J. D. Lee,
Caven, Haake & Brown, 2001) oder durch den Einfluss von Mitfahrern (Hing, Stama-
tiadis & Aultman-Hall, 2003) eine Auswirkung auf die Reaktionsfähigkeit haben. Eine
umfassende Studie zur Untersuchung mehrerer Einflussfaktoren für Ablenkungen wurde
beispielsweise von Strayer et al. (2013) durchgeführt. Die genannten Ablenkungen des
Fahrers werden häufig als Teil der Oberbegriffe der psychischen Belastung bzw. Betäti-
gung (Stress, Workload) zusammengefasst (Silva, 2014).
Mit dem Look-but-fail-to-see Phänomen (I. D. Brown, 2002; Langham, Hole, Ed-
wards & O’Neil, 2002) gibt es zusätzlich ein bekanntes Beispiel für eine sensorische
Wahrnehmung mit fehlender kognitiver Verarbeitung. Des Weiteren spielt die Entfer-
nung, Art und Größe der anderen Verkehrsteilnehmer eine Rolle bei der Wahrnehmung
(Crundall, Humphrey & Clarke, 2008; Plewan & Rinkenauer, 2017). Eng verbunden da-
mit ist die Situationswahrnehmung und -einschätzung der Verkehrsteilnehmer, die auf
14
den kognitiven Prozess der Reaktionswahrnehmung einwirkt (Endsley, 1995a, 1995b;
Parasuraman, Sheridan & Wickens, 2008; Wickens, 2008). Die Aufmerksamkeit und Re-
aktionsfähigkeit für die Autofahrt ist zusätzlich abhängig von äußeren Anregungen, wie
z.B. einem Polizeiauto (Summala et al., 1988). Dies deckt sich mit den Ergebnissen einer
Literaturübersicht zu Reaktionen auf plötzliche Notfallsituationen von Dilich, Kopernik
und Goebelbecker (2002) die „Faktoren wie Erwartung, Grad der emotionalen Erregung
und Unsicherheit“ (Dilich et al., 2002, S. 10) als signifikante Faktoren bei der Situations-
bewältigung identifizierten. Für die Verbindung zwischen dem Aspekt der Überraschung
und Reaktionszeit wurde hierzu von Kvålseth (1987) auch ein eigener Zusammenhang
hergeleitet.
Weitere Einflussfaktoren auf die generelle Reaktionszeit und somit auch die des
Fahrers sind das Alter und Geschlecht (Alm & Nilsson, 1995; Der & Deary, 2006; Fozard,
Vercruyssen, Reynolds, Hancock & Quilter, 1994) sowie die Persönlichkeit (Nettelbeck,
1973; Stelmack, Houlihan & McGarry-Roberts, 1993) beziehungsweise der kulturelle
Hintergrund (Oppenheim & Shinar, 2012). Daneben hat die Fahrerfahrung speziell bei
Reaktionszeiten in langen Fahrten einen Einfluss (Lisper, Laurell & Stening, 1973). Wei-
tere Effekte gibt es durch neurologische/ psychische Krankheiten wie die Aufmerksam-
keitsdefizit-Hyperaktivitätsstörung (Hervey et al., 2006), kognitive Störungen (Anstey
et al., 2007) oder Schizophrenie und Affektstörungen (Schwartz et al., 1989). Körperliche
Beeinträchtigungen beim Sehen (Wood & Troutbeck, 1994), Herz-Kreislauf Erkrankun-
gen (Light, 1978) oder zurückliegende Kopfverletzungen (Stuss et al., 1989) beeinflussen
ebenfalls die generelle Reaktionsfähigkeit. Eine ausführliche Beschreibung von weite-
ren Auswirkungen durch Erkrankungen (z.B. Stoffwechselerkrankungen, Anfallskrank-
heiten) auf die Unfallgefahr, die auf fehlende Reaktionsfähigkeit in einzelnen Phasen
zurück schließen lässt, ist in Kapitel drei des Buches von Haffner, Skopp und Graw
(2012) beschrieben. Darüber hinaus beeinflussen auch Inhaltsstoffe von Getränken (z.B.
Koffein/Teein: Jarvis, 1993; Smith, 2002; Alkohol: Maylor & Rabbitt, 1993; Moskowitz
& Robinson, 1988; Tzambazis, 2000) Rauchen (Sherwood, 2004) oder Drogen und Me-
dikamente (Kapitel 3 von Haffner et al., 2012; Moskowitz, 1985) die Reaktionsfähigkeit
des Fahrers. Als weiterer Einflussfaktor auf die Reaktionsfähigkeit gilt die Müdigkeit
aufgrund von Schlafmangel (Dinges et al., 1997; Lisper, Dureman, Ericsson & Karls-
son, 1971), Tageszeit (zirkadiane Effekte: Lenné, Triggs & Redman, 1997), Jahreszeit
(Hildebrandt, Rohmert & Rutenfranz, 1973), sowie Fahrtdauer und zurückliegende Pau-
sen (Philip, Taillard, Quera-Salva, Bioulac & Åkerstedt, 1999).
Im Vergleich zwischen assistiertem und manuellem Fahren hat bereits eine Un-
terstützung des Fahrers einen zusätzlichen Einfluss auf das Fahrverhalten und dadurch
indirekt auf die zur Verfügung stehende Reaktionszeit, wie Versuche von Hoedemaeker
und Brookhuis (1998) zeigten. So hatte die Zuverlässigkeit, Erfahrung mit dem System
und antizipative Information eine Auswirkung auf Reaktionszeiten bei der Nutzung eines
Kollisionwarnsystems (Ruscio, Ciceri & Biassoni, 2015).
15
3.3. Reaktionsfähigkeit im Kontext des automatisierten
Fahrens
Im Gegensatz zum manuellen und assistierten Fahren ändern sich die Voraussetzungen
eines Fahrers in höheren Automatisierungsgraden (siehe Kapitel 2.3). Liegt die Ver-
antwortung für die Ausführung der Streckenführung beim manuellen und assistierten
Fahren fast vollständig beim Fahrer, übernimmt dies das Fahrzeug beim teilautomati-
sierten Fahren. Im Hinblick auf die Verantwortung zur Reaktion auf Straßensituationen
unterscheidet sich dieser Automatisierungsgrad allerdings nicht vom manuellen und as-
sistierten Fahren. So werden dem Fahrer durch das System lediglich einfache Reaktionen,
wie eine Geschwindigkeitsanpassung oder Abstandshaltung abgenommen. Eine Reaktion
des Fahrers muss bei allen äußeren Reizen, die das System nicht beherrscht, erfolgen.
Aus diesem Grund ist der Fahrer aufgefordert, eine dauerhafte Beobachterrolle einzuneh-
men. In dieser muss er nicht nur die anderen Verkehrsteilnehmer und die Straßensituation
überwachen, sondern zusätzlich eine Kontrollfunktion der Systemausführung einnehmen.
Falls das System die Aktivität abbricht, muss der Fahrer die Fahraufgabe sofort überneh-
men. Die richtige Reaktion ist hierbei in jeder Situation und trotz einer Überraschung des
Fahrers nötig. Diese Handlung als Teil einer Reaktion ist somit ein zusätzlicher Aspekt
der Reaktionsfähigkeit während des teilautomatisierten Fahrens. Die Reaktionsbereit-
schaft im teilautomatisierten Fahren umfasst somit eine fortwährende Überwachung und
einen sofortigen Eingriff des Fahrers. Diese Aufgabe des Fahrers könnte schwieriger sein
als das manuelle Fahren, wie Bainbridge (1983) beschreibt. Grund ist unter anderem
eine verminderte Situationswahrnehmung in der Beobachterrolle des Fahrers (Endsley,
1996). Kommt es zu einer Situation, die eine Reaktion des Fahrers erfordert, so hängt
die Reaktionsfähigkeit von mehreren Teilaspekten ab. Entscheidend sind hauptsächlich
der Zeitpunkt und die Verkehrssituation, bei denen der nötige Eingriff des Fahrers statt-
findet. Von diesen hängen die Abstände zu anderen Verkehrsteilnehmern ab, die auch
durch die Parametrierung des teilautomatisierten Systems bestimmt sein kann. Diese
beinhaltet die Fahrzeuggeschwindigkeit, Abstände zu anderen Verkehrsteilnehmern und
die Spurhaltung.
Ein weiterer Faktor ist der Funktionsumfang des teilautomatisierten Systems und
die Häufigkeit, mit der ein Fahrer eingreifen muss. Diese Faktoren haben eine Auswirkung
auf das Vertrauen in die Automation, dessen Teilaspekte ausführlich von Parasuraman et
al. (2008), Parasuraman und Manzey (2010) und Wiener und Curry (1980) beschrieben
und dessen Auswirkung auf die Reaktionszeit beispielsweise von Knapp und Vardaman
(1991) untersucht wurden. Hinzu kommen dieselben Einflussfaktoren, wie während des
manuellen und assistierten Fahrens (siehe Kapitel 3.2). Hierbei ist vor allem die Än-
derung auf den Fahrer bei der psychischen Belastung, Stress und Vigilanz durch die
Unterstützung des automatisierten Systems im Fokus vieler Arbeiten zur Untersuchung
des Einflusses der Automation (Endsley & Kiris, 1995; Warm et al., 2008). So wird auch
auf das bekannte Dilemma durch den Vorteil der Automatisierung mit einer niedrigeren
Arbeitsbelastung bei gleichzeitiger Abnahme der Vigilanz hingewiesen (Endsley & Kiris,
1995; Vollrath, 2014; Warm et al., 2008; Wiener & Curry, 1980). Dies zeigt das Risiko
16
Abbildung 3.1.: Modell zur psychischen Belastung (Fastenmeier & Gstalter, 2007)
und die Chance, die ein automatisiertes System mit sich bringt, welches den Menschen
entlastet, diesen aber nicht ersetzt. In Bezug auf die psychische Belastung ist ein häufig
genutztes Modell in Abbildung 3.1 gezeigt, das auf dem Yerkes-Dodson-Gesetz (Yerkes &
Dodson, 1908, Versuche mit Mäusen) basiert. Dieses beschreibt mit dem Underload und
Overload die beiden psychischen Belastungsarten, die sich negativ auf die Handlungsaus-
führung auswirken (de Waard, 1996, Kapitel 2; de Waard, van der Hulst, Hoedemaeker
& Brookhuis, 1999; Fastenmeier & Gstalter, 2007; Hancock & Verwey, 1997; Oppenheim
& Shinar, 2012; Wickens, Laux, Hutchins & Sebok, 2014). Weitere Untersuchungen zu
diesen Belastungsarten, wie von Hancock und Caird (1993) oder Matthews, Sparkes
und Bygrave (1996), bestätigen die negativen Auswirkungen der Randbereiche. Hin-
zu kommt, dass sich „körperliche Fähigkeiten verschlechtern, wenn diese nicht genutzt
werden“ (Bainbridge, 1983, S. 775).
Das hochautomatisierte Fahren ist die niedrigste Automatisierungsstufe, die dem
Fahrer bei Aktivität des Systems die Fahr- und Beobachteraufgabe komplett abnimmt.
Basierend auf der Beschreibung in Kapitel 2.3 muss der Fahrer nur auf Abruf bereit
bleiben. Sobald das System aktiv ist, reagiert es auf alle Situationen selbstständig und
erfordert keine Überwachung. Lediglich beim Erreichen von Systemgrenzen oder dem
Ende einer Freigabe des Systems übergibt das Fahrzeug die Verantwortung der Fahrzeug-
führung. Die Reaktionsfähigkeit des Fahrers ist somit lediglich bei der Übernahme der
Fahraufgabe nach Start einer Übernahmeaufforderung nötig. Hierbei steht dem Fahrer
die Übergabezeit zur Vorbereitung der eigenen Reaktion zur Verfügung. Entsprechend
ändert sich auch der Anspruch der Reaktionsbereitschaft an den Fahrer: Der Fahrer muss
während der gesamten hochautomatisierten Fahrt bereit sein, auf eine Übergabeauffor-
derung des Fahrzeugs die nötige Reaktionsfähigkeit aufzubringen. Je größer die Zeit ist,
die der Fahrer zur Übernahme hat, desto geringer ist der Anspruch an diesen.
Wie beim teilautomatisierten Fahren hängt die erfolgreiche Übernahme und Re-
aktionsfähigkeit hauptsächlich von der Verkehrssituation, der Parametrierung der Funk-
tion hinsichtlich Abständen zu anderen Verkehrsteilnehmern oder der Geschwindigkeit
des Fahrzeugs ab. Hinzu kommen Einflüsse durch die Länge der Übergabezeit und die
17
technische Gestaltung der Übergabeaufforderung.
Wie bei den niedrigeren Automatisierungsgraden spielen die unterschiedlichen Ein-
flussfaktoren auf den Menschen im teilautomatisierten, assistierten und manuellen Fah-
ren auch beim hochautomatisierten Fahren eine Rolle (siehe Kapitel 3.2). Dadurch, dass
der Fahrer für die Fahraufgabe oder -überwachung nicht fortwährend aktiv sein muss,
ist die Auswirkung der Faktoren auf die Fahrsicherheit lediglich während der Phasen
der Fahrzeugübergabe und anschließenden Fahrt des Fahrers für die Reaktionsfähigkeit
entscheidend. Im Umkehrschluss heißt dies, dass der Fahrer sein Verhalten während der
Aktivität des hochautomatisierten Systems ändern kann. Er muss lediglich zum En-
de der Übernahmeaufforderung die nötige Reaktionsfähigkeit analog zu den niedrigeren
Automatisierungsgraden erfüllen und auf jede anschließende Situation sicher reagieren.
Diese Änderung der Aufgabenstellung entlastet den Fahrer zusätzlich. Aufbauend auf
Abbildung 3.1 kann dies zusätzlich negative Effekte auf die psychische Belastung mit
Auswirkungen auf die Reaktionsfähigkeit bzw. das Fahrverhalten haben, auf das un-
ter anderem Radlmayr und Bengler (2015) hinweisen. So stellten de Winter, Happee,
Martens und Stanton (2014) in einer Übersicht von mehreren Studien zur psychischen
Belastung im manuellen, assistierten und hochautomatisierten Fahren fest, dass sich
die psychische Belastung beim hochautomatisierten Fahren im Vergleich zum manuellen
Fahren nahezu halbiert. Hinzu kommen starke Wechsel der Belastung für den Fahrer
zwischen hochautomatisierten Phasen und den Übernahmen inklusive dem Aufbringen
der nötigen Reaktionsfähigkeit. Insbesondere starke Belastungswechsel können sich laut
Cox-Fuenzalida (2007) negativ auf die Leistung auswirken und eine Verhaltensänderung
bei der Fahrweise bewirken (Brandenburg & Skottke, 2014). Speziell die großen Wechsel
in der Anforderung an den Fahrer stellen laut Bainbridge (1983) sowie Wickens et al.
(2014) eine Gefahr für eine sichere Übernahme dar.
Bei einer Fahrt in höheren Automatisierungsgraden ist keine Reaktionsfähigkeit
und -bereitschaft des Fahrers mehr erforderlich. Entsprechend ist die Sicherheit des Fah-
rers und aller Insassen lediglich an die Systemausführung gekoppelt.
3.4. Modell und Studien zu den Einflüssen der
Reaktionsfähigkeit beim hochautomatisierten
Fahren
Bereits Michon (1985) berichtete vor mehr als 30 Jahren in einem Überblick zu Fahrer-
modellen von mehreren hundert Modellen bis zu dem Zeitpunkt seiner Veröffentlichung.
Er hielt es deshalb für unmöglich, eine allumfassende Übersicht zu diesen zu geben. Ba-
sierend hierauf ist das Ziel an dieser Stelle ebenfalls nicht ein Modell aufzustellen, dass
die gesamten kognitiven bis mechanistischen Teilaspekte bestehender Modelle detailliert
einbezieht. Der Fokus dieses Kapitels liegt vielmehr darin, eine anwendungsorientierte
Sichtweise auf die Reaktionsfähigkeit beim hochautomatisierten Fahren zu geben. Für
das hochautomatisierte Fahren beschränkt sich diese auf eine erforderliche Reaktionsbe-
reitschaft und -fähigkeit des Fahrers bei einer Fahrzeugübernahme und die sichere Fahrt
18
danach. Entsprechend wird ein Überblick über den Übernahmeprozess des Fahrers im
Rahmen einer Übernahmeaufforderung durch das HAFS inklusive der Einflussfaktoren
auf diese gegeben (für weitere Übernahmemöglichkeiten siehe bspw. Lu, Happee, Ca-
brall, Kyriakidis & de Winter, 2016). In Anlehnung an Parasuraman, Sheridan und Wi-
ckens (2000) soll hierbei eine Vereinfachung einzelner Teilaspekte eine bessere Übersicht
über den Prozess geben. Exemplarisch wird zusätzlich der Zusammenhang zu weiteren
Modellen aus der wissenschaftlichen Literatur aufgezeigt. Das Modell zur Fahrzeugüber-
nahme unterscheidet sich von Fahrermodellen wie dem von Bubb (2002), Fastenmeier
und Gstalter (2007) oder Hockey (1997) die eine kontinuierliche Aktivität des Fahrers
während der Fahrt beschreiben.
Ausgangspunkt für das Modell eines Übernahmeprozesses ist die extrinsische Über-
nahmeaufforderung durch das hochautomatisierte System. Die Übernahmeaufforderung
erfolgt hierzu visuell und/oder auditiv und/oder haptisch. Der erste Schritt einer Re-
aktion des Fahrers besteht anschließend darin, die Aufforderung zur Übernahme zu
realisieren. Vereinfacht können die weiteren Schritte durch das vierstufige Modell von
Parasuraman et al. (2000) (Sinneswahrnehmung - Perzeption - Entscheidungsfindung
- Reaktionsauswahl) mit einer anschließenden Reaktionsausführung/Handlung zusam-
mengefasst werden. Betrachtet man die geschilderten Schritte in Hinblick auf die hier-
archische Analyse der Fahraufgabe von Michon (1985), so ist die Sinneswahrnehmung
des Beginns der Übernahmeaufforderung zusammen mit automatischen Aktionsmus-
tern und die eigentliche Fahrzeugübernahme zu trennen. Die Sinneswahrnehmung des
Beginns und automatische Aktionsmuster sind in erster Linie dem Kontrolllevel von
Michon (1985) zuzuordnen. Die anschließende Übernahme durch kontrollierte Aktions-
muster entspricht einer Kombination des Manöver- und Kontrolllevels. Im Modell von
K. Zeeb, Buchner und Schrauf (2015) zur Beschreibung des Übernahmeprozesses ist
die Wahrnehmung der Übernahmeaufforderung inklusive Reaktionen wie dem Blick auf
die Straße, der Beendigung von Nebentätigkeiten, die Bewegung der Hände zum Lenk-
rad und der Füße zu der Pedallerie mit der Bezeichnung motorische Bereitschaft eben-
falls getrennt von der eigentlichen Fahrzeugübernahme. In Bezug auf die Modelle von
Donges (1982, aufgabenbezogen) und Rasmussen (1983, fertigkeitsbezogen) sowie die
Zusammenführung durch Donges (2015), entsprechen die Wahrnehmung der Übernah-
meaufforderung und die Reaktionen in Form der motorischen Bereitschaft von K. Zeeb
et al. (2015) (im Folgenden vorbereitende Handlung zur Übernahme genannt) der un-
tersten und mittleren Ebene. So werden automatisierte Handlungsmuster unter Nutzung
gelernter Regeln eingesetzt. Gleichermaßen entspricht der gesamte Entscheidungs- und
Reaktionsprozess sowie die anschließende Fahrausführung einer Mischung aus der Be-
schreibung des regel- und wissensbasierten Verhaltens der dritten Stufe von Rasmussen
(1983) und der Führungs- und Navigationsebene von Donges (1982). Zur Trennung der
einzelnen Schritte wird die Perzeption der Übernahmeaufforderung im Folgenden sim-
ple Perzeption genannt. Die Perzeption des gesamten Verkehrsumfelds durch den Fah-
rer in seiner Rolle als zukünftig ausführender, verantwortlicher Fahrzeugregler wird im
Folgenden komplexe Perzeption genannt. Zur Unterscheidungen der Handlungen wer-
den die Sinneswahrnehmung, simple Perzeption und die Teilaspekte der vorbereiten-
den Handlung zur Übernahme im Folgenden simple Übernahmereaktion genannt. Die
19
komplexe Perzeption, inklusive der zugehörigen Sinneswahrnehmung und der darauf fol-
genden Schritte der Entscheidungsfindung, Reaktionsauswahl und Fahrzeugsteuerung,
wird komplexe Übernahmereaktion genannt. Der Übergang zwischen der vorbereitenden
Handlung zur Übernahme und Fahrzeugsteuerung nach der Reaktionsauswahl ist nicht
mit konkurrierenden Aufgaben wie in den Untersuchungen von Meyer und Kieras (1997)
zu verwechseln. Es ist davon auszugehen, dass das Ergreifen des Lenkrades und ein an-
schließendes Lenken von manchen Fahrern mit und von anderen ohne zeitliche Differenz
erfolgt.
Eine Ausführung der Fahrzeugsteuerung als letzter Schritt der komplexen Über-
nahmereaktion führt zur Übernahme des Fahrzeugs. Der Fahrer passt die Ausführung
der Fahrzeugsteuerung dabei wie in Kapitel 3.1 beschrieben über eine Reflexion seiner
Steuerung und die Wahrnehmung der Umwelt an. Ein detailliertes Modell, das die an-
schließende Fahrt inklusive Rückführung passend beschreibt, ist beispielsweise in der
Veröffentlichung von Fastenmeier und Gstalter (2007) beschrieben.
Aus Sicht des Menschen als Regler entspricht der Beginn der Übernahmeauffor-
derung einer Sprungantwort. Die simple Übernahmereaktion inklusive der Antizipati-
onsreaktion ist hierbei vergleichbar mit einer Vorsteuerung zur Verbesserung der Leis-
tung des Menschen als Regler für die komplexe Übernahmereaktion. Abbildung 3.2 fasst
das beschriebene Modell für die Übernahme inklusive verschiedener Einflussfaktoren auf
die einzelnen Teilschritte zusammen. Der Pfeil zwischen der simplen Perzeption und
komplexen Perzeption sowie zwischen vorbereitender Handlung zur Übernahme und der
Fahrzeugsteuerung zeigen an, dass die Teilaspekte ineinander übergehen. Zusätzlich ist
zu beachten, dass die simple Perzeption zeitlich immer vor der komplexen Perzeption
geschieht. Gleiches gilt auch für die vorbereitende Handlung zur Übernahme und Fahr-
zeugsteuerung. Der offene Pfeil zwischen Sinneswahrnehmung und komplexer Perzeption
symbolisiert, dass sich die Sinneswahrnehmung der komplexen Perzeption von der der
simplen Perzeption unterscheidet. Aus zeitlicher Sicht laufen die einzelnen Teilaspekte
innerhalb der Bereiche der simplen und komplexen Übernahmereaktion in fortlaufender
Reihenfolge der Kästen ab. Bis auf die zeitliche Abfolge der Pfeile zwischen den Perzep-
tionen und Handlungen sind die zeitlichen Bezüge der übrigen Teilaspekte individuell
vom Fahrer und der Situation. So kann die vorbereitende Handlung zur Übernahme vor
der Entscheidungsfindung oder erst nach der Reaktionsauswahl starten.
Die abgebildeten Faktoren auf den Menschen während der Übernahme fassen die
beschriebenen Einflussfaktoren auf die Reaktionsbereitschaft und -fähigkeit aus den Ka-
piteln 3.2 und 3.3 anwendungsorientiert in vier direkten Hauptfaktoren (Einstellung
und Entscheidungen des Fahrers; Individuelle Faktoren des Fahrers; Externe systembe-
dingte Faktoren; Externe umweltbedingte Faktoren) zusammen. Die beiden Kategorien
Einstellung und Entscheidungen des Fahrers sowie individuelle Faktoren des Fahrers
wurden ebenfalls von Körber und Bengler (2014) als personenabhängige Faktoren in ei-
ner umfassenden Übersicht zu Einflussfaktoren dieser Art auf das automatisierte Fahren
beschrieben. Die beiden übrigen Faktoren trennen die externen Einflüsse system- und
umweltbedingt auf.
Aktuelle Studien, die die Fahrzeugübernahme des Fahrers vom hochautomatisier-
ten System untersuchen, vergleichen in diesen meistens einen Faktor (z.B. verschiedene
20
Altersgruppen, Systemausprägungen, Verkehrsbedingungen). Dazu werden die Studien
derart konzipiert, dass möglichst alle übrigen Faktoren für die Vergleichsgruppen gleich
sind. Im Vordergrund steht dabei immer die Fragestellung, welche Auswirkungen der
Faktor auf den Übernahmeprozess hat bzw. wie die anschließende Fahrleistung beein-
flusst wird.
Der Faktor Einstellung und Entscheidung umfasst alle Auswirkungen aufgrund von
zurückliegend und aktuell getroffenen Entscheidungen des Fahrers. Die Auswirkungen
der Entscheidungen resultieren dabei in physischen Aktionen oder einer mentalen Hal-
tung. Automatisierte Fahrstudien, die sich mit Fragestellungen zu dem Einfluss dieses
Faktors befassen, untersuchen beispielsweise den Einfluss aufgrund von Nebentätigkeiten
(Merat, Jamson, Lai & Carsten, 2012; Vogelpohl, Vollrath, Kühn, Hummel & Gehlert,
2016, Kapitel 4, K. Zeeb, Buchner & Schrauf, 2016). Des Weiteren wird auch unter-
sucht, welchen Einfluss und Zusammenhang es hat, dass Fahrer die Straße während der
Fahrt unterschiedlich überwachen (Hergeth, Lorenz, Vilimek & Krems, 2016; K. Zeeb et
al., 2015). Zusätzlich umfasst dieser Faktor den Effekt von zu starkem Systemvertrau-
en gegenüber dem automatisierten System. So wurde ein Lernprozess des Fahrers bei
niedrigeren Automatisierungsgraden festgestellt (Beggiato, Pereira, Petzoldt & Krems,
2015).
Die externen systembedingten Faktoren fassen den Einfluss durch die Parametrie-
rung und Umsetzung des autonomen Systems zusammen. Einflüsse auf das Übernahme-
verhalten entstehen durch unterschiedliche Intensitäten der Aufforderung an den Fahrer,
die Fahraufgabe zu übernehmen (Naujoks, Mai & Neukum, 2014). Neuartige Anzeigekon-
zepte und die Art der Aufforderung an den Fahrer beeinflussen die Übernahme ebenfalls
(Kim, Jeong, Yang, Oh & Kim, 2017; Melcher, Rauh, Diederichs, Widlroither & Bauer,
2015). Des Weiteren spielt auch eine Rolle, wie lange der Fahrer Zeit hat, die Fahraufga-
be zu übernehmen (Damböck, Farid, Tönert & Bengler, 2012; Gold, Damböck, Lorenz
& Bengler, 2013; Mok et al., 2015).
Externe umweltbedingte Faktoren umfassen den Einfluss durch die Umgebung des
Fahrers und Fahrzeugs. Dies schließt die Anzahl der übrigen Verkehrsteilnehmer und
die Kritikalität von Verkehrssituationen ein (Gold, Körber, Lechner & Bengler, 2016;
Radlmayr, Gold, Lorenz, Farid & Bengler, 2014). Desweiteren sind in diesem Faktor
Wetterverhältnisse wie die Sicht (Louw et al., 2017) eingeschlossen.
Als weiterer Faktor spielen individuelle Voraussetzungen des Fahrers bei der Über-
nahmezeit und bei der anschließenden Fahrleistung eine Rolle. Dazu gehören das Alter
des Fahrers (Körber, Gold, Lechner & Bengler, 2016), die Fahrerfahrung und die Er-
fahrung mit dem hochautomatisierten System (Hergeth, Lorenz & Krems, 2017; Payre,
Cestac & Delhomme, 2016).
Im Gegensatz zu den bisher beschriebenen Effekten, lassen sich Auswirkungen
wie Müdigkeit, psychische Belastung oder Aufmerksamkeit nicht einem der direkten
Hauptfaktoren zuordnen. Sie resultieren als Auswirkung des Zusammenspiels einzelner
Faktoren. So wird Müdigkeit durch anhaltende Betätigungen und psychologische, sozio-
ökonomische oder umweltbedingte Faktoren beeinflusst (I. D. Brown, 1994). Aus diesem
Grund werden Auswirkungen von Kombinationen einzelner Faktoren im Folgenden als
indirekte Faktoren bezeichnet. Ein Überblick über Studien, die das Zusammenspiel für
21
Abbildung 3.2.: Übernahmemodell und Kategorisierung der Einflussfaktoren auf die
Fahrzeugübernahme
die beiden indirekten Faktoren mentale Beanspruchung und Situationsbewusstsein un-
tersuchen, wurde beispielsweise von de Winter et al. (2014) erstellt. Einen Überblick
über weitere durchgeführte Fahrstudien zum automatisierten Fahren und einzelnen Fak-
toren sind in Literaturübersichten von Lu et al. (2016); Radlmayr und Bengler (2015),
Trimble, Bishop, Morgan und Blanco (2014, Kapitel 2) und Vogelpohl et al. (2016, Ka-
pitel 3 und 4) zu finden.
22
4. Fahrermüdigkeit und Systeme zur
Fahrerbeobachtung
In Kapitel 3 werden unterschiedliche Einflüsse auf die Reaktionsfähigkeit während des
manuellen und automatisierten Fahrens geschildert. Im Kontext des Hauptthemas die-
ser Arbeit, der Reaktionsfähigkeit während des hochautomatisierten Fahrens, gibt dieses
Kapitel einen Überblick über einen der wichtigsten indirekten Faktoren, die Müdigkeit.
Hierzu werden zu Beginn des Kapitels theoretische Grundlagen erläutert. Im Anschluss
werden Ergebnisse von Studien zum automatisierten Fahren unter dem Einfluss von Mü-
digkeit zusammengefasst. Um den Fahrer hinsichtlich seiner Müdigkeit nicht nur vor oder
nach einer Fahrt einzuschätzen, ist eine Fahrerbeobachtung notwendig. Diese zeichnet
das Fahrerverhalten entweder zu bestimmten Zeitpunkten oder kontinuierlich während
der Fahrt auf. In Hinblick auf den Fokus dieser Arbeit mit der Messung der Reaktionsfä-
higkeit speziell unter dem Einfluss von Müdigkeit wird deshalb zusätzlich ein Überblick
über die unterschiedlichen Methoden zur Müdigkeitsmessung gegeben. Der Überblick
beinhaltet hierzu subjektive, leistungsbezogene und physiologische Messverfahren. In
einem weiteren Unterkapitel zu aktuellen Fahrerbeobachtungssystemen werden verfüg-
bare Seriensysteme im Fahrzeug und in weiteren Verkehrsmitteln (zum Zeitpunkt Okto-
ber 2017) zusammengefasst. Ebenfalls wird der Einsatz der vorgestellten Methoden zur
Müdigkeitsdetektion für den Einsatz im hochautomatisierten Fahren diskutiert.
4.1. Die Müdigkeit des Menschen
Wie die Atmung oder Lidschläge ist der Schlaf ein Grundbedürfnis des Menschen. Ver-
gleichbar mit der Atmung und Lidschlägen kann der Schlaf durch den Menschen willent-
lich hinausgezögert werden. Sehr lange Phasen ohne Schlaf führen allerdings zu einer
Beeinträchtigung des Gehirns (Cirelli, 2006) und können, wie in Studien mit Tieren im
19. Jahrhundert gezeigt wurde, nach einem langen Zeitraum ohne jeglichen Schlaf (zwei
Wochen) den Tod zur Folge haben (Bentivoglio & Grassi-Zucconi, 1997). Die Müdigkeit
zur Beschreibung des Zustandes des Menschen bei einem Mangel bzw. einer Notwendig-
keit an Schlaf ist in der wissenschaftlichen Literatur nicht eindeutig definiert und wird
häufig vermischt (I. D. Brown, 1994; Johns, 2000). So ist die Beschreibung der Müdigkeit
als „Zustand der Muskeln eines Organismus, Eingeweide oder des zentralen Nervensys-
tems, die durch vorhergehende physische Akivität und/oder psychische Beanspruchung
unter Mangel von ausreichender Erholung in unzureichender zellulärer Kapazität oder
systemweiter Energie resultiert, um das ursprüngliche Niveau einer Aktivität und/oder
Beanspruchung unter Nutzung gewöhnlicher Mittel aufrecht zu erhalten“ (Job & Dalziel,
23
2001, S. 469) sehr allumfassend. In Bezug auf Fahrstudien wird diese Definition häufig
auf die Abnahme der Fähigkeit zur Fahrausführung reduziert (Thiffault & Bergeron,
2003).
Im allgemeinen Sprachgebrauch gibt es eine Vielzahl an Synonymen, die sich auf
das beschriebene Phänomen beziehen. Üblich sind im deutschen Sprachgebrauch unter
anderem Ermüdung, Schläfrigkeit, Erschöpfung, Schlappheit, Übermüdung, Dösigkeit,
Trägheit, Hypovigilanz oder Verschlafenheit. Eine ähnliche Vielfalt findet sich auch im
englischen Sprachgebrauch (siehe Johns, 1998). Steht der Begriff der Ermüdung laut
Saxby, Matthews, Warm, Hitchcock und Neubauer (2013) eher im Zusammenhang mit
einer Tätigkeit des Menschen, so beschreibt die Schläfrigkeit in erster Linie Effekte durch
den zirkadianen Rhythmus und den müden Zustand aufgrund einer langen Phase oh-
ne Schlaf. Aus schlafphysiologischer Sicht setzt sich das Gleichgewicht zwischen Schlaf
und Wachheit je nach Modell aus zwei, drei oder vier beeinflussenden Komponenten auf
Basis mehrerer unterschiedlicher Nervenzentren im Gehirn zusammen (Beersma, 1998;
Cluydts, de Valck, Verstraeten & Theys, 2002; Johns, 1998, 2000). Diese sind primär
neuronale Komponenten als Treiber für Schlaf und Wachheit und sekundäre homöosta-
tische Komponenten für Schlaf und Wachheit. Erstere sind langfristige Komponenten
die beispielsweise durch die Tageszeit beeinflusst werden. Sekundäre Treiber sind im
Vergleich dazu kurzfristige Komponenten die z.B. durch Bewegungen beeinflusst werden
(Johns, 1998, 2000). Eine umfangreiche Analyse bestehender Modelle hierzu ist in der
Übersicht von Beersma (1998) zu finden. Weitere Bezeichnungen für diesen Zusammen-
hang ist beispielsweise auch die Haupt- und optionale Schläfrigkeit (Horne, 1988). Zur
besseren Beschreibung der Müdigkeit aus anwendungsorientierter Sicht teilten Desmond
und Hancock (2001) die Müdigkeit anhand unterschiedlicher Ursachen in zwei Zustän-
de. Die aktive Müdigkeit fasst die Müdigkeit aufgrund einer kontinuierlichen Aktivität
zusammen. Im Gegensatz dazu beschreibt die passive Müdigkeit eine lange fehlende Sti-
mulation, die eng verknüpft ist mit dem Underload der physischen Belastung (siehe
Abbildung 3.1; Gimeno, Cerezuela & Montanes, 2006). So sind Auswirkungen dieses
Einflusses auf die Reaktionszeit bekannt (Mavjee & Horne, 1994). Aufbauend auf der
Definition von aktiver und passiver Müdigkeit von Desmond und Hancock (2001), der
Arbeit von Gimeno et al. (2006) und der Unterscheidung zwischen tätigkeitsbezoge-
ner (TR = task related) und schläfrigkeitsbezogener (SR = sleep related) Müdigkeit,
beschrieben May und Baldwin (2009) ein eigenes Modell mit drei Untergruppen von
Müdigkeit. Die drei Untergruppen basieren ebenfalls auf einer Kategorisierung der Ur-
sachen der Müdigkeit und sind in Abbildung 4.1 gezeigt. Gemeinsam ist allen Formen
der Müdigkeit eine Vigilanz- und Aufmerksamkeitsminderung, die zu einer Reduktion
der Fahrleistung und einer erhöhten Unfallgefahr führen. Eine detaillierte Übersicht zu
den einzelnen Ursachen und Auswirkungen auf die Müdigkeit auf Basis von Studiener-
gebnissen ist zusätzlich in den Publikationen von I. D. Brown (1994); Mackie (1987) und
Di Milia et al. (2011) zu finden.
24
Abbildung 4.1.: Modell zur Müdigkeit (May & Baldwin, 2009)
4.2. Einfluss der Müdigkeit auf die Reaktionsfähigkeit
bei automatisierten Systemen
4.2.1. Studien zur Müdigkeit und dem automatisierten Fahren
In Bezug auf das hochautomatisierte Fahren, ist in dem Modell von May und Baldwin
(2009) speziell die passive tätigkeitsbezogene Müdigkeit als Risikofaktor für eine sichere
Übernahme hervorzuheben. Durch die Unterforderung aufgrund der Automation, mo-
notone Fahrbedingungen, weite Fahrstrecken, sowie den Effekt des autonomen Systems
selbst, sind im Vergleich zum manuellen Fahren fast alle Ursachen für diesen Müdig-
keitszustand verstärkt. In Hinblick auf die in Bild 3.2 gezeigten Einflüsse sind dies Aus-
wirkungen durch externe umweltbedingte Faktoren, externe systembedingte Faktoren,
sowie Entscheidungen des Fahrers. Gleichzeitig nimmt der Einfluss der Fahrausführung
auf die aktive tätigkeitsbezogene Müdigkeit ab.
Anders als beim manuellen Fahren (siehe beispielsweise ECT, 2006; C. C. Liu, Hos-
king & Lenné, 2009; Maycock, 1997; Wierwille, Wreggit, Kirn, La Ellsworth & Fairbanks,
1994; Williamson et al., 2011), gibt es bisher wenige Studien, die den Einfluss von Müdig-
keit im Zusammenhang mit dem hochautomatisierten Fahren untersuchen. Aufgrund des
grundlegenden Unterschiedes einer dauerhaften Fahrtätigkeit bei dem manuellen Fah-
ren, wird an dieser Stelle auf die bestehenden Ergebnisse zum manuellen Fahren nicht
näher eingegangen. In Bezug auf die Teilautomatisierung gab es bereits zu Beginn der
1990er Jahre erste Versuche zur Übernahme eines Fahrers bei monotonen Umgebungs-
bedingungen (Hahn, 1993). In der Studie von Hahn (1993) übernahmen 52 Probanden
in weniger als 2.5 s. In einer zweiten Studie aus dem Jahr 1998 wurde der Effekt von
Müdigkeit ebenfalls beim teilautomatisierten Fahren analysiert (Desmond, Hancock &
Monette, 1998). Hierbei wurden manuelle und teilautomatisierten Fahrten verglichen,
bei denen der Fahrtverlauf des Fahrzeugs jeweils aufgrund von Wind oder Automati-
onsfehlern korrigiert werden musste. Bei den 40-minütigen Versuchen mit 34 Probanden
zeigten sich ähnliche Ergebnisse bei den zwei Automatisierungsstufen hinsichtlich der
Fahrmotivation und Müdigkeitsanzeichen. Aus diesem Grunde folgerten Desmond et al.
25
(1998), dass der Müdigkeitseinfluss und die Arbeitsbelastung auf die Beobachterrolle
bei der Teilautomation vergleichbar mit dem manuellen Fahren ist. Weitere Studien in-
nerhalb der letzten zehn Jahre mit dem Fokus der Untersuchung der Müdigkeit beim
teilautomatisierten Fahren folgten (Jamson, Merat, Carsten & Lai, 2013; Körber, Cingel,
Zimmermann & Bengler, 2015; Neubauer, Matthews, Langheim & Saxby, 2012; Neubau-
er, Matthews & Saxby, 2014; Saxby, Matthews, Hitchcock & Warm, 2007; Saxby et al.,
2008).
Die Studie von Körber et al. (2015) hatte zum Ziel, den Einfluss eines teilautomati-
sierten Systems in Fahrten mit einer Dauer von 42.5 min zu untersuchen. Hierbei wurde
ein signifikanter Einfluss der Versuchsdauer auf Messwerte eines Eye-Tracking Systems
festgestellt. Eine Auswirkung auf die Reaktionszeit der Probanden bei der Ausführung ei-
ner Nebenaufgabe wurde allerdings nicht festgestellt. Jamson et al. (2013) verglichen das
Verhalten von Probanden bei manuellen und teilautomatisierten Fahrten in einer Studie
mit Messwiederholungen über eine Länge von 45 min. In der Studie war es den Pro-
banden freigestellt, Nebentätigkeiten auszuführen und sich von den monotonen Bedin-
gungen während der Fahrt abzulenken. Im Vergleich mit dem manuellen Fahren wurden
signifikant höhere Perclos-Werte (Percentage of Eye Closure) der Probanden während
der teilautomatisierten Fahrten festgestellt. Eine Schlussfolgerung daraus war, dass die
Erregungsschwelle der Probanden während der teilautomatisierten Fahrten abnahm. In
einer weiteren Studie verglichen Neubauer et al. (2012) Probanden, die entweder manuell
fuhren oder während der 35 minütigen Versuchszeit in fünfminütigen Abschnitten eine
Automation aktivieren konnten. Aufgrund der notwendigen Überwachung ist die Au-
tomation als teilautomatisiert einzustufen. In den letzten fünf Minuten des Versuches,
in denen manuell gefahren werden musste, gab es eine Notsituation mit notwendiger
Reaktion des Fahrers. Ziel der Studie war es die freiwillige Wahl der Automation und
die Auswirkung dieser auf Müdigkeit und Stress zu untersuchen. Ein Ergebnis der Stu-
die war, dass die freiwillige Wahl der Automation die subjektiven Rückmeldungen zu
Müdigkeit und Stress der Fahrer während der Fahrt und die Fahrleistung dieser nicht
verbessern konnte. Probanden, die die Automation während der Fahrt nutzten, hatten
langsamere Reaktionszeiten als Probanden, die immer manuell fuhren. In einer Folgestu-
die verglichen Neubauer et al. (2014) das Verhalten von 180 Probanden in 40-minütigen
Simulatorfahrten bei drei unterschiedlichen Automatisierungsstufen (manuell, assistiert
und teilautomatisiert) und Nebentätigkeiten (Spiel, Gespräch mit Freisprecheinrichtung
und eine Kontrollgruppe ohne). Die Ergebnisse zeigten geringere Müdigkeiten bei Ne-
bentätigkeiten und langsamere Reaktionen bei der Automation. Zwei Studien von Saxby
und ihren Kollegen (Saxby et al., 2007, 2008) mit 108 bzw. 168 Probanden untersuchten
den Einfluss von aktiver und passiver Müdigkeit auf Fahrer. Passive Müdigkeit wurde
durch die Nutzung eines teilautomatisierten Fahrzeugs (vollautomatisiert mit auftreten-
den Fehlfunktionen bzw. einer Reaktionsaufgabe) induziert und hatte als Folge, dass
die Beschäftigung mit der Aufgabe (englisch: task engagement; energetische Erregung,
Motivation und Konzentration) abnahm. Die Versuchszeit in den Studien betrug zehn,
30 bzw. 50 min. Zusätzlich hatten die Fahrer, die das automatisierte System lediglich
überwachen sollten, die langsamsten Reaktionszeiten. Als Vergleich diente eine Kontroll-
gruppe die selbst fuhr und eine zweite, die zusätzlich auf Windstöße reagieren musste.
26
Insgesamt bestätigen die genannten Studien die Schilderungen von (Vollrath, 2014),
der in eigenen Studien eine Abnahme der Erkennungsleistung beim assistierten Fahren
feststellte. Er kam aufgrund dessen zu dem Schluss, dass eine gute Assistierung oder
Teilautomatisierung mit Systemfehlern ein hohes Risiko darstellt. Eine Lösung die er
vorschlug war deshalb, direkt hochautomatisierte Systeme zu nutzen.
In einer Studie mit 16 Probanden von Schömig, Hargutt, Neukum, Petermann-
Stock und Othersen (2015) fuhren die Probanden bis zu 2.5 h manuell. Sobald die
Probanden ein bestimmtes objektives Müdigkeitsniveau auf Basis ihres Lidschlagver-
haltens erreichten, fuhren sie die folgenden 15 Minuten automatisiert, automatisiert mit
Quiz oder manuell. Im Vergleich dieser Modi wurde das geringste Müdigkeitsmaß des
Lidschlagverhaltens bei der automatisierten Fahrt mit Quiz festgestellt. Mit der Be-
schreibung von Schömig et al. (2015) ist der Automatisierungsgrad nicht eindeutig be-
stimmbar.
Studien zur Müdigkeit in Zusammenhang mit dem hochautomatisierten Fahren
wurden von (Feldhütter, Gold, Schneider & Bengler, 2017; Jarosch, Kuhnt, Paradies &
Bengler, 2017; Miller et al., 2015; Vogelpohl, Vollrath & Kühn, 2017) durchgeführt. So
verglichen Feldhütter et al. (2017) die Reaktionen von 31 Probanden in 45 min langen,
hauptsächlich hochautomatisierten Fahrten nach einem zusammenhängenden fünf bzw.
20 minütigen hochautomatisierten Fahrabschnitt zum Ende des Versuches. Zusätzlich
führte ein Teil der Probanden eine Nebenaufgabe in den hochautomatisierten Phasen
aus. Die Auswertungen zeigten signifikant langsamere Reaktionszeiten nach der länge-
ren hochautomatisierten Phase allerdings ohne Einfluss auf die Fahrleistung. Zusätzlich
gab es je nach Länge des hochautomatisierten Abschnitts einen Unterschied im Blick-
verhalten. Die Nebenaufgaben führten zu langsameren Übernahmezeiten ohne Einfluss
auf die Fahrleistung nach dieser. In einer hochautomatisierten Fahrsimulatorstudie ver-
glichen Jarosch et al. (2017) das Verhalten von 56 Probanden in 30 minütigen Fahrten
bei unterschiedlichen Nebentätigkeiten. Die eine Nebentätigkeit bestand aus der Beant-
wortung von Quizfragen, die zweite in der Überwachung und Reaktion auf Anzeigen
eines Tablet im Fahrzeug. Die Ergebnisse zeigten steigende Werte der KSS, Perclos,
Blinkfrequenz und -dauer bei der Überwachungsaufgabe. Bei der Quizaufgabe waren
die Werte signifikant geringer. In abschließenden Übergabeszenarien konnten keine Un-
terschiede zwischen den Nebentätigkeiten festgestellt werden. In einer weiteren Studie
von Miller et al. (2015) mit hochautomatisierten Fahrten zeigten Probanden, welche die
Aufgabe hatten, das System zu überwachen, während einer 40 min Fahrt ein signifikant
anderes Verhalten als diejenigen, die sich mit Nebentätigkeiten beschäftigten. So stell-
ten Miller et al. (2015) bei den Probanden, die das System überwachen sollten, durch
eine Videoanalyse vermehrt Anzeichen für Müdigkeit (lange Lidschlüsse, gähnen) fest
als bei den Probanden die Nebentätigkeiten ausführten. Die Zahl der Anzeichen nahm
zusätzlich über dem Versuchsverlauf zu. Vogelpohl et al. (2017, Kapitel 3) analysierten
in ihrer Studie das Verhalten von Probanden bei bis zu 60 minütigen hochautomatisier-
ten Fahrten in einer abschließenden Übernahmeaufforderung im Vergleich zu manuellen
Fahrten. Die Übernahmesiutation wurde individuell auf Basis des extern bewerteten
Müdigkeitszustandes der Fahrer gestartet. Eine Untergruppe der Probanden kam ausge-
schlafen Mittags (15 Probanden manuell, 15 hochautomatisert) und die Zweite Abends
27
nach einer Nacht mit wenig Schlaf (maximal fünf Stunden; 15 Probanden manuell, 15
hochautomatisert) zu dem Versuch. Externe Beobachter stellten bei den Probanden die
hochautomatisiert fuhren Müdigkeitsanzeichen früher als bei manuellen Fahrern fest. Die
jeweiligen Müdigkeitsanzeichen traten hierbei bei Fahrern schneller ein, die den Versuch
mit Schlafmangel starteten. Probanden beider hochautomatisierter Gruppen übernah-
men die Fahraufgabe ohne Unfallfolgen.
Neben den teil- und hochautomatisierten Studien führten (Kreuzmair, Gold &
Meyer, 2017) eine Studie zur Untersuchung der Fahrerreaktionen bei langen monotonen
vollautomatisierten Fahrten durch. In dieser fuhren 22 Probanden bis zu 2.5 h. Nach
dem individuellen Beginn verschiedener Müdigkeitsstadien auf Basis einer Bewertung
des Versuchsleiters, wurden durch diesen Übernahmeaufforderungen an die Fahrer gest-
artet. Im Gegensatz zum hochautomatisierten Fahren bremste das Fahrzeug in der Über-
gabezeit und wäre jeweils zum risikominimalen Stillstand gekommen, wenn Probanden
das Fahrzeug nicht übernommen hätten. Im Anschluss an die Übernahme mussten die
Probanden (jeweils elf) entweder eine Baustelle durchfahren (einfache Szenarien) oder
bei dieser einen Spurwechsel ausführen (schwere Szenarien). Hierbei zeigten sich Ler-
neffekte trotz zunehmender Müdigkeit, die zu besseren Übernahmeleistungen bei den
wiederholten Übernahmeaufforderungen führten. Ebenfalls konnte eine Korrelation zwi-
schen selbst- und fremdbewerteter KSS sowie Perclos und einem Eyelid Closure Index
festgestellt werden.
Zusätzlich zu den hier zusammengefassten Studien zeigen Cabrall et al. (2016)
in ihrer Literaturübersicht zu Vigilanzstudien im Zusammenhang mit Fahrstudien den
Fortschritt in der Forschung, ab der bekannten Studie von Mackworth (1948) bis zum
aktuellen Fokus auf dem hochautomatisierten Fahren. So wird ein guter Überblick zu
unterschiedlichen Studienansätzen, analysierten Signalen und der Möglichkeit zum Ver-
gleich zwischen den Studien gegeben. Zusätzlich wird ein Vergleich mit Vigilanzstudien
ohne Fahrerbezug präsentiert.
Obwohl der Großteil der geschilderten Studien eine kürzere Dauer der Fahrt haben
als viele Studien zur Untersuchung der Müdigkeit bei manuellen Fahrten (ein Großteil
der Studien zum manuellen Fahren mit dem Fokus auf Müdigkeit haben eine Länge von
mehr als zwei Stunden; ECT, 2006), deuten die Ergebnisse auf ein geändertes Verhalten
der Probanden bei fortwährender automatisierter Fahrt hin.
Aufgrund der aktuellen Entwicklung automatisierter Assistenzsysteme sollte bei
allen geschilderten Studien mit automatisierten Fahrten beachtet werden, dass die Sys-
temgrenzen in den Versuchen teilweise voneinander abweichen. In den Studien und der
Beschreibung dieser wird teilweise nicht geschildert, welche Systeminformationen den
Probanden mitgeteilt wurden, ob und wie Nebentätigkeiten aussahen, wie die System-
grenzen des hochautomatisierten Systems waren, wie lange Studien wirklich gingen und
wie die Einführung vor Versuchsbeginn aussah. Ebenfalls weichen Schilderungen zum
Automatisierungsgrad von den Systemdefinitionen ab. So werden Probanden trotz der
Nutzung eines hochautomatisierten Systems zu einer Überwachungsaufgabe des Systems
gezwungen (bspw. Jamson et al., 2013; Merat, Jamson, Lai, Daly & Carsten, 2014; Miller
et al., 2015). Das System bzw. die Auslegung für die Probanden entspricht mit diesem
Zwang nur den Voraussetzungen der Teilautomatisierung.
28
4.2.2. Müdigkeit bei der Steuerung automatisierter Transportmittel
Betrachtet man andere Transportmittel wie Züge und Flugzeuge, die bereits automati-
siert fahren bzw. fliegen, zeigen Forschungsergebnisse, dass die Überwachung den Zug-
führer bzw. Piloten in seiner aktiven Tätigkeit entlastet. Auf der anderen Seite sind die-
se Überwachungsaufgaben monotoner. Aufgrund der Unterforderung des Piloten oder
Zugführers kann dies zu einer erhöhten Müdigkeit und längeren Reaktionszeiten führen
(Coblentz, Cabon & Ignazi, 1989). Diese sind zusätzlich abhängig von der Ausführung
der Automation (Spring, McIntosh, Caponecchia & Baysari, 2009). Zusätzlich zu dem
Einfluss durch das automatisierte Transportmittel wurde der Einfluss von Faktoren wie
dem zirkadianen Rhythmus und unterschiedlichen Schichten in Zusammenhang mit der
Reaktionszeit, dem Müdigkeitszustand und Reaktionsfähigkeit von Piloten und Zugfüh-
rern untersucht (Cabon, Coblentz, Mollard & Fouillot, 1993; Hildebrandt, Rohmert &
Rutenfranz, 1974; Kecklund, Åkerstedt, Ingre & Soderstrom, 1999; Torsvall & Åkerstedt,
1987; Verhaegen & Ryckaert, 1986; Samel, Wegmann & Vejvoda, 1997). Die Ergebnis-
se der Studien zeigen einen jeweiligen Einfluss der untersuchten Faktoren. Ein weiterer
Versuch mit zehn speziell trainierten Lockheed F-117 Piloten von van Dongen, Caldwell
und Caldwell (2006) zeigte zusätzlich, dass die untersuchten Piloten trotz des speziellen
Trainings und Auswahlverfahrens ähnliche individuelle Unterschiede bei den Anzeichen
für Müdigkeit aufwiesen wie die normale Bevölkerung.
Im Vergleich mit automatisierten Systemen in Zügen und Flugzeugen sind die
Risikofaktoren im Fahrzeug auf der Straße zusätzlich erhöht. So ist der Fahrer eines
Fahrzeugs bei der privaten Nutzung nicht durch Arbeitszeitgesetzte an gewisse Pausen-,
Ruhe oder maximale Lenkzeiten gebunden. Aufgrund der Verantwortung welche Pilo-
ten und Zugführer bei dem Transport von Passagieren oder Gütern haben, sind diese
Berufsgruppen für ihre Arbeit speziell ausgebildet (siehe bspw. Flower, 2001). Auch
nach ihrer Ausbildung wird laufend der Gesundheitszustand und Ausbildungsstand in
Form des Erwerbs von Qualifikationen und Fortbildungen, sowie durch Eignungstests
überprüft und aufgefrischt. Anders als in Flugzeugen fährt ein Fahrer in einem Fahr-
zeug häufig alleine. Falls weitere Personen im Fahrzeug sitzen, ist deren Möglichkeit
die Fahrt selbst zu beeinflussen im Vergleich zu einem Co-Piloten stark eingeschränkt.
Trotz der zusätzlichen Anstrengungen, Regularien und Mechanismen den Transport in
Zügen und Flugzeugen sicherer zu machen, ist die Müdigkeit ein Risikofaktor. Basis sind
Interviews mit Piloten und Zugführern, sowie der Untersuchung von kritischen Fällen
und Unfällen (L. Buck & Lamonde, 1993; ComRes, 2013; Edkins & Pollock, 1997). So
werden kurze Phasen von Schlaf (Nap) für Piloten als Verbesserung vorgeschlagen und
untersucht (Hartzler, 2014). Betrachtet man die genaue Aufgabenstellung an den Piloten
und Zugführer im Vergleich zu den Automatisierungsstufen für ein Kraftfahrzeug (siehe
Kapitel 2.3), so ist diese vergleichbar mit teilautomatisierten Systemen. Es gibt somit
kein Massen-Transportmittel mit einer Anforderung an den Führer die vergleichbar zur
hochautomatisierten Fahrzeugführung ist.
29
4.3. Müdigkeitsdetektion des Menschen
Kapitel 4.1 zeigt, dass die Auswirkungen von Ursachen für die Müdigkeit sehr komplex
sind. Ebenfalls sind die Ausprägungen der Müdigkeit in den Aktionen des Menschen un-
terschiedlich. So prägen weitere Einflüsse durch körperliche Bedürfnisse oder die Kultur
und Erziehung den Fahrer. Hierdurch unterscheidet sich das Verhalten zum Teil stark
von Person zu Person. Die Unterschiede bei den Verhaltensweisen zeigen sich mitunter
an der Unterteilung verschiedener Persönlichkeitstypen. Selbst der Mensch, der von Ge-
burt an eine Einschätzung der Bedürfnisse seiner Mitmenschen trainiert und den eigenen
Zustand zu beschreiben lernt, interpretiert verschiedene Verhaltensweisen jeweils indi-
viduell anders. Trotz der individuellen Einflüsse ist die Fremd- und Selbsteinschätzung
von Müdigkeit durch den Menschen aufgrund des lebenslangen Trainings ein gutes Maß
und wird in der Wissenschaft unter dem Oberbegriff subjektiver Müdigkeitsschätzungen
eingesetzt. Hierbei muss ein Proband seinen Zustand entweder selbst bewerten oder wird
von anderen Menschen bewertet. Die Person, deren Müdigkeitszustand ermittelt werden
soll, wird im Folgenden Zielperson genannt.
In der Forschung versucht man mit einer Vielzahl weiterer Messverfahren die ak-
tuellen Aktionen des Menschen als Teil seines Müdigkeitszustandes zu verallgemeinern.
Hierfür werden Messwerte bzw. Signale von technischen Systemen aufgenommen. Die Si-
gnale werden anschließend analysiert, um Zustandsparameter (bspw. Fahrzeugposition,
Augenöffnungsgrad) zu detektieren. Hierzu werden die Zustandsparameter auf prägnan-
te Merkmale, das Unter- bzw. Überschreiten eines Schwellwertes oder Änderungen über
die Messzeit untersucht, die als Indikatoren für den müden Zustand von Menschen die-
nen. Aufbauend auf diesen Indikatoren wird der Müdigkeitszustand geschätzt. Basierend
auf der Müdigkeitsschätzung kann ein Fahrer durch ein System gewarnt werden. Zu be-
achten ist, dass es derzeit kein Detektionsverfahren und keinen Test für die Müdigkeit
gibt, der als Goldstandard in der Forschung anerkannt ist (Johns, 1998; Platho, Pietrek
& Kolrep, 2013) und Ergebnisse häufig nicht umgesetzt werden (Mackie, 1987). In Be-
zug zum manuellen Fahren gab es in diesem Zusammenhang viele Forschungsprojekte,
deren Ziel die Detektion der Müdigkeit des Fahrers war. Ziel war es, diesen durch die
Detektion rechtzeitig zu warnen. Übersichten zu Studien auf diesem Gebiet wurden von
Dong, Hu, Uchimura und Murayama (2011) und Dawson, Searle und Paterson (2014)
veröffentlicht. Allgemein werden die Methoden zur Messung der Zustandsparameter als
objektive Messverfahren bezeichnet und in drei Untergruppen unterteilt.
Die erste Untergruppe bilden leistungsmessende Messverfahren. So wird die Mü-
digkeit einer Person indirekt auf Basis der Bewertung der Ausführung einer Tätigkeit
(z. B. Lenken, Reaktionszeiten) geschätzt. Bei der zweiten Untergruppe, den invasiven
physiologischen Messverfahren, dringt ein Messgerät in den Körper ein oder befindet sich
in diesem. Das Messgerät wird eingesetzt, um beispielsweise einen Blutwert über die Zeit
zu messen. Aufgrund der Verletzung des Körpers werden invasive physiologische Mess-
verfahren hauptsächlich in der klinischen Müdigkeitsdetektion eingesetzt und spielen zur
Detektion bei Fahrern eine untergeordnete Rolle. In dieser Arbeit werden sie aus diesem
Grund nicht näher betrachtet. Die dritte Untergruppe bilden nichtinvasive physiologi-
sche Messverfahren. Diese unterteilen sich zusätzlich in berührungslose Messverfahren
30
Abbildung 4.2.: Generellen Vorgehen zur Zustands- bzw. Müdigkeitsdetektion mit einem
objektiven Messsystem
und Messverfahren, bei denen die Messtechnik mit dem Körper des zu Messenden ver-
bunden ist. Beispielsweise gehören Analysen eines Kameravideos oder Aufnahmen von
mit dem Körper verbundenen Elektroden dieser Gruppe an.
Balkin, Horrey, Graeber, Czeisler und Dinges (2011); Bhuiyan (2009); Dinges und
Mallis (1998) oder Dong et al. (2011) unterteilen die unterschiedlichen Verfahren aus
den drei Untergruppen noch zusätzlich entsprechend dem Zeitpunkt der Messung, loka-
ler muskulärer Müdigkeit, einer Beeinflussung der Arbeitsbelastung oder der Nutzung
eines biomathematischen Modells. Eine Übersicht über das generelle Vorgehen zur Mü-
digkeitsdetektion von objektiven Messverfahren ist in Abbildung 4.2 zu sehen.
4.4. Subjektive Messverfahren der Müdigkeit
Bei subjektiven Messverfahren zur Müdigkeitsbewertung kann der Müdigkeitszustand
zum einen von der einzustufenden Zielperson selbst oder von einem externen Beob-
achter bewertet werden. In Referenz zu Abbildung 4.2 ersetzt ein Mensch durch seine
Bewertung die Schritte Aufnahme, Signal, Signalverarbeitung, Zustandsparameter und
schätzt den Müdigkeitszustand direkt. Bei der Eigen- oder Fremdbewertung wird die
Einschätzung häufig auf Basis einer Ordinalskala durchgeführt. Bei der Selbstbewer-
tung des Müdigkeitszustandes muss der Fahrer aktiv sein, was zwangsläufig auch dessen
Müdigkeit beeinflusst. Aus diesem Grund sollte die Häufigkeit einer Selbstbewertung
der Müdigkeit nicht in kurzen Intervallen stattfinden. So stellte E. A. Schmidt (2010,
S. 72-101) fest, dass eine verbale Abfrage des Müdigkeitszustandes die Hirnaktivität bis
zu zwei Minuten nach der Abfrage beeinflusst. Der Vorteil der Selbsteinschätzung ist,
dass der Mensch den eigenen Müdigkeitszustand gut einschätzen kann (Williamson, Fris-
well, Olivier & Grzebieta, 2014). So ist einem müden manuellen Fahrer bewusst, dass
seine Fahrleistung eingeschränkt ist (Fairclough & Graham, 1999). In wissenschaftlichen
Studien wird eine Vielzahl unterschiedlicher Tests zur Müdigkeitsdetektion genutzt. Aus
diesem Grund werden an dieser Stelle lediglich die am häufigsten verwendeten Methoden
in Müdigkeitsstudien vorgestellt.
4.4.1. Verfahren zur Selbstbewertung des Müdigkeitszustandes
• Karolinska Sleepiness Scale
Die Karolinska Sleepiness Scale (KSS) besteht aus neun Stufen, wobei die oberste
31
Abbildung 4.3.: Karolinska Sleepiness Scale
Stufe (eins) einen sehr wachen Zustand und die unterste Stufe (neun) einen sehr
müden Zustand beschreibt (siehe Abbildung 4.3). Die einzelnen Stufen wurden
mit „äußerst wach (eins), wach (drei), weder wach noch schläfrig (fünf), schläfrig
- ohne Mühe wach zu bleiben (sieben), sehr schläfrig - kämpfe gegen den Schlaf
(neun)“ von Åkerstedt und Gillberg (1990, S. 31) erstmals eingeführt und be-
schrieben. Die KSS ist eine der am häufigsten eingesetzten Skalen zur subjektiven
Müdigkeitsbewertung der vergangenen Jahre (Dong et al., 2011). Die Abfragehäu-
figkeit zwischen unterschiedlichen Abfragen variiert in wissenschaftlichen Studien
und liegt zwischen zwei und 30 Minuten (Ebrahim, 2016, Kapitel 2.2). In Hinblick
auf eine Fahruntüchtigkeit aufgrund des selbsteingeschätzten Müdigkeitszustan-
des, wird ein KSS Wert von sieben in Fahrstudien als Schwelle zur Fahrtüchtigkeit
gesehen (Ebrahim, 2016; Schramm, Fuchs, Wagner & Bruder, 2009). Eine ähnliche
Grenze zogen auch Sommer und Golz (2010) bei der Nutzung einer zehnstufigen
Skala, die sie ebenfalls Karolinska Sleepiness Scale nannten.
• Stanford Sleepiness Scale
Die Stanford Sleepiness Scale hat zwei Stufen weniger als die KSS zur Müdig-
keitsbewertung und wurde von Hoddes, Dement und Zarcone (1972) eingeführt
und in einer folgenden Publikation näher beschrieben (Hoddes, Zarcone, Smythe,
Phillips & Dement, 1973). Die einzelnen Stufen sind beginnend mit „1 = Fühle
mich aktiv und vital, aufmerksam, sehr wach;“ bis „6 = Schläfrigkeit, bevorzuge
niederzuliegen, Kampf gegen den Schlaf, benommen; 7 = Nahezu im Tagtraum,
bald einsetzender Schlaf, verlorener Kampf, um weiter wach zu bleiben“ (Hoddes
et al., 1972, S. 150) beschrieben. Die Abstufungen sind mit denen der KSS ver-
gleichbar, wobei auch hier die letzten zwei Stufen eine Fahruntüchtigkeit aufgrund
der Müdigkeit beschreiben. Ähnlich zur KSS sollte auch die Stanford Sleepiness
Scale in Müdigkeitsuntersuchungen diese so wenig wie möglich beeinflussen. So
wählten Hoddes et al. (1973) beispielsweise ein Intervall von 15 min.
32
• Visuelle Analogskala
Bei der visuellen Analogskala wird dem Probanden eine durchgezogene Linie mit
zwei Enden vorgelegt. Die beiden Enden sind jeweils mit den Extrema für Wachheit
und Müdigkeit beschriftet. Auf dieser Linie muss die Zielperson ihre Müdigkeit in
Relation zu den Enden markieren. Die Müdigkeit wird anschließend als Verhältnis
zu den beiden Enden gemessen. Hierbei gibt es unterschiedliche Ausführungsfor-
men, wie der Vergleich dreier visueller Analogskalen in Müdigkeitsstudien von
Pilcher, Pury und Muth (2003) zeigt.
• Epworth-Test zur Tagesschläfrigkeit
Im Gegensatz zu den drei zuvor genannten Verfahren bewertet sich ein Proband
mit dem Epworth-Test zur Tagesschläfrigkeit nicht zu festgelegten Zeitpunkten
während einer Studie. Ihm werden bereits vor der Studie acht Fragen zur generel-
len Einschlafneigung in verschiedenen Situationen (Sitzend lesen, fernsehen, in der
Öffentlichkeit sitzen, als Beifahrer im Auto, liegend in der Mittagszeit pausieren,
sitzende Unterhaltung, in Ruhe nach einem Mittagessen sitzen, als Fahrer im Stau)
gestellt. Der Test wurde von Johns (1991) entwickelt und von ihm in einer Stu-
die mit 180 Probanden (150 mit Schlafstörungen) getestet. Je nach Rückmeldung
der Probanden werden die Antworten mit einer Zahl von null bis drei bewertet.
Die Rückmeldungen werden anschließend aufsummiert und spiegeln je nach Sum-
me die allgemeine Einschlafneigung einer Person wieder. Ein Proband mit einem
Wert unterhalb von zehn wird als wacher Typ eingestuft (Čolić, Marques & Furht,
2014). Ab 16 besteht generell eine hohe Gefahr des Probanden tagsüber einzuschla-
fen. Verwey und Zaidel (2000) stellten bei der Nutzung von Persönlichkeitstests
wie dem Epworth-Test einen Zusammenhang zwischen verschiedenen Fahrfehlern
und Persönlichkeitstypen fest. Im Gegensatz zu den anderen Verfahren wird mit
dem Epworth-Test die Tendenz tagsüber einzuschlafen erfasst. Diese Untersuchung
kann somit nicht für eine Müdigkeitsdetektion während der Fahrt eingesetzt wer-
den.
4.4.2. Verfahren zur Fremdbewertung des Müdigkeitszustandes
Bei der Fremdbewertung des Müdigkeitszustandes bewerten externe Beobachter den Zu-
stand einer Person auf Basis aufgenommener Videos oder durch die aktive Beobachtung
der Person während einer Fahrt. Im Allgemeinen ist dieses Vorgehen in der Wissen-
schaft als Labelling bekannt. Häufig kommt dieses Verfahren zur Genauigkeitsbestim-
mung eines Sensors und dessen zugehöriger Algorithmen zum Einsatz. Hierzu wird der
Sensorwert mit einem realen Vergleichswert (Ground Truth) verglichen. Vor der Fremd-
bewertung durch Beobachter (auch Bewerter/Rater/Labelling Experten genannt) ist es
wichtig, dass diese die gleiche Bewertungsgrundlagen haben. Aus diesem Grund werden
die Labelling Experten im Vorfeld ihrer Tätigkeit geschult. Zusätzlich werden Ausschnit-
te, die gelabelt werden, mehrmals von verschiedenen Labelling Experten bewertet, um
die Ergebnisse zu validieren und Unterschiede im Verständnis der Bewertungsgrundlage
aufzudecken. Auch werden dieselben Abschnitte einem Labelling Experten manchmal
33
auch mehrfach gegeben, um zu überprüfen, wie hoch die Test/Retest-Reliabilität ist.
Beispielhaft untersuchten dies Wierwille und Ellsworth (1994) mit sechs Labelling Ex-
perten und fanden eine große Konsistenz der Ergebnisse zwischen einzelnen Experten.
Für die Müdigkeitsbewertung von Fahrern durch Labelling Experten gibt es kein
Bewertungssystem, das einheitlich von einer Vielzahl von Forschern eingesetzt wird.
Wierwille und Ellsworth (1994) nutzten beispielsweise eine fünfstufige visuelle Analog-
skala. Karrer-Gauß (2011) bewertete Probanden anhand einer vierstufigen Müdigkeits-
skala mit mehreren Indikatoren für verschiedene Müdigkeitsstufen als Bewertungskrite-
rium. Als nicht müde bewertet wurden Probanden mit schnellen Lidschlägen (< 0.5 s),
schnellen Blicken, einem normalen Gesichtstonus, gelegentlichen Körperbewegungen und
kleineren Lenkradbewegungen. Als müde galten Probanden mit längeren Lidschlüssen
(0.5 - 1 s), selten ausgeführten Sakkaden, häufigeren Lidschlägen, geringerem Gesichtsto-
nus, Augenreiben, Gesichtsreiben, Grimassieren, Kratzen und ruhelosem Hin- und Her-
rutschen im Sitz. Sehr müde galten Probanden bei langen Lidschlüssen (1 - 2 s), bei seit-
wärts rollenden Augen, seltenen Lidschlägen, einem geringen Gesichtstonus, nur verein-
zelten Körperbewegungen, einer bequemen Position im Sitz und nur vereinzelten großen
Lenkradbewegungen. Bei auftretendem Sekundenschlaf, überlangen Lidschlüssen (> 2 s),
keinen Körperbewegungen, im Übergang zum Sekundenschlaf, ruckartigen Körperbewe-
gungen und Wiederaufrichten des Kopfes/Körpers galten Probanden als extrem müde
(Karrer-Gauß, 2011, S. 66). Diese Bewertungen decken sich mit den Anzeichen von Mü-
digkeit von Sundelin et al. (2013).
Ein großer Nachteil aller subjektiven Messverfahren, die ein Labelling erfordern,
ist der hohe Aufwand der Bewertung. Speziell in sehr langen Fahrstudien mit großen
Mengen aufgenommener Daten ist eine präzise Bewertung durch mehrere Experten sehr
aufwendig. Aus diesem Grund kommt dieses Verfahren selten zum Einsatz.
4.5. Detektion der müdigkeitsbedingten Abnahme der
Leistungsfähigkeit
• Messung der tätigkeitsbezogenen Leistung
Zur Messung von leistungsabhängigen Größen wird die Ausführung einer Tätig-
keit des Menschen aufgezeichnet. Aufgrund der abnehmenden Leistung mit zuneh-
mender Müdigkeit (Mullaney, Fleck, Daira & Kripke, 1985), wird diese Messung
zur Müdigkeitsdetektion herangezogen. Die Größen basieren im allgemeinen auf
dem Lenk-, Spurhalte-/Spurverlassens- und Geschwindigkeitsverhalten des Fah-
rers (Forsman, Vila, Short, Mott & van Dongen, 2013; Otmani, Pebayle, Roge &
Muzet, 2005; C. C. Liu et al., 2009). Ergebnis eines Vergleiches von 87 verschiede-
ne Kennzahlen zum Fahrverhalten von Forsman et al. (2013) war, dass vor allem
die Variabilität des Lenkverhaltens zur Detektion einsetzender Müdigkeit benutzt
werden kann. Für Friedrichs und Yang (2010b) stellte die mittlere Geschwindigkeit
des Lenkwinkels den sensitivsten Müdigkeitsindikator im Vergleich von 31 Kenn-
zahlen dar.
34
Ein Vorteil dieser Messverfahren ist, dass die Tätigkeit und somit die genutz-
ten Messgrößen das direkte Verhalten während der Tätigkeit des Menschen wider-
spiegeln. Eine Schwierigkeit hierbei ist, dass sich die Tätigkeit nicht nur müdig-
keitsbedingt ändert, sondern auch das generelle Verhalten mit einfließt (C. C. Liu
et al., 2009). Im Gegensatz zu subjektiven Messverfahren muss die Zielperson oder
ein Bewerter nicht zusätzlich geschult werden. Im Gegensatz zu externer Messtech-
nik oder subjektiven Abfragen wird die Zielperson auch nicht daran erinnert, dass
sie sich unter Beobachtung befindet. Aufgrund der einfachen Umsetzung dieser
Verfahren während des manuellen Fahrens, kommen diese Verfahren häufig als Se-
riensystem zur Müdigkeitsdetektion im Fahrzeug zur Anwendung. Eine Übersicht
der Anwendungen in Seriensystemen ist in Kapitel 4.7 zu finden.
• Messung des Müdigkeitszustandes mit Leistungstests
Ein großer Nachteil der tätigkeitsbezogenen Messverfahren ist, dass diese in vielen
wissenschaftlichen Untersuchungen nur stichprobenartige Aussagen zum Müdig-
keitsprozess durch die Kopplung mit den Studienbedingungen liefern. So kann sich
das Straßenprofil von Studie zu Realität stark unterscheiden oder Hindernisse und
der Gegenverkehr das Lenkverhalten zusätzlich beeinflussen. Aus diesem Grund
wurden Leistungstests entwickelt, die zusätzlich zu einer Tätigkeit eingesetzt wer-
den können. Zum Einsatz kommen beispielsweise Reaktionstests auf Lichtsignale,
mathematische Aufgaben, Kodieraufgaben, Logiktests, Tests des Kurzzeitgedächt-
nisses oder Unterscheidungsaufgaben von akustischen Signalen (Angus & Hesle-
grave, 1985). Speziell in Langzeituntersuchungen zum Müdigkeitsverhalten unter
Schlafentzug (Babkoff et al., 1985; Englund, Ryman, Naitoh & Hodgdon, 1985)
oder zum Test des Effekts von kurzem Schlaf nach Schlafentzug (Haslam, 1985;
Webb, 1985) kommt eine Vielzahl dieser Verfahren zum Einsatz. Ebenfalls wird
der Einfluss der Müdigkeit auf Leistungstests wie Liegestützen untersucht (Pleban,
Thomas & Thompson, 1985). Die beiden gebräuchlichsten Leistungstests sind der
Psychomotorische Vigilanztest und der Mackworth Clock-Test.
Bei dem Psychomotorischen Vigilanztest muss die Zielperson in einem Zeit-
raum von zehn Minuten möglichst schnell eine Taste betätigen, wenn sich Zahlen
in zufälligen Intervallen von drei bis sieben Sekunden auf einem Display ändern.
Zur Müdigkeitsanalyse werden die Reaktionszeit und die Fehler ausgewertet.
Der von Mackworth (1948) entwickelte Vigilanztest besteht aus einem Zei-
ger, der sich ähnlich einem Sekundenzeiger im Kreis auf einer Scheibe bewegt. Der
Zeiger bewegt sich dabei in 100 fortlaufenden Positionen in gleich großen Abstän-
den in 100 s im Kreis. In zufällig gewählten Zeitpunkten springt der Zeiger anstatt
eine Position zwei Positionen weiter. Sobald dies eintritt, soll die Zielperson eine
Taste drücken. Wie beim Psychomotorischen Vigilanztest werden Reaktionszeit
und Fehler ausgewertet.
Durch die einfache Durchführung und die große Zahl bestehender Studien,
die den Psychomotorischen Vilgilanztest oder Mackworth Clock-Test bereits einge-
setzt haben, kann man den Müdigkeitszustand der Zielperson anhand der Leistung
in den Tests gut einschätzen. Der Nachteil bei den Tests ist, dass nicht abgeschätzt
35
werden kann, welchen Effekt die Gewöhnung der Personen an diese hat. Ebenfalls
ist nicht bekannt, wie das Ergebnis beeinflusst wird, wenn die Motivation einer Per-
son zur Teilnahme an den Tests abnimmt. So kann es sein, dass das Engagement
und die Schnelligkeit bei der Durchführung speziell nach einer häufigen Wieder-
holung des Tests durch Langeweile und fehlende neue Reize abnimmt. Ebenfalls
muss die ursprüngliche Tätigkeit für Leistungstests unterbrochen werden.
Neben den vorgestellten Tests und Verfahren werden in Müdigkeitsuntersuchungen eben-
falls der multiple Schlaflatenztest oder der multiple Wachbleibetest eingesetzt (Carskadon,
1986; Johns, 1998). Diese Tests werden hauptsächlich in klinischen Untersuchungen wie
zur Analyse von Schlafkrankheiten durchgeführt. Da diese Tests in Fahrstudien nicht
praktikabel sind, werden sie nicht näher erläutert. Auch werden kognitive Tests einge-
setzt, deren Eignung zur frühzeitigen Erkennung der Fahrermüdigkeit allerdings fraglich
ist (Williamson, Feyer, Mattick, Friswell & Finlay-Brown, 2001). Eine umfassende Über-
sicht zu diesen Verfahren ist in Weeß et al. (2000) und Čolić et al. (2014) zu finden. Für
eine weitere umfassende Übersicht über die meist zitierten Fahrstudien mit Vigilanz-
tests aus dem letzten halben Jahrhundert wird auf die Arbeit von Cabrall et al. (2016)
verwiesen.
4.6. Physiologische Messverfahren zur
Müdigkeitsdetektion
• Hirnaktivität
Eine häufig verwendete Methode zur Untersuchung des Menschen in Zusammen-
hang mit Schlaf und Müdigkeit ist die Messung der Hirnaktivität mit Hilfe der
Elektroenzephalografie (EEG). Hierzu werden mehrere Elektroden auf der Kopf-
haut angebracht, die die elektrische Aktivität des Gehirns messen. Die aufgenom-
menen Signale werden nach der Messung im Frequenzspektrum in mehrere soge-
nannte Bänder unterteilt. Zur Schätzung der Müdigkeit von Fahrern wird häufig
das Signal des Alpha-Bandes (8-12 Hz) betrachtet und die Wellenform der Signale
(Spindeln) anhand der Spindelrate, -dauer, -amplitude oder -frequenz genauer ana-
lysiert. Speziell das Signal des Alpha-Bandes eignet sich zur Müdigkeitsdetektion
(E. A. Schmidt, 2010, Studie 1, 2 und 3), korreliert mit der Fahrleistung (Lin et
al., 2005) und kann zusammen mit dem Theta-Band (4-8 Hz) zur Schätzung der
Arbeitsbelastung genutzt werden (Lei, 2011).
• Herzrate
Zur Müdigkeitsdetektion auf Basis der Herztätigkeit wird hauptsächlich die Elek-
trokardiografie (EKG) eingesetzt (Kranjec, Beguš, Geršak & Drnovšek, 2014).
Hierbei messen Elektroden am Körper den Herzschlag. Aus den aufgenommenen
Spannungssignalen werden anschließend weitere Parameter wie die Herzratenva-
riabilität abgeleitet. Speziell dieser Parameter dient als Indikator des Müdigkeits-
zustandes, da er sich zwischen wachen und müden Phasen signifikant unterscheidet
36
(Chua et al., 2012; Tran, Wijesuriya, Tarvainen, Karjalainen & Craig, 2009; Zhao,
Zhao, Liu & Zheng, 2012).
• Hautleitwert
Der Hautleitwert spiegelt die elektrische Leitfähigkeit der Haut wieder und wird
maßgeblich durch austretenden Schweiß aus den Schweißdrüsen beeinflusst. Er wird
mit Hilfe von Elektroden auf der Haut gemessen und als Müdigkeitsindikator ein-
gesetzt (Bundele & Banerjee, 2009).
• Stimmanalyse
Durch die Analyse der Stimmencharakteristik von Personen kann man ebenfalls
auf deren Müdigkeitszustand schließen. Mit zunehmender Müdigkeit ändern sich
einzelne Töne wie „p“, „t“ und Buchstaben, die viel Luft zur Formulierung brau-
chen (Greeley et al., 2007; Krajewski, Batliner & Golz, 2009). Diese können in den
Aufzeichnungen eines Mikrofons analysiert werden.
• Pupillometrie
Zur Messung des Pupillendurchmessers wird die Pupille von Kameras aufgezeich-
net und anschließend in den Kamerabildern vermessen. Durch die Entwicklung im
Bereich der Bildverarbeitung werden dazu heutzutage hauptsächlich automatisier-
te Verfahren verwendet. Der Durchmesser der Pupille variiert bei Erwachsenen
zwischen zwei und acht Millimetern (Young & Sheena, 1975). Durch die Analyse
des Durchmessers der Pupille über die Zeit kann ein Rückschluss auf die Müdigkeit
des Menschen getroffen werden (Hoeks & Levelt, 1993; Wilhelm et al., 1999). An-
fällig sind diese Messungen allerdings für verschiedene Blickrichtungen, die nicht
immer ausreichend berücksichtigt werden (Brisson et al., 2013). Hierzu sind detail-
lierte Modelle des Auges, wie das von Hayes und Petrov (2016) nötig. Genutzt wird
die Messung der Pupillengröße unter anderem in dem pupillographischen Schläf-
rigkeitstest (Weeß et al., 2000).
• Lidschläge
Zum Schutz und zur Befeuchtung der Augen hat der Mensch ein oberes und ein
unteres Lid, die bei Lidschlägen vor den Augapfel geschoben werden. Einsetzende
Müdigkeit beeinflusst die Zeit des normalen Lidschlages während des manuellen
Fahrens und kann deshalb genutzt werden, um den Müdigkeitszustand des Fahrers
zu schätzen (T. L. Morris & Miller, 1996; Picot, Charbonnier & Caplier, 2012). Zur
Aufzeichnung des Lidschlagverhaltens stehen unter anderem folgende Methoden
zur Verfügung:
- Menschliche Bewerter (Labelling Experten)
- Elektrookulografie (EOG)
- Kamerabasierte Lidschlagdetektion
- Elektromyografie
- Reflektionen von Infrarotlicht
37
- Magnetische Spulen
- Verbindungen mit dem Augenlid
Außer den menschlichen Bewertern erzeugen alle Verfahren im ersten Schritt ein
Signal, dass die Position der Lider direkt oder indirekt über die Zeit beschreibt.
Zur Detektion des Lidschlages in den Signalen ist je nach Messtechnik ein speziel-
les adaptives Verfahren zur Signalverarbeitung notwendig. Generell sind Ansätze
zur Detektion des Lidschlages in den Signalen schwellwertbasierte Verfahren (z.B.
Colzato, van Wouwe & Hommel, 2007; Divjak & Bischof, 2009; Grauman, Bet-
ke, Gips & Bradski, 2001), Filterverfahren (z.B. Grauman et al., 2001; Jammes,
Sharabty & Esteve, 2008; Pander, Przybyla & Czabanski, 2008), Transformations-
verfahren (z.B. Benoit & Caplier, 2010; Malik & Smolka, 2014) oder Verfahren
basierend auf Detektionen lokaler Extremwerte im Signal (z.B. Malik & Smolka,
2014; Radlak & Smolka, 2012; Veltman & Gaillard, 1996). Abhängig von der Si-
gnalgüte und der Qualität der Signalverarbeitung können Lidschläge und weitere
Informationen zu diesen (z.B. Startzeitpunkt, Geschwindigkeit des Lidschließens,
Dauer des Lidschlusses) detektiert werden (Picot et al., 2012). Speziell längere
Fahrten und Videos erhöhen den Aufwand für eine Einzelbildauswertung durch
Labelling Experten schnell. Aus diesem Grund wird die Erkennung von Lidschlä-
gen fast immer automatisiert. Änderungen im Lidschlagverhalten werden mit be-
kannten Anzeichen von Müdigkeit verglichen und die Müdigkeit anhand dieser
Änderungen geschätzt.
In Fahrstudien, die das Lidschlagverhalten der Fahrer untersuchen, werden
von den beschriebenen Aufnahmeverfahren hauptsächlich EOG und Kameraauf-
nahmen genutzt (T. L. Morris & Miller, 1996; Picot et al., 2012). EOG gilt dabei
aufgrund der sehr hohen Aufnahmefrequenz als verlässliches Verfahren. Auf der
anderen Seite sind Bilder mit einer Kamera einfacher aufzunehmen und bieten
speziell im Fahrzeug Vorteile, da die Aufnahme auch ohne Befestigung von Elek-
troden am Fahrer erfolgen kann.
• Kopfbewegungen
Es wird auch die Kopfposition des Fahrers als Indikator für seinen müden Zu-
stand herangezogen. Eine generelle Übersicht über den Nutzen der Kopfposition
in diesem Zusammenhang wurde von Popieul, Simon und Loslever (2003) zusam-
mengestellt. In Studien zeichnete sich die Variation der Kopfposition (Popieul et
al., 2003) oder die exponentiell gewichtete Varianz der Frequenz von Nickbewe-
gungen (Friedrichs & Yang, 2010a) als sensitive Parameter zur Bestimmung der
Müdigkeit aus. Um die Kopfposition zu messen, werden unter anderem optische
Verfahren eingesetzt, bei denen die Bestimmung der Position über eine Triangu-
lation von zwei Kameras zu mehreren am Kopf angebrachten Punkten erfolgt.
Weitere Systeme basieren auf Ultraschallmessungen, der Änderung des elektro-
magnetischen Felds oder mechanischen Sensoren mit flexiblen Verbindungen zum
Kopf (Young & Sheena, 1975).
38
• Gähnen
Oft wird einsetzendes Gähnen eines Menschen mit seinem müden Zustand in Ver-
bindung gebracht. Bis heute ist der genaue Grund des Gähnens noch nicht ein-
deutig geklärt. So gibt es eine starke Abhängigkeit zwischen dem Dopaminlevel
und dem Auftreten von Gähnen. Auch wird angenommen, dass das Gähnen ei-
ne reflexartige Antwort bei Monotonie zur Steigerung der Vigilanz ist (Daquin,
Micallef & Blin, 2001). Zur Müdigkeitsdetektion wird das Auftreten von Gähnen
häufig mit einer Kamera aufgenommen und über eine Bildverarbeitung ausgewer-
tet (Abtahi, Hariri & Shirmohammadi, 2011).
• Hand- und Körperbewegungen
Zur Detektion des Müdigkeitszustandes werden nicht nur Bewegungsmuster des
Kopfes oder von Kopfpartien aufgezeichnet. Daneben werden auch Sensoren zur
Bewegungsmessung der Arme, Hände und des Körpers eingesetzt. Hierzu werden
entweder Kamerabilder mit Hilfe einer Bildverarbeitung, oder Positionsdaten von
Sensoren am Körper des Fahrers ausgewertet und zur Müdigkeitsdetektion einge-
setzt (A. Buck, Tobler & Borbély, 1989; Cole, Kripke, Gruen, Mullaney & Gillin,
1992; Pollak, Tryon, Nagaraja & Dzwonczyk, 2001).
Neben der Nutzung von Einzelverfahren werden diese zur Verbesserung der Müdigkeits-
detektion auch kombiniert. So konnten Teyeb, Jemai, Zaied und Amar (2014) beispiels-
weise die Müdigkeitsdetektion eines Verfahrens basierend auf Parametern aus dem Au-
genbereich der Fahrer durch eine Kombination mit Paramtern zur Kopfposition um
fast zehn Prozent steigern. Weitere Methoden koppeln die subjektiven und objektiven
Verfahren wie der Karolinska Drowsiness Score von Gillberg, Kecklund und Åkerstedt
(1996). Bei diesem werden objektiv aufgenommene Signalverläufe (beispielsweise Au-
genbewegungen, Hirnaktivität) in 20 s-Abschnitte unterteilt. Diese Abschnitte werden
wiederum in zehn äquivalente Zeitabschnitte von zwei Sekunden geteilt und die Signal-
verläufe von Labelling Experten auf Müdigkeitsanzeichen anhand der Bewertungsregeln
von Rechtschaffen und Kales (1968) bewertet. Je nach Anzahl der Abschnitte über zwei
Sekunden mit einer Einstufung als müde, wird der Proband im Gesamtabschnitt als mü-
de eingestuft. Hu und Zheng (2009) nannten beispielsweise einen Schwellwert von mehr
als zehn von zwanzig Sekunden als ein Zeichen für einsetzende Müdigkeit.
4.7. Aktuelle Fahrerbeobachtungssysteme
4.7.1. Müdigkeits- und Aufmerksamkeitserkennung im
Kraftfahrzeug
Um dem müden Fahren entgegen zu wirken und den Fahrer zu warnen, wurden von den
Automobilherstellern verschiedene Müdigkeitswarnsysteme entwickelt. Der Großteil die-
ser Systeme nutzt zur Müdigkeitsdetektion die tätigkeitsbezogene Abnahme der Fahrleis-
tung des Fahrers (siehe Kapitel 4.5). Als Leistungsmaße werden von den Seriensystemen
39
das Lenkwinkelsignal (Daimler AG, 2008; Volkswagen AG, 2016), die Spurhalteeigen-
schaften des Fahrers (Ford, 2010) oder beides zusammen (Volvo Car Corporation, 2014)
detektiert und verwendet. Diese Signale werden zusätzlich mit Informationen, wie der
Betätigung von Tasten oder der Fahrtzeit gekoppelt. Alle genannten Systeme schließen
indirekt auf den Müdigkeitszustand des Fahrers, da sie nicht den Fahrer selbst, sondern
seine Handlungen (Lenken, Spurhaltung) analysieren und bewerten. Da die Sensoren zur
Spurhaltung und zur Messung des Lenkwinkelsignals in einem Großteil der Serienfahr-
zeuge bereits vorhanden sind, werden die Systeme zur Müdigkeitserkennung in vielen
Fahrzeugen serienmäßig angeboten.
Darüber hinaus bot über lange Zeit lediglich Toyota ein System zur Aufmerksam-
keitserkennung als Sonderausstattung an, dass den Fahrer mit einer Kamera aufzeichnet.
Das System von Toyota wurde erstmal 2006 als Sonderausstattung zusammen mit ei-
nem Pre-Collision System eingeführt (Toyota Motor Corporation, 2017). Eine Kamera
detektiert bei diesem System, ob der Fahrer aktuell auf die Straße schaut und die Au-
gen geöffnet hat. Falls dies für einen gewissen Zeitraum nicht mehr gegeben ist und
das Fahrzeug eine mögliche Kollision erkennt, warnt das System den Fahrer frühzeitig.
In dieser Ausführung fungiert das System deshalb als Warnsystem anstatt als System
zur frühzeitigen Müdigkeitswarnung. Seit 2009 bietet der Lastkraftwagenhersteller Hino
dasselbe System wie Toyota an (Hino Motors, 2009). Dieses wird von Denso zugelie-
fert (Denso, 2017). Caterpillar bietet mehrere Systeme zur Überwachung des Fahrers
und zur Detektion von Müdigkeit an (Caterpillar Inc, 2017). Mit Hilfe eines Aktigraphs
wird der Aktivitäts- und Ruhezyklus der Fahrer analysiert, um ein Maß für den Mü-
digkeitszustand dieser auszugeben. Zusätzlich wird mit einem Kamerasystem der Firma
Seeing Machines der Augenöffnungsgrad und die Kopfposition des Fahrers analysiert.
Wird ein abgelenkter oder müder Fahrer detektiert, wird dieser über Sitzvibrationen
und/oder akustische Warnungen gewarnt. Darüber hinaus werden spezielle Schulungen
für die Mitarbeiter angeboten, um Unfälle durch Müdigkeit zu verhüten (Caterpillar Inc,
2017).
Neben den beschriebenen Seriensystemen gibt es eine große Anzahl weiterer Sys-
teme, die nachträglich in ein Fahrzeug eingebaut werden könnten (Grace & Steward,
2001; Dawson et al., 2014). So könnte eine Vielzahl der Systeme aus Forschungsarbeiten
zur Müdigkeitserkennung auch für eine erfolgreiche Erkennung im Fahrzeug während
der Fahrt eingesetzt werden. Anstatt die Systeme aus Forschungsstudien direkt in einem
Echtzeitverfahren zu testen und den Fahrer zu warnen, werden die Daten oft erst im
Anschluss an die Datenerhebung ausgewertet (vgl. Dinges & Grace, 1998; Friedrichs &
Yang, 2010a; Wierwille et al., 1994). So ist es fraglich, ob die Systeme die Warnung auch
in der Anwendung rechtzeitig ausgeben und wie der Fahrer auf eine Müdigkeitswarnung
zu dem jeweiligen Zeitpunkt reagieren würde.
In ihrer Literaturübersicht beschreiben Dawson et al. (2014) insgesamt 16 Sys-
teme zur Müdigkeitserkennung. Diese basieren neben den in Kapitel 4.5 vorgestellten
Verfahren zum Teil zusätzlich auf der Nutzung der Geschwindigkeit von Augenbewe-
gungen oder des Pupillenreflexes. Dawson et al. (2014) merken an, dass es trotz der
bisherigen Anstrengungen und Studien keine Detektionsmethode gibt, die aus wissen-
schaftlichen Gesichtspunkten die Müdigkeit des Fahrers sicher erkennen kann. Schon
40
17 Jahre vor ihm diskutierte I. D. Brown (1997) die unterschiedlichen Aspekte hierbei
ausführlich. Als Grund von Dawson et al. (2014) auch 17 Jahre später hierbei keinen
erkennbaren Fortschritt erreicht zu haben wird die Schwierigkeit genannt, Müdigkeit bei
Menschen vorherzusagen, zu erkennen und in ein kommerzielles Produkt zu integrieren.
Zusätzlich gibt es zu einem Großteil existierender Messsysteme keine wissenschaftliche
Validation der spezifischen Erkennungsleistung. Auf dieser Basis und mit der geringen
Zahl an durchgeführten Studien mit einzelnen Messtechniken erfüllt „keine der derzeiti-
gen Technologien zur Müdigkeitsdetektion alle definierten regulatorischen Kriterien, um
als rechtlich und wissenschaftlich zuverlässiges Gerät zu gelten“ (Dawson et al., 2014,
S. 150).
Neben den Systemen zur Müdigkeitsdetektion und Detektion des Fahrerzustandes
vor einem möglichen Zusammenstoß gibt es insbesondere beim teilautomatisierten Fah-
ren noch weitere Systeme im Fahrzeug zur Zustandsüberwachung des Fahrers. Hierbei
werden hauptsächlich Systeme eingesetzt, die erkennen ob der Fahrer seine Hände am
Lenkrad hat (sogenannte Hands-on bzw. Hands-off Detektion siehe Daimler AG, 2017a;
BMW AG, 2017). Die Systeme analysieren hierzu das Drehmoment des Lenkrades oder
den Druck, den eine Hand auf das Lenkrad ausübt. Diese Systeme sollen den Fahrer an
seine Verpflichtung erinnern, das teilautomatisierte System bei dessen Fahrausführung
zu überwachen und nötigenfalls zu (über)steuern (Economic Commission for Europe,
2014; Deutscher Bundestag, 2016). Ab Herbst 2017 wird das teilautomatisierte System
Super Cruise von Cadillac in einem Fahrzeug angeboten, dessen Funktion an die Aufnah-
me einer Infrarotkamera gekoppelt ist (General Motors AG, 2017). Die Infrarotkamera
überwacht, ob die Kopfposition des Fahrers auf die Straße gerichtet ist. Ist dies während
der Aktivität von Super Cruise nicht der Fall, so wird der Fahrer mit Hilfe eines blin-
kenden grünen Lichts hingewiesen, die Straße zu beobachten. Falls das System erkennt,
dass der Fahrer die Straße für längere Zeit nicht beobachtet, signalisiert es dem Fahrer,
dass dieser die Fahrt manuell fortsetzen muss. Ebenfalls plant Audi ein hochautomati-
siertes System für langsame Fahrten (bis 60 km/h) einzuführen, bei dem eine Kamera
die Position, Bewegung und Lidschlag des Fahrers überwacht (Audi AG, 2017). Je nach
Verhalten des Fahrers wird dieser aufgefordert, das System wieder zu übernehmen.
4.7.2. Aktuelle Beobachtungssysteme in anderen Verkehrsmitteln
In Zügen, Flugzeugen oder Schiffen sind bereits seit längerer Zeit automatisierte Funk-
tionen zur Fahrt oder dem Flug verfügbar und im Einsatz. Aufgrund der hohen Verant-
wortung für die Passagiere, die hohe finanzielle Verantwortung bei Gütertransporten und
den schwerwiegenden Folgen eines Unfalls wurden bei diesen Verkehrsmitteln besondere
Vorkehrungen getroffen. Der Fahrt- und Flugverlauf der Verkehrsmittel wird laufend von
Kontrollstationen überwacht und gesteuert. Im Luftverkehr sind dies regional zuständi-
ge Kontrollstationen mit Fluglotsen. Im Schienenverkehr ist dies der Zugleitbetrieb mit
Zugleitern und bei der Schifffahrt See- und Hafenlotsen. Die Fluglotsen und Zugleiter
haben dabei den Flug- oder Streckenverlauf und die Position von mehreren Flugzeugen
oder Zügen im Blick und leiten die Piloten bzw. Zugfahrer für einen sicheren Flug bzw.
Fahrt an. Zusätzlich stehen sie im Funkkontakt und können mündlich den Zustand der
41
Piloten und Lokführer erfragen, sowie Anweisungen erteilen. In größeren Flugzeugen gibt
es darüber hinaus immer zwei Piloten, die den Flug steuern und absichern. Neben der
Funkverbindung zu dem Lotsen gibt es im Flugzeug keine weitere Pilotenüberwachung.
Bei Schiffen gibt es lediglich einen Schiffsführer, der eine automatisierte Fahrt auf See
überwachen muss. In Zügen gibt es darüber hinaus zusätzliche Vorrichtungen, die eine
Fahrt absichern und den Zugleiter in den Regelkreis der Fahrzeugführung einbinden.
Diese sollen die dauerhafte Aufmerksamkeit der Lokführer sicherstellen. Die Vorrichtun-
gen unterscheiden sich historisch bedingt zum Teil stark von Land zu Land und änderten
sich im Laufe der Jahre (Oman & Liu, 2006). An dieser Stelle werden lediglich die in
Deutschland eingesetzten Techniken vorgestellt:
• Sicherheitsfahrschaltung
In der DIN 0119-207-5 (2016) ist die Sicherheitsfahrschaltung (Sifa) für Züge ge-
regelt. Es gibt vier Unterformen der Sifa: Die Zeit-, Zeit-Weg-, Zeit-Zeit- und
Aufforderungs-Sifa. Bei allen Ausführungsformen muss der Lokführer aktiv eine
Rückmeldung in Form eines Tastendrucks geben oder bei einem kontinuierlich ge-
drückten Taster diesen auf Aufforderung kurzzeitig loslassen. Hierzu wird er durch
einen Leuchtmelder visuell aufgefordert. Als zusätzliche Dringlichkeitsstufe wird
der Lokführer je nach Bauart der Sifa nach einem Zeitintervall von 2 - 2.5 s zu-
sätzlich durch den akustischen Melder zur Rückmeldung aufgefordert. Sollte der
Lokführer je nach Bauart der Sifa innerhalb von 5 - 6 s keine Rückmeldung geben,
so wird automatisch ein Bremseingriff gestartet und der Antrieb des Triebfahrzeugs
abgeschaltet. Das Intervall zwischen zwei Sifa-Abfragen beträgt je nach Bauart und
Zeitpunkt der Rückmeldung circa 30 s.
• Zugbeeinflussung
Lokführer haben neben der Rückmeldung auf die Sifa die Aufgabe auch strecken-
abhängig weitere Zugbeeinflussungen zu bestätigen. Dies sind Sicherheitsvorkeh-
rungen mit denen kontrolliert wird, ob ein Zug die richtige Geschwindigkeit und die
Erlaubnis hat auf dem aktuellen Streckenabschnitt zu fahren. Die entsprechenden
Richtlinien sind in der DIN 0119-207-6 (2017), DIN 0119-207-7 (2016) und DIN
0119-207-8 (2004) beschrieben. Diese Sicherheitssysteme lösen eine automatische
Bremsung aus, falls ein Lokführer ein Signal ohne Berechtigung bzw. Bestätigung
überfährt oder eine zu hohe Geschwindigkeit hat. Je nach Situation ist es dem
Lokführer erlaubt, sich aus der Signalüberwachung zu befreien. Hierzu ist eine ak-
tive Signalbestätigung seinerseits nötig. Hierdurch sollen Betriebsbehinderungen
verhindert werden.
4.7.3. Systemvoraussetzungen zur Fahrerbeobachtung für das
hochautomatisierte Fahren
Laut Balkin et al. (2011) hat ein ideales System zur Müdigkeitserkennung drei Eigen-
schaften:
42
• „Es prädiziert den müden Zustand eines Fahrers auf Basis der verantwortlichen
Faktoren, bevor es eine Abnahme dessen Leistung aufgrund der Müdigkeit gibt.
• Es kann die Müdigkeit/Leistung im normalen Arbeitsumfeld messen und beobach-
ten.
• Es hat die Möglichkeit effektiv in die Tätigkeit des Menschen einzugreifen, wenn
entsprechende Defizite erkannt oder erwartet werden, um die Aufmerksamkeit und
Leistung so lange aufrecht zu erhalten, wie dies nötig ist.“ (Balkin et al., 2011,
S. 566)
Zusätzlich ist für jede Messtechnik zur Müdigkeitserkennung laut Dinges und Mallis
(1998) wichtig, dass die Daten des Messsystems valide und konsistent sind. Außerdem
muss die Detektionsrate des müden Zustandes der Probanden hoch sein und gleichzeitig
die Rate an Falschalarmen niedrig.
Die beschriebenen Anforderungen lassen sich auf ein optimales System zur Detek-
tion der Reaktionsfähigkeit beim hochautomatisierten Fahren übertragen. So muss dies
den Zustand des Fahrers derart detektieren, dass eine sichere Übernahme der Fahraufga-
be sichergestellt ist. Anders als beim manuellen Fahren ändert sich die Aufgabenstellung
des Fahrers während des hochautomatisierten Fahrens. So eröffnet das hochautomati-
sierte Fahren dem Fahrer neue Betätigungsmöglichkeiten oder die vollständige Passivität
innerhalb seiner Rolle als Fahrer. Dadurch fehlt die dauerhafte Möglichkeit einer perma-
nenten Überwachungsmöglichkeit von tätigkeitsbezogenen Messgrößen der Fahraufgabe.
Aus Sicht einer einfachen Zustandserkennung ist die Änderung der Aufgabenstellung für
den Fahrer somit kontraproduktiv. Neben den tätigkeitsbezogenen Parametern in Bezug
auf die Fahraufgabe können alle weiteren Messtechniken aus Kapitel 4.3 auch während
dem hochautomatisierten Fahren eingesetzt werden.
Betrachtet man Systeme zur Reaktionsfähigkeitserkennung für HAF allerdings aus
einer anwendungsorientierten Sicht, so ist die Möglichkeit einer praktikablen und ak-
zeptablen Umsetzung begrenzt. So ist die Anwendung für subjektive Messverfahren in-
praktikabel und beschränkt sich deshalb auf Fahrstudien. In Hinblick auf ein gutes und
akzeptables Seriensystem muss dieses mehrere Voraussetzungen erfüllen, die die zuvor
erwähnten Methoden (EEG, EKG, EOG, Stimmenanalyse, Hautleitwert, tätigkeitsbe-
zogene Parameter) nicht vollständig erfüllen. Mit dem Ziel einer hohen Akzeptanz bei
allen Fahrern, müssen die Systeme berührungsfrei umgesetzt werden (Barr, Howarth,
Popkin & Carroll, 2005). Dies ist wichtig, da alleine 2014 in den USA 49 % der Unfall-
toten nicht angeschnallt waren (National Center for Statistics and Analysis, 2016). Dies
zeigt die Ablehnung von Fahrzeuginsassen trotz des hohen Sicherheitsrisikos. Von den
erwähnten Verfahren erfüllen dieses Kriterium das EEG, EKG, EOG und das System
zur Ermittlung des Hautleitwerts nicht. Im Hinblick auf eine Detektion der Reaktions-
fähigkeit könnte man anstelle von tätigkeitsbezogenen Parametern aus der Fahraufgabe,
tätigkeitsbezogene Parameter aus Nebentätigkeiten oder Nebenaufgaben zur Fahrerbe-
obachtung einsetzen. So könnte man auf einen reaktionsfähigen Fahrer schließen, falls
dieser über eine Benutzerschnittstelle des Fahrzeugs aktiv ist. Dies könnte wie bei der
43
Sifa mit einer Aufgabe für den Fahrer verbunden werden. Eine Studie zum teilautomati-
sierten Fahren, die auf diesem Konzept aufbaute, wurde von Wulf, Zeeb, Rimini-Doring,
Arnon und Gauterin (2013) durchgeführt. In dieser mussten die Probanden während des
teilautomatisierten Fahren alle 20 - 25 s einen Knopf auf dem Lenkrad drücken. Im Fokus
der Untersuchung standen das Situationsbewusstsein und die Sicherheit der Probanden
während des teilautonomen Fahrens in kurzen Fahrabschnitten. Durch die häufigen Ab-
fragen an den Probanden den Knopf auf dem Lenkrad zu drücken, ließen die Probanden
ihre Hände auf dem Knopf. Durch die Nähe der Hände zum Lenkrad verbesserte dies die
Sicherheit. Für das hochautomatisierte Fahren würde die hohe Frequenz der Abfragen
allerdings den Vorteil der Fahrer für diese Automatisierungsstufe im Vergleich zum ma-
nuellen und teilautomatisierten Fahren stark einschränken. Der Nachteil dieser Systeme
ist zusätzlich, dass sie den Zustand lediglich punktuell abfragen. Gleiches gilt für Systeme
zur Stimmanalyse, die das Sprechen des Fahrers voraussetzen. Von allen weiteren Verfah-
ren, die die zuvor genannten Kriterien erfüllen und auch in zukünftigen Fortbewegungs-
formen funktionieren, scheint der Einsatz einer Kamera, die auf den Fahrer gerichtet
ist, am erfolgversprechendsten (Jafar Ali, Sarkar, Kumar & Cabibihan, 2012). So bie-
tet eine Kamera das größte Potential zur Beobachtung der Aktivität und Befindlichkeit
des Fahrers und wird in der Forschung häufig zur berührungslosen Müdigkeitserkennung
eingesetzt. Von den unterschiedlichen Signalen (Pupillendurchmesser, Bewegungsverhal-
ten) war speziell die Analyse der Bewegungen der Augenlider und von Lidschlägen als
Müdigkeitsindikator der Fokus von vielen Studien im 20. Jahrhundert (Stern, Boyer &
Schroeder, 1994). Auch ist die Lidschlagmessung und -analyse noch heute im Fokus vieler
Studien wie Dawson et al. (2014) berichten. Aufgrund dessen ist die Analyse des Lid-
schlagverhaltens während des hochautomatisierten Fahrens auch der Fokus dieser Arbeit
und wird im folgenden Kapitel 5 genauer beschrieben. Die Signale zum Lidschlag können
beispielsweise wie von Hörwick (2011) in Kapitel 6.3 und Wimmer (2014) in Kapitel drei
vorgeschlagen, in einer Verknüpfung einer Fahrerbeobachtung und eines Potentialtrig-
gers kombiniert werden. So verglich Wimmer (2014) in einer eigenen teilautomatisierten
Studie (Kapitel 5) unterschiedliche Abfragehäufigkeiten (31.6; 44.3 bzw. 81.0 s) einer
rein visuellen Triggeraufforderung. Die geschilderte Häufigkeit der Abfragen wurde zu
einem Teil zusätzlich auf Daten einer Fahrerkamera abgeändert, weshalb die Werte le-
diglich Mittelwerte darstellen. 40 Probanden absolvierten jeweils zwei Versuchsfahrten
mit unterschiedlichen Abfragehäufigkeiten und zwei Übernahmeaufforderungen. Hierbei
gab es keine signifikanten Unterschiede der Reaktionszeit bei unterschiedlicher Abfrage-
häufigkeit auf anspruchsvolle Übernahmesituationen. Es wurden mehr Bedienfehler des
Systems bei seltener Abfrage an den Fahrer aufgezeichnet.
44
5. Lidbewegungen 2
Für das manuelle Fahren im Straßenverkehr sind offene Augen zwingend notwendig. Nur
so kann das Verkehrsgeschehen im Blick behalten, richtig interpretiert und gegebenenfalls
das eigene Fahrverhalten angepasst werden. Aus diesen Anforderungen folgt das natür-
liche Bestreben eines Fahrers, die Zeit eines Lidschlages während der Fahrt möglichst
klein zu halten. Durch Müdigkeit während des manuellen Fahrens wird dieses Lidschlag-
verhalten beeinflusst (T. L. Morris & Miller, 1996; Picot et al., 2012; Schleicher, Galley,
Briest & Galley, 2008). Im Gegensatz zum manuellen Fahren ist das hochautomatisierte
Fahren die niedrigste Automatisierungsstufe (siehe Kapitel 2.3), die es dem Fahrer auch
ohne Nachteil auf die Fahrsicherheit ermöglicht das Blick- und Lidschlagverhalten zu
ändern. Da trotzdem mit einem Einfluss der Müdigkeit auf das Lidschlagverhalten zu
rechnen ist, werden in diesem Kapitel physiologische Grundlagen und mögliche Messme-
thoden vorgestellt. Darauf aufbauend wird eine Übersicht zu Lidschlagparametern gege-
ben, mit denen das Verhalten des Menschen beschrieben werden kann. Eine Übersicht
über die Lidschlagdefinition in der wissenschaftlichen Literatur und deren Abhängig-
keiten schließen sich an. Ergebnisse zu Studien zur Müdigkeitsdetektion auf Basis von
Lidschlagdetektionen werden ebenfalls zusammengefasst. Zur generellen Übersicht über
das Vorgehen zur Müdigkeitsschätzung auf Basis von Lidschlägen ist die Übersicht aus
Abbildung 4.2 in Abbildung 5.1 angepasst dargestellt.
1. Der Lidschlag wird mit einer Messmethode aufgezeichnet.
2. Die Signalverarbeitung verarbeitet das oder die bereitgestellten Signale und schätzt
wann der Fahrer blinzelt.
3. Aus den detektierten Lidschlägen werden einzelne Parameter, wie die Lidschlag-
frequenz ausgewertet.
4. Die Lidschlagparameter werden zum Klassifizieren des Müdigkeitszustandes ge-
nutzt.
5.1. Das Auge und seine Funktion
Der Sehsinn hat einen sehr großen Einfluss auf die Wahrnehmung des Menschen. Um
seine Umgebung zu sehen, wird die Lichtenergie der Umgebung über die Hornhaut und
Pupille auf die Linse geleitet. Das Licht wird auf dieser gebrochen und gebündelt auf
2Auszüge des Kapitels wurden von J. Schmidt, Laarousi et al. (2017) veröffentlicht
45
Abbildung 5.1.: Vorgehen zur Müdigkeitsdetektion auf Basis der Lidschlagdetektion
die Rückseite des Augapfels weitergeleitet. Auf der Rückseite des Augapfels verarbeiten
Rezeptoren anschließend das einfallende Licht und senden Reize an das Gehirn. Mit
den Zapfen und Stäbchen gibt es zwei unterschiedliche Arten an Rezeptoren. Mit den
Zapfen wird die Farbe des Lichtes unterschieden. Stäbchen dienen zum peripheren Se-
hen und zur Unterscheidung zwischen Hell und Dunkel. Zum fokussierten Sehen werden
die Zapfen genutzt, von denen sich der Großteil im fovealen Bereich an der Rückseite
des Augapfels befindet. Dieser Bereich erstreckt sich über einen Winkel von circa zwei
Grad. Zur Fokussierung unterschiedlicher Blickrichtungen dreht der Mensch deshalb sei-
ne Augen und den Kopf. Zur Fokussierung ändert der Mensch zusätzlich die Form der
Augenlinse und die Größe der Pupille. Durch eine Formänderung der Augenlinse ändert
sich der Brechungsindex, wodurch eine Fokussierung auf Blickziele in unterschiedlichen
Entfernungen zum Auge möglich wird. Eine Vergrößerung der Pupille erhöht die In-
tensität des Lichtes, das auf die Augenlinse fällt. Entsprechend erhöht der Mensch den
Durchmesser in einer dunkleren Umgebung, damit das Licht besser auf die Rückseite des
Augapfels geleitet wird und verkleinert die Pupille bei hoher Lichtintensität. Allgemein
wird der Cornearadius (Hornhautradius) mit 7.7 - 8 mm, ein maximaler Abstand der
Pupille von der äußeren Augenkrümmung mit 3.5 - 3.6 mm und ein Irisdurchmesser mit
9 - 13.6 mm angegeben (Abramov & Harris, 1984; Clark, 1975; Gharaee, Abrishami,
Shafiee & Ehsaei, 2014; Miyakawa, Takano & Nakamura, 2004; Wilkinson, 1979; Young
& Sheena, 1975). Eine Übersicht über das menschliche Auge ist in der Abbildung 5.2
gezeigt.
5.2. Grundlagen zu Lidbewegungen und Lidschlägen
Die Lidspalte ist das Maß des größten Abstands zwischen dem oberen und unteren Lid
des menschlichen Auges auf der Längsachse des menschlichen Körpers. Eine Lidschlie-
ßung beschreibt eine Verringerung und eine Lidöffnung eine Vergrößerung der Lidspalte.
Um diese Bewegung auszuführen, nutzt der Mensch mehrere Muskeln des Ober- und
Unterlids. Zum Lidschließen innerviert der Nervus facialis den Musculus orbicularis ocu-
li (Lidschließer) am Ober- und Unterlid. Zur Öffnung des Lids am Oberlid innerviert
der Nervus oculomotorius den Musculus levator palpebrae superioris (Lidheber), wel-
cher von dem Musculus tarsalis (Müller-Muskel) unterstützt wird. Zur Lidöffnung am
Unterlid wird der Musculus tarsalis inferior (unterer Müller-Muskel) genutzt. Es wird
angenommen, dass die Steuerung und Auslösung eines Lidschlages von einem Lidschlag-
zentrum im Gehirn gesteuert wird, dass gleichzeitig die Ausführung von Sakkaden be-
46
Abbildung 5.2.: Überblick über das Auge
einflusst (Ongerboer de Visser, B. W. & Bour, 2006). Neben der Bewegung der Lider bei
einem Lidschlag, dreht sich auch der Augapfel um wenige Grad (Riggs, Kelly, Manning
& Moore, 1987).
Lidbewegungen und verschiedene Lidstellungen werden vom Menschen für eine
Vielzahl von Aufgaben genutzt. Zusammen mit den Augenbrauen, Wimpern, der Bin-
dehaut und dem Tränenapparat bilden die Augenlider die Schutzeinrichtung des Auges.
Sie schützen das Auge vor zu intensiver Sonneneinstrahlung, Fremdkörpern, dem salzi-
gen Stirnschweiß und werden bei einem Abwehrreflex aktiviert (Haamann, 2003). Eine
weitere wichtige Aufgabe der Lider ist es, im Zusammenspiel mit den weiteren Augen-
muskeln die Mimik einer Person zu formen. Je nach Lidstellung und Kombination mit
der Blickbewegung, Blickdauer und Richtung bringt der Mensch beispielsweise Neugier-
de, Wohlbehagen, Gleichgültigkeit oder Trauer zum Ausdruck (Hughes, 1900, Kapitel:
Die einzelnen Gesichtsbewegungen, III). Zusätzlich werden veränderte Geschwindigkei-
ten in den Lidbewegungen, wie eine langsame Lidöffnung bei Lidschlägen, zum Flirten
eingesetzt (Meinold, 2005, Kapitel 3).
Das Blinzeln bzw. der Lidschlag in Form einer schnellen Bewegung der Lider wird
umgangssprachlich häufig als Aktivität des schnellen Schließens und Öffnen der Augen
ausgedrückt. Aus anatomischer Sicht ist das Auge selbst allerdings nicht aktiv. Vielmehr
wird es passiv durch ein aktiv bewegtes oberes und unteres Lid verdeckt, die das Auge
für den Betrachter verschließen. Während der Bewegung der Lider und dem fortschrei-
tenden Verdecken der Pupille, nimmt der Lichteinfall auf die Retina und der dortigen
Zapfen und Stäbchen schrittweise ab. Sobald kein Licht mehr durch die Pupille fällt ist
47
der Lichteinfall der Außenwelt auf die Retina vollständig unterbrochen.
Lidschläge werden in drei Kategorien unterteilt. Die Kategorien sind willkürliche,
reflexartige und spontane Lidschläge (Collewijn, van der Steen & Steinman, 1985; Evin-
ger et al., 1994; Stern, Walrath & Goldstein, 1984).
Willkürliche Lidschläge werden von einer Person bewusst zu selbstgewählten Zeit-
punkten oder auf ein Kommando ausgeführt (Collewijn et al., 1985; Pan, Sun, Wu &
Lao, 2007). Sie basieren auf bewussten Entscheidungen die Lider zu schließen und zu
öffnen (Wolkoff, Nøjgaard, Troiano & Piccoli, 2005). Der Zeitpunkt des Lidschließens
und der Öffnung kann getrennt voneinander beeinflusst werden. Im Gegensatz zu einem
willkürlich ausgeführten Lidschlag kann der Mensch auch das Gegenteil, den Zwang
die Lider zu schließen, eine Zeit lang unterdrücken. Diese bewusste Beeinflussung der
Lidbewegung ist vergleichbar mit der Beeinflussung der Atmung. Das Bedürfnis eines
Lidschlages setzt sich allerdings auch entgegen dem Willen des Menschen nach einiger
Zeit durch. Laut Karson et al. (1981) ist die bewusste Beeinflussung abhängig vom Ge-
schlecht, wobei Männer Lidschläge länger unterdrücken können. Diese Folgerung zogen
sie auf Basis einer Studie mit 27 Männern und 14 Frauen. Bei Männern lag die maxi-
male Zeit zwischen zwei Lidschlägen im Mittel bei 79.9 ± 85.8 s. Dies war gegenüber
den Frauen im Mittel um 15.2 s länger. Auch konnten Männer im Schnitt pro Minute
66.4 Lidschläge mehr als Frauen ausführen. Hierzu diente ein Test mit einer Teilgruppe
von 12 Probanden (6 männlich, 6 weiblich). Der Mensch kann die Stellung und Bewe-
gung der Lider und damit die Größe der Lidspalte sehr gut kontrollieren (Stevenson,
Volkmann, Kelly & Riggs, 1986). In einer Studie von Stevenson et al. (1986) wurde das
obere Lid auf Aufforderung bei kleinen Lidschlüssen bis in den Bereich zwischen dem
oberen Rand der Iris und der Pupille gesenkt. Bei der Aufforderung mittlere Lidschlüsse
auszuführen, senkte sich das obere Lid tiefer als bei kleinen Lidschlüssen, wobei Teile
oder die gesamte Pupille verdeckt wurden. Lediglich bei großen Lidschlüssen schlossen
die Probanden die Lider so stark, dass das untere Lid vom oberen Lid berührt wurde.
Reflexartige Lidschläge sind kurze, schnelle Schließbewegungen der Augen, die
durch einen externen Stimulus hervorgerufen werden. Der Grund für reflexartige Lid-
schläge ist der Schutz der Augen. Reflexartige Lidschläge werden vom Menschen unbe-
wusst gestartet. Sie werden durch „akustische, kognitive, trigeminale oder optische Rei-
ze, sowie andere motorische Verhaltensweisen“ (Wolkoff et al., 2005, S. 5) hervorgerufen
und je nach auslösendem Reiz weiter unterteilt. In Experimenten können reflexartige
Lidschläge zum Beispiel durch Luftstöße in Richtung des Auges (Haerich, 1998) oder
durch laute Töne als Teil einer Schreckreaktion hervorgerufen werden (Filion, Dawson
& Schell, 1998).
Spontane Lidschläge sind unwillkürlich, endogen auftretende Lidschlüsse. Sie sind
abhängig vom natürlichen Verhalten und treten ohne externe Reize wie einem Reflex
oder einer bewussten Entscheidung auf (Stern et al., 1984). Sie werden oft mit der Auf-
gabe in Zusammenhang gebracht, die Augen von Partikeln zu reinigen und das Auge mit
dem Tränenfilm zu befeuchten. Basierend darauf wird das Auftreten von Lidschlägen von
der Luftfeuchtigkeit, Temperatur, chemischen Faktoren und Luftpartikeln beeinflusst oh-
ne, im Gegensatz zu reflexartigen Lidschlägen, eine direkte Reiz-Reaktionsbeziehung zu
haben (Stern et al., 1994; Wolkoff et al., 2005). Dies ist auch der Grund, weshalb Men-
48
schen die unter Keratoconjunctivitis sicca leiden (Syndrom des trockenen Auges) drei-
mal so häufig blinzeln wie gesunde Menschen (Montés-Micó, Alió & Charman, 2005).
Die Krankheit verkürzt die Zeit zwischen zwei einzelnen Lidschlägen laut Montés-Micó
et al. (2005) auf ungefähr sechs Sekunden. Die Zeit zwischen zwei spontanen Lidschlä-
gen wird allerdings auch durch weitere Faktoren beeinflusst. Dies ist unter anderem
die aktuelle Art der Beschäftigung. Hierbei steigt die Zeit zwischen zwei Lidschlägen
beispielsweise, wenn der Mensch ein digitales Display betrachtet (Patel, Henderson, Br-
adley, Galloway & Hunter, 1991) oder eine anspruchsvolle Tätigkeit ausführt (Wolkoff
et al., 2005). Bei der Aufgabe einen Text zu lesen, fanden Orchard und Stern (1991)
eine signifikante Häufung der Lidschläge bei einem Zeilensprung. Sie schlussfolgerten,
dass Lidschläge unbewusst so gesteuert werden, dass sie zu Zeitpunkten auftreten, an
denen der Informationsverlust am geringsten ist. Die unbewusste Unterdrückung und
Häufung von Lidschlägen beobachteten auch Boehm-Davis, Gray und Schoelles (2000)
oder Nakano, Yamamoto, Kitajo, Takahashi und Kitazawa (2009) bei Versuchen mit
komplexen Aufgaben. Diese Ergebnisse legen eine Abhängigkeit der Frequenz der Lid-
schläge von der Art der Beschäftigung auch während der Fahrt nahe. Die exakten Werte
für die Lidschlagfrequenz sind abhängig von der Erneuerung der Tränenflüssigkeit, An-
omalien der Lidschlüsse, Einflüsse durch die Tränendrüse oder von Kontaktlinsen und
individuell unterschiedlich (Wolkoff et al., 2005). Ein weiterer Faktor für die Häufigkeit
der Lidschläge ist auch die Persönlichkeit des Menschen (Colzato, Slagter, van den Wil-
denberg & Hommel, 2009).
In manchen Arbeiten wird zusätzlich eine weitere Kategorie für längere Lidschluss-
phasen beschrieben. So definieren Stern et al. (1984) lange Lidschlüsse, wie Sekunden-
schlafereignisse, in einer eigenen Kategorie und legen einen zeitlichen Schwellwert für
diese Kategorisierung fest. Auch in der ISO 15007-1 (2014) ist eine Unterteilung von
Lidschlüssen in normale bei einer Dauer 6 300 ms, längere Schlussphasen für eine Zeit-
spanne zwischen 300 und 500 ms und lange Schlussphasen die auf Sekundenschlafereig-
nisse hindeuten für Zeitspannen > 500 ms festgelegt.
In Hinblick auf das Fahrerverhalten während einer manuellen Fahrt ist größtenteils
mit spontanen Lidschlägen zu rechnen. Zusätzlich könnten einzelne reflexartige Lidschlä-
ge während der Fahrt durch visuelle Stimuli hervorgerufen werden. Gründe hierfür sind
starkes Sonnenlicht oder Scheinwerferlicht anderer Verkehrsteilnehmer. Im Gegensatz
zum manuellen Fahren könnte sich die Art der Lidschläge im hochautomatisierten Fah-
ren allerdings ändern. So ist es für den Fahrer nicht notwendig, die Augen aufgrund der
Fahraufgabe während des Großteils der Zeit offen zu halten. Durch den fehlenden Zwang
offener Augen könnte es deshalb zu längeren Lidschlüssen und willentlichen Lidschlüssen
über einen längeren Zeitraum kommen. Aus diesem Grund werden alle Lidschläge auch
mit langen Schlussphasen der Augen im Folgenden als Lidschlag bezeichnet. Lidschläge
die zwischen dem Start und Ende mit eine Sekunde oder länger gemessen werden, wer-
den lediglich zusätzlich als Sekundenschlafereignisse bezeichnet.
Ein Lidschlag kann in drei Phasen unterteilt werden:
1. Schließphase
2. Geschlossene Phase (Lidschluss)
49
3. Öffnungsphase
Im Mittel blinzelt ein Mensch mit 2 - 30 Lidschlägen pro Minute (Wolkoff et al., 2005).
Dieser Wert unterliegt Schwankungen zwischen und während einzelnen Tagen. So teilen
Doughty und Naase (2006) Probanden auf Basis ihrer Untersuchung in diejenige die
eine normale Lidschlagaktivität haben und diejenige, die eine häufige Lidaktivität ha-
ben. In Tests zu einer maximal möglichen Anzahl an willentlichen Lidschlägen mit zwölf
Probanden wurden bei Männern bis zu 219.7 ± 26.7 Lidschläge pro Minute gemessen
(Karson et al., 1981), was einem 99 % Perzentil von knapp 300 Lidschlägen in der Minu-
te, beziehungsweise einer mittleren Lidschlagdauer von insgesamt 200 ms zwischen Start
der Schließphase bis Ende der Öffnungsphase entspricht.
Studien von Collewijn et al. (1985), die einzelne Phasen eines Lidschlages genauer
untersuchten, ermittelten eine hohe Geschwindigkeit des Lids bei unbewussten Lidschlä-
gen. Das obere Lid hatte hierbei eine hohe Anfangsbeschleunigung und eine Lidgeschwin-
digkeit von bis zu 280 mm/s innerhalb des Zeitraums zwischen Beginn des Lidschlages
und den folgenden 70 ms. Die Geschwindigkeit des Lids erreicht 0 mm/s nach 100 -
150 ms und öffnet sich anschließend mit bis zu 100 mm/s. Die gesamte Länge dieses
Vorganges dauert circa 300 ms. Eine willentlich längere Schlussphase der Lider von cir-
ca zwei Sekunden reduzierte allerdings die maximale Geschwindigkeit der Lidschließung
auf maximal 125 mm/s. Stern et al. (1984) geben für die Dauer der Lidschließphase eine
Zeitspanne zwischen 50 ms und 145 ms an, wobei ein normaler Lidschluss nicht länger als
300 ms dauert. Hargutt (2003, Kapitel 5) ermittelte eine mittlere Dauer des Lidschlie-
ßens von 91 ms, der Öffnung von 169 ms und des gesamten Lidschlages von 260 ms.
Diese Werte sind laut ihm stark von der Amplitude des Lidschlages abhängig, wobei ei-
ne Bewegung der Lider schneller durchgeführt wird, je länger der zurückzulegende Weg
für diese ist. Im Gegensatz dazu berichten Han, Yang, Kim und Gerla (2012) von einer
mittleren Dauer von Lidschlüssen zwischen 300 und 400 ms und Ohzeki und Ryo (2006)
beschreiben eine normale Dauer mit bis zu 450 ms. Laut Meinold (2005, Kapitel 6) ist
die Geschwindigkeit der Lidöffnung ca. 30 % langsamer als die Lidschließung. Zusätzlich
ist die Geschwindigkeit für einen Lidschlag laut Lobb und Stern (1986) abhängig von der
aktuellen Tätigkeit der Person, den Emotionen und dem Abstand zwischen oberen und
unteren Lid vor einem Lidschlag. Eine Abhängigkeit der Lidschließphase von dem zurück-
zulegenden Weg berichteten ebenfalls Stern et al. (1984). Sun et al. (1997) beschreiben
ebenfalls eine Abhängigkeit der Geschwindigkeit vom Alter der Person. Im Vergleich
zwischen unwillentlichen und willentlichen Lidschlägen fanden Sun et al. (1997) darü-
ber hinaus höhere Werte bei der mittleren Amplitude, maximalen Geschwindigkeit und
allgemeinen Sequenz (Verhältnis zwischen maximaler Geschwindigkeit und Amplitude)
für unwillentliche Lidschlüsse. In Studien mit Primaten von Taylor et al. (1999) wurde
zudem eine signifikante Korrelation zwischen der Lidschlagrate und dem Dopaminlevel,
sowie eine inverse Korrelation des Verhältnisses aus Homovanillinsäure und Dopamin im
ventromedialen Teil des Nucleus caudatus gefunden. Zudem stellten Taylor et al. (1999)
eine inverse Korrelation zwischen der Lidschlussrate und der Ausgeprägtheit bzw. dem
Fortschritt von Parkinson fest. In einer weiteren Studie über das Lidschlagverhalten er-
mittelten Carney und Hill (1982), dass sich das obere und untere Lid nur bei ca. 90 %
50
der untersuchten Lidschläge berührten. Bei acht Prozent der Lidschläge schlossen sich
die Lider nicht komplett. Übrige Lidschläge wurden als willentlich zusammengepresste
Augen oder Lidzuckungen kategorisiert.
Basierend auf den ermittelten Lidschlagdauern und den unterschiedlichen Lidab-
ständen bei Carney und Hill (1982) wird deutlich, dass es keinen einheitlichen Konsens
für die Definition eines Lidschlages und dessen Dauer gibt. Hargutt stellte zudem eine
„nicht einheitliche Aussage über die Verteilungsform von Augenöffnungsdauern oder Lid-
schlussfrequenzen“ (Hargutt, 2003, S. 19) in der Literatur fest. Speziell die Definition des
Anfangs und des Endes eines Lidschlages ist bei einer fortwährenden Bewegung der Lider
schwer festzulegen. Wird ein Lidschlag vor oder nach einer oder mehrerer Sakkaden mit
Lidbewegungen durchgeführt, gibt es beispielsweise keinen eindeutigen Zeitpunkt, bei
dem das Lid in Ruhe ist, um als Start oder Ende festgelegt zu werden. Eine Definition
mit der Unterschreitung eines Schwellwertes für die Geschwindigkeit der Lidbewegung
ist ebenfalls nicht zielführend. Grund hierfür ist, dass ein Proband ohne Zwang schnel-
ler Lidschläge auch sehr langsame Lidöffnungen oder Lidschließungen durchführt und
dadurch bei diesen unter Umständen dauerhaft unterhalb eines festen Geschwindigkeits-
schwellwertes liegt. Erschwerend kommt hinzu, dass viele Studien nicht angeben, was
als Lidschlag definiert wurde oder wie Sayahzadeh, Pourreza und Salehi Fadardi (2014)
diesen ohne weitere Angaben lediglich als ein Schließen und Öffnen der Lider in einer
kurzen Zeit beschreiben. Fokussiert wird dieses Thema in Kapitel 5.5.1 betrachtet. Eine
detaillierte Übersicht über die unterschiedlichen Arten des Lidschlages, Messmethoden
und die Anatomie von Lidschlägen ist in der Arbeit von Meinold (2005) zu finden. Eben-
falls wird dort ein Überblick über den Zusammenhang zwischen einzelnen Parametern
des Lidschlages, der Persönlichkeit, aktueller Tätigkeit und Emotionen gegeben.
5.3. Messtechnik zur Detektion der Lidbewegung
In Kapitel 4.6 wurden verschiedene Techniken zur Lidschlagmessung zusammengefasst
geschildert. Aufgrund des Fokus auf Lidschlägen wird das genaue Vorgehen der Verfahren
im Folgenden näher erläutert.
• Elektrookulografie
Um ein Signal zur Lidschlagdetektion mit EOG aufzunehmen, werden mehrere
Elektroden im Umfeld der Augen angebracht. Dabei wird ausgenutzt, dass die
Cornea ein positives Potenzial gegenüber der Retina hat. Dieses elektrische Po-
tential ist das Elektrookulogramm. Bei einer Drehung des Auges, sowie einer Be-
wegung des Lides ändert sich das Potential zwischen den Elektroden. Aus diesem
Grund können Lidschläge aus der Potentialänderung zwischen den Elektroden und
dessen Signal über die Zeit detektiert werden (Jammes et al., 2008; Kong & Wil-
son, 1998; Osborne, Roach, Au & Gendreau, 1974; Skotte, Nøjgaard, Jørgensen,
Christensen & Sjøgaard, 2007; Venkataramanan, Prabhat, Choudhury, Nemade &
Sahambi, 2005). Sakkaden beeinflussen das gemessene Potential ebenfalls. Deshalb
müssen sie über geeignete Methoden der Signalverarbeitung ausgeschlossen wer-
den. Zusätzlich kann der Einfluss durch horizontale Sakkaden durch die Analyse
51
des Potentialsignals zweier Elektroden minimiert werden, die links und rechts des
Auges angebracht werden. Laut Meinold ist „das vertikale EOG die am häufigsten
angewandte Methode zur Lidschlagregistrierung“ (Meinold, 2005, S. 20). Häufig
wird EOG auch als genaue Methode zur Aufzeichnung von Blickbewegungen ge-
nutzt (Fisher & Rothkopf, 1982; Young & Sheena, 1975).
• Kamerabasierte Lidschlagdetektion
In Kameraaufnahmen des Auges sind Lidschläge direkt sichtbar. Je nach Kamera-
system zur Aufnahme der Augen werden die Messsysteme dabei in zwei Gruppen
geteilt. Es gibt: Head-mounted Eye Tracker und Remote Eye Tracker. Bei Head-
mounted Eye Trackern ist die Kamera zur Erfassung des Auges über ein Gestell
direkt am Kopf eines Fahrers befestigt. Vorteil ist, dass ein sehr genaues Bild des
Auges durch die Nähe der Kamera zu diesem gemacht werden kann. Ebenfalls wird
die Aufnahme nicht durch Kopfbewegungen des Fahrers beeinflusst. Bei Remote
Eye Trackern ist die Kamera nicht über ein Gestell mit dem Körper des Fahrers
verbunden. Die Kamera wird stattdessen beispielsweise auf dem Armaturenbrett
eines Fahrzeugs montiert. Der Vorteil hierbei ist, dass der Fahrer in seinen Be-
wegungen nicht eingeschränkt ist und keine zusätzliche Apparatur tragen muss.
Weitere Systemformen wie Tower-mounted Systeme kommen in Fahrstudien nicht
zum Einsatz. Durch geeignete Verfahren der Bildverarbeitung können Lidschläge
in den Aufnahmen der Kamera detektiert werden. Hierbei kommt eine Vielzahl
unterschiedlicher Verfahren zum Einsatz. Diese sind:
– Die Auswertung von Bewegungen im Kamerabild (Chau & Betke, 2005; Fo-
gelton & Benesova, 2016; Jiang, Tien, Huang, Zheng & Atkins, 2013).
– Eine zweifache Ableitung von Bilddifferenzen (Gorodnichy, 2003)
– Eine Klassifikation des Kamerabildes (Choi, Han & Kim, 2011; Missimer &
Betke, 2010; Pan et al., 2007; Pan, Sun & Wu, 2008).
– Eine Analyse des Farbkontrasts oder der Menge an spezifischen Farbtönen
in ausgesuchten Augenbereichen (Appel et al., 2016; Cohn, Xiao, Moriyama,
Ambadar & Kanade, 2003; Danisman, Bilasco, Djeraba & Ihaddadene, 2010;
W. O. Lee, Lee & Park, 2010). Eine Sonderform hierbei sind optoelektronische
Sensoren (Mitalis & Druss, 1985).
– Eine Abstandsberechnung zwischen festgelegten Punkten (Landmarks) oder
Linien zur Beschreibung des Verlaufes des oberen und unteren Lids (Fuhl et
al., 2016; Ito, Mita, Kozuka, Nakano & Yamamoto, 2002; Miyakawa et al.,
2004; Moriyama et al., 2002; Sukno et al., 2009).
– Analyse fehlender Augenregionen wie der Iris oder der Pupille durch die Ver-
deckung durch das Lid (Hansen & Pece, 2005; Pedrotti, Lei, Dzaack & Röt-
ting, 2011).
Zusätzlich kann zur Lidschlagerkennung auch eine Mischung aus den oben genann-
ten Verfahren eingesetzt werden (Sirohey, Rosenfeld & Duric, 2002). Anstatt den
Abstand zwischen den Lidern direkt zu messen, basiert der Großteil der Verfahren
52
auf einer indirekten Messung eines Lidschlages (bewegungsbasiert, Klassifikation,
Farbkontrast, fehlende Augenregionen). Dies ist ähnlich zu dem EOG Verfahren,
bei dem man ebenfalls nur indirekt durch eine Potentialänderung der Augenbewe-
gung eines Lidschlages auf diesen schließen kann.
• Elektromyografie
Bei der Elektromyografie wird die Aktivität der Muskeln des Auges und der Lider
mit Hilfe von Nadelelektroden direkt im Muskel gemessen. Durch eine Analyse
des Spannungssignals lässt sich ein Rückschluss auf die Muskelkontraktion der
Muskeln bei einem Lidschlag ziehen. Eine umfassende Übersicht über das Vorgehen
und Studien, die die Elektromyografie zur Lidschlagerkennung einsetzen, ist in der
Arbeit von Meinold (2005, Kapitel 4) zu finden.
• Reflektion von Infrarotlicht
Bei der Nutzung von Reflektionen zur Lidschlagdetektion werden mehrere Infrarot-
lichtquellen auf die Sklera und die Haut des Probanden gerichtet. Die Reflektionen
unterscheiden sich zwischen diesen Oberflächen. Durch einen Vergleich des Bil-
des der Infrarotlichtquellen wird ermittelt, ob sich das Lid gerade vor der Sklera
befindet oder nicht (Caffier, Erdmann & Ullsperger, 2003).
• Magnetische Spulen
Bei der Lidschlagermittlung mit Hilfe magnetischer Spulen werden diese am oberen
und unteren Lid befestigt. Je nach Abstand der Lider ändert sich der Abstand der
Spulen und die induzierte Spannung dieser. Ein solches System wurde beispiels-
weise von Hargutt (2003, Kapitel 4) eingesetzt. Eine vergleichbare Messtechnik
nutzten auch Evinger et al. (1994).
• Verbindungen mit dem Augenlid
Osborne et al. (1974) nutzten ein mechanisches Verfahren zur Messung von Lid-
schlägen, welches sie mit einem Vorläufer der Elektrookulografie vergleichen und
aus damaliger Sicht als Standard bezeichnen. Bei diesem Verfahren ist ein Draht
oder wie bei Collewijn et al. (1985) ein Holzstück mit Hilfe von Kollodium an einem
Ende mit dem Lid verbunden. Am anderen Ende bzw. Drehpunkt des Holzstückes/
Draht wird eine Lidbewegung dann über eine induktive Spannungsänderung durch
den Zug beziehungsweise die Drehung am Holzstück/Draht gemessen.
5.4. Zustandsparameter von Lidschlägen und
Lidbewegungen
Aus der Detektion der drei Phasen eines Lidschlages (Schließ-, Schluss- und Öffnungspha-
se) kann eine Vielzahl von weiteren Parametern zur Zustandsbestimmung des Lidschla-
ges und damit des Menschen abgeleitet werden. Die genutzten Parameter basieren auf
folgenden Detektionen: Bestimmung der Start- und Endzeitpunkte der Schließ-, Schluss-
und Öffnungsphase sowie die Größe der Lidspalte über der Zeit. Alle weiteren Größen,
53
basieren auf Berechnungen mit diesen Detektionen. Eine Übersicht über die gebräuch-
lichsten Größen im Zusammenhang mit der Müdigkeitsdetektion des Fahrers wird im
Folgenden gegeben.
• Geschwindigkeit der Lidschließung und Lidöffnung
Die Geschwindigkeit der Lidbewegungen wird während der Schließ- oder Öffnungs-
phase für jeden Lidschlag ermittelt. Die Messgröße wird als Änderung des Signals
pro Sekunde in der Einheit des verwendeten Signals angeben. Weitere Parameter
in Bezug zur Geschwindigkeit sind die maximale oder mittlere Geschwindigkeit
während der Bewegungsphasen der Lider.
• Zeitmessungen eines Lidschlages
Von einzelnen Lidschlägen können verschiedene Zeitgrößen ermittelt werden. So
wird die Dauer der Schließungs-, Schluss- und Öffnungsphase ausgewertet. Die
Summe dieser drei Zeitabschnitte, die Lidschlagdauer, ist ein weiterer Parameter,
der zur Zustandsbestimmung genutzt und üblicherweise in Sekunden angegeben
wird. Zusätzlich werden Lidschläge mit einer Gesamtdauer über einem Schwellwert
(beispielsweise eine Sekunde) als gesonderte Ereignisse kategorisiert.
• Frequenz der Lidschläge
Die Frequenz von Lidschlägen beschreibt die Anzahl von Lidschlägen in einem
vordefinierten Zeitabschnitt. In der Regel wird die Anzahl der Lidschläge inner-
halb einer Minute als Maß genutzt (Einheit: Lidschläge/Minute). Die Frequenz
wird auch Lidschlagrate genannt. Eine verwandte Größe ist das zeitliche Intervall
zwischen einzelnen Lidschlägen, dass aus der Frequenz berechnet werden kann.
• Amplitude eines Lidschlages
Die Amplitude eines Signals beschreibt allgemein die Differenz eines lokalen Ex-
tremwertes zu seinem arithmetischen Mittelwert. Übertragen auf ein Signal, das
die Lidspalte beschreibt, wäre dies die Differenz zwischen der geringsten Lidspalte
während eines Lidschlages und der Lidspalte bei geöffneten Augen. Die Lidspalte
eines offenen Auges variiert allerdings von Person zu Person durch unterschiedliche
Helligkeiten und verschiedene Blickrichtungen. Zusätzlich würde der berechnete
Wert für die Amplitude Verhaltensunterschiede des Fahrers nur im Hinblick auf
das maximale Schließen der Lider abbilden. Aus diesen Gründen werden bei der
Berechnung von Zustandsparamatern häufig zwei lokale Amplituden berechnet,
indem der Lidspaltenwert vor Beginn und zum Ende des Lidschlages mit der mi-
nimalen Lidspalte während des Lidschlages verglichen wird. Als lokale Amplitude
für den Lidschlag wird entweder das Minimum (Ebrahim, 2016, Kapitel 7.2) oder
Maximum (Hu & Zheng, 2009; Jammes et al., 2008) dieser beiden Lidspaltendif-
ferenzen (Schließ- und Öffnungsamplitude) gewählt. Da die Amplitude meist auf
einem Signal basiert, hat sie häufig dieselbe Einheit wie das zu Grunde gelegte
Signal.
• Energie
Wie die Amplitude basiert auch die Berechnung der Energie eines Lidschlages auf
54
der Analyse eines Messsignals zur Beschreibung der Lidspalte. Die Energie eines
Signales beschreibt das Integral des Signalverlaufes zwischen zwei zeitlichen Gren-
zen. Auf einen Lidschlag übertragen berechnet sich die Energie als Integral der
Signalwerte zwischen Beginn und Ende des Lidschlages (Ebrahim, 2016, Kapi-
tel 7.2, Friedrichs & Yang, 2010a). Picot, Caplier und Charbonnier (2009) nutzten
im Gegensatz dazu lediglich den Signalverlauf in der Schließphase. Die Einheit
des Parameters ergibt sich durch die Einheit des Messsignals und das gewählte
Zeitintervall.
• Perclos
Zur Berechnung des Perclos (Percentage of Eye Closure) - Signal, das auf Dingus,
Hardee und Wierwille (1987) und eine weitere Validation von Wierwille et al.
(1994) zurückgeht, wird ein bestimmtes Zeitfenster der zeitlichen Länge w be-
trachtet. Alle Zeitabschnitte, in denen die Lidspalte kleiner als ein fester Wert pe
innerhalb von w sind, werden anschließend zur Summe c addiert. Der Quotient der
beiden Parameter c/w gibt den prozentualen Anteil geschlossener Augen innerhalb
des Zeitabschnitts wieder. Häufig wird dieser prozentuale Wert (Perclos) anschlie-
ßend mit einem weiteren Schwellwert sw verglichen. Liegt der Quotient oberhalb
des Schwellwertes sw, so wird der Müdigkeitszustand einer Person in dem aktu-
ellen Zeitabschnitt wi als müde kategorisiert; ansonsten als wach. Wierwille et al.
(1994) legten Werte von sw oberhalb von 15 % als müde, zwischen 7.5 % und
15 % als zweifelhaft und unter 7.5 % als wach fest. Die Wahl des Schwellwertes
sw, des Schwellwertes zur Klassifikation von offenen und geschlossenen Augen pe
und die Länge des Fensters zur Auswertung w variiert von Studie zu Studie. So
ergab ein Vergleich von (Trutschel, Sirois, Sommer, Golz & Edwards, 2011) mit
verschiedenen Zeitfenstern w, dass ein größeres Zeitfenster die Fehler in der Klas-
sifikation der Fahrer in müde und wach reduziert. Für das Perclos-Signal gibt es
viele Variationen und unterschiedliche Umsetzungen. Auf diese wird in der Bewer-
tungsgrundlage einer Lidschlagdetektion in Kapitel 5.5.1 näher eingegangen.
Neben den hier vorgestellten Parametern gibt es eine Vielzahl weiterer Größen zur Be-
schreibung eines oder mehrerer Lidschläge wie eine ausführliche Übersicht in der Arbeit
von Ebrahim (2016) auf S. 121 zeigt. Diese basieren größtenteils auf den hier vorgestell-
ten Größen und werden durch eine Kombination dieser Parameter berechnet. Bei der
Analyse der Zustandsparameter in Hinblick auf Müdigkeit werden die Parameter häu-
fig über Zeitabschnitte mit einer Länge zwischen 1 s und 6 min ausgewertet (Ebrahim,
2016, S. 104). Hierzu werden die Parameter häufig gemittelt. Anschließend können die
gemittelten Parameter zwischen einzelnen Zeitfenstern verglichen und Verhaltensände-
rung des Lidschlages durch den Vergleich festgestellt werden. Mit einer anschließenden
Klassifikation der Änderung kann ein müdigkeitsbedingter Einfluss detektiert werden.
Eine Analyse über längere Zeitfenster hat zur Folge, dass Einzelereignisse nicht so stark
in die Mittelung eingehen. So hat beispielsweise ein kurzzeitiges Augenreiben keinen
großen Einfluss bei der Wahl eines längeren Zeitraum. Nachteil der Wahl eines längeren
Zeitraumes ist, dass Verhaltensänderungen erst nach Ablauf der größeren Zeitfenstern
55
festgestellt werden.
Neben einer Auswertung über ein bestimmtes Zeitintervall kann die Analyse von
Lidschlagparametern auch ereignisbezogen durchgeführt werden. Hierbei werden bei-
spielsweise immer einzelne Parameter von 100 Lidschlägen gemittelt. So präferierte
Hargutt eine Zustandsklassifikation pro einzelnem Ereignis, in diesem Falle eines ein-
zelnen Lidschlages (Hargutt, 2003, S. 157). So wird der Müdigkeitszustand von ihm für
jedes einzelne Ereignis in vier Stadien klassifiziert und anschließend innerhalb eines fes-
ten Zeitintervalls ausgewertet.
Neben dem geschilderten Vorgehen zur Parameteranalyse gibt es bei den Parame-
terwerten große Unterschiede von Person zu Person. Ein Grund hierfür ist die Physio-
gnomie und der Einfluss dieser auf die Amplitude. Zur Verbesserung der Vergleichbarkeit
zwischen einzelnen Personen können die Lidschlagparameter deshalb individuell normiert
werden. Hierzu wird die Messgröße eines Lidschlagparameters einer Person in einem de-
finierten Intervall (zeitbasierte Auswertung) oder einer definierten Anzahl (ereignisba-
sierte Auswertung) ermittelt. Diese Größe dient als individuelle Norm. Die Messgrößen
in allen folgenden Intervallen oder Häufigkeiten werden anschließend im Verhältnis zu
dieser Norm angegeben. Dieses Vorgehen ermöglicht einen besseren Vergleich der Lid-
schlagparameter zwischen einzelnen Personen.
5.5. Lidschlagdetektion und zugehörige Abhängigkeiten
Alle Studienergebnisse zum Lidschlagverhalten und darauf aufbauender Müdigkeitsde-
tektionen basieren auf der Auswertung von Probandenstudien. Bei diesen werden im
ersten Schritt Lidschläge detektiert. In Hinblick auf die Müdigkeitsdetektion mit Lid-
schlägen in Abbildung 5.1 ist zu beachten, dass die einzelnen Auswerteschritte in direkter
Abhängigkeit zueinander stehen:
1. Die Messmethode zur Aufzeichnung enthält einen Fehleranteil (bspw. Rauschen,
Fehldetektionen, Ungenauigkeiten).
2. Die Genauigkeit der Signalverarbeitung hängt von der Signalqualität und der Güte
des Algorithmus zur Lidschlagdetektion ab.
3. Die Berechnung der Lidschlagparameter hängt von den Genauigkeiten der Schritte
eins und zwei und der Signalverarbeitung dieser Schritte ab.
4. Die Klassifikation des Müdigkeitszustandes baut auf den richtigen Detektionen
und Fehlern der ersten drei Schritte auf und enthält selbst Ungenauigkeiten.
In den Studien zur Müdigkeitsdetektion wird häufig berichtet, wie der Müdigkeitszustand
des Probanden gemessen wird und wie genau er durch einzelne Lidschlagparameter be-
stimmt wird (Klassifikation in Abbildung 5.1). Hierbei gibt es große Unterschiede in
der Klassifizierung der Probanden in die Zustände müde und wach, was einen Einfluss
auf die Detektionsrate der Verfahren zur Müdigkeitsklassifikation hat. Im Gegensatz
56
zum Verfahren zur Müdigkeitsbestimmung wird häufig allerdings nicht die zu Grunde
liegende Detektionsrate des Algorithmus zur Lidschlagdetektion oder die Genauigkeit
der Detektion des Öffnungsgrades der Augen berichtet (bspw. EOG: Picot et al., 2009;
Kamera: Bergasa, Nuevo, Sotelo, Barea & Lopez, 2006; Friedrichs & Yang, 2010a; Gar-
cia, Bronte, Bergasa, Almazan & Yebes, 2012). Daraus schlussfolgert man als Leser,
dass in diesen Studien eine hohe bzw. perfekte Detektionsrate von Lidschlägen durch die
eingesetzte Messtechnik und eine fehlerfreie Auswertung angenommen wird. Basierend
auf einer Studie von Pedrotti et al. (2011) garantiert kein Eye Tracker eine 100 prozen-
tige Erkennungsrate von Lidschlägen. Auch unterschiedet sich die Erkennungsleistung
einer Messtechnik in verschiedenen Anwendungsfällen, wie Untersuchungen zur Erken-
nungsleistung von Remote Eye Trackern für die Blickrichtung und Kopfpositionsmessung
unter Kopfbewegungen zeigen (Hessels, Cornelissen, Kemner & Hooge, 2015; Johnson,
Liu, Thomas & Spencer, 2007). Ohne die Nennung der Detektionsrate von Lidschlägen
ist es schwierig nachzuvollziehen, zu welchem Anteil die fehlerhafte Detektion von Lid-
schlägen in den Studien in die Algorithmen zur Müdigkeitserkennung einfließen. Lediglich
Performancetests der Lidschlagdetektion können ein Maß für den Fehleranteil der Detek-
tionen für die weiteren Prozessschritte zeigen. Diese Tests müssen unter denselben oder
annähernd denselben Rahmenbedingungen durchgeführt werden, in denen die Lidschlag-
erkennung im Anschluss durchgeführt werden soll. Aus diesem Grund muss das Testen
der Lidschlagerkennung zur Detektion von wachen und müden Fahrern beispielsweise
ebenfalls in mehreren Fahrphasen durchgeführt werden, in denen die Fahrer in einem
Teil der Abschnitte wach und in den anderen müde sind. Da Lidschläge und das Mess-
verfahren zur Detektion dieser sehr vielen Einflüssen ausgeliefert sind (beispielsweise
EOG: Elektromagnetisches Feld, Kontakt mit der Haut; Kamera: Position, Aufnahme-
frequenz, Brillen, Physiognomie der Augen), kann die Detektionsrate von Lidschlägen
und die Messung des Lidabstandes von Experiment zu Experiment stark variieren. Im
Folgenden wird die Detektion von Lidschlägen und die zugehörigen Abhängigkeiten des-
halb genauer betrachtet.
5.5.1. Bewertungsgrundlage einer Lidschlagdetektion
Die Definition eines Lidschlages ist für die Bewertung eines Algorithmus zur Lidschlag-
detektion sehr wichtig. So beeinflussen unterschiedliche Definitionen die Erkennungsrate.
Die Definition eines Lidschlages steht auch in direktem Zusammenhang zur Detektion
der Lidschlagparameter und darauf aufbauend auf der Zustandsbeschreibung und Mü-
digkeitsdetektion. Dasselbe gilt auch für die Parameter selbst, wie man am Beispiel des
häufig verwendeten Parameter Perclos sehen kann. So gibt es zum einen Unterschiede im
zeitlich betrachteten Zeitfenster w, das laut Sommer und Golz (2010) zwischen einer und
fünf Minuten schwankt. Ebenfalls sind auch kürzere Zeitintervalle wie 20 s (Garcia et
al., 2012) oder 30 s bekannt (Bergasa et al., 2006). Die ungenaue Definition von Perclos
zeigt sich bereits an der bekannten Studie von Wierwille et al. (1994). In dieser wird
Perclos als prozentualer Wert über ein Zeitfenster von einer Minute eingeführt, in der
das Auge zu mindestens 80 % geschlossen ist. Leider wird nicht beschrieben, was 80 %
geschlossene Augen im Detail sind, welchen realen Bezug sie haben und wie dieser Wert
57
durch eine Lidspaltendetektion schlussendlich überprüft werden kann. Zur Klärung teil-
te Herr Wierwille Herrn Hargutt gegenüber mit, dass zur Perclos-Berechnung zusätzlich
lediglich eine Lidschlussdauer von über 300 ms betrachtet wird (Hargutt, 2003, Kapi-
tel 7). Auch hier ist unklar, wann ein Lidschluss beginnt und aufhört, um schlussendlich
betrachtet zu werden. Hargutt (2003, Kapitel 7) selbst weicht beispielsweise von der
Definition von Wierwille et al. (1994) ab, indem er alle Lidschläge einbezieht. Für den
Schwellwert pe, der von ihm vergleichend mit 80 % und 60 % betrachtet wird, werden
zwei Schwellwerte für offene und geschlossene Augen genutzt. Offene Augen wurden als
Lidspalte des fünf Prozent Perzentil Rohsignals festgelegt. Geschlossene Augen wurden
durch das 95 %-Perzentil des Rohsignals ermittelt. Auch wenn diese Definition bereits
genauer ist, bleibt offen, ob diese Berechnungen probandenindividuell erfolgten, zur Be-
rechnung der Schwellwerte das Rohsignal der gesamten Fahrten hinzugezogen wurden
und wie das Auge im Bild der Kamera von dem Lid bei diesen Zuständen verdeckt war.
In anderen Arbeiten ist die Definition von Perclos ebenfalls lediglich mit einem pro-
zentualen Wert ohne reale Referenz beschrieben (Dinges & Grace, 1998; Friedrichs &
Yang, 2010a; Mortazavi, Eskandarian & Sayed, 2009) oder es wird lediglich die Größe
des Auswerteintervalls w beschrieben (Dattel, Popkin & Pollard, 2002).
Wie bei Perclos wird eine klare Lidschlagdefinition häufig vernachlässigt und sogar
von Forschergruppen, die sich fokussiert mit der Beschreibung des Lidschlages beschäf-
tigen, nicht einheitlich beschrieben. Dies zeigt sich in den unterschiedlichen Zeitangaben
zu einem Lidschlag in Kapitel 5.2 und häufig fehlender Angaben über die Messmethode
zur Bestimmung von Start und Ende des Lidschlages. Zusätzlich sieht man dies unter
anderem daran, dass Fogelton und Benesova (2016) einen Unterschied in der Anzahl
von gelabelten Lidschlägen von verschiedenen Forschergruppen in denselben Videos von
Pan et al. (2007) festgestellt hatten. In ihrem Vergleich variierte die Gesamtzahl der
gelabelten Lidschläge der Forschergruppen um bis zu sieben Prozent.
In ihren Studien stellten Jiang et al. (2013) sowie Carney und Hill (1982) Unter-
schiede im Abstand zwischen oberem und unterem Lid während Lidschlägen fest. So
berührten das obere das untere Lid bei Lidschlägen nicht immer und senkte sich un-
terschiedlich stark. Basierend darauf gingen Jiang et al. (2013) so weit, jede schnelle
Bewegung des oberen Lides auch ohne Überdeckung der Pupille als Lidschlag zu defi-
nieren.
Andere Forscher beschreiben einen Lidschlag nur vage, mit einer Definition des
Lidschlages als ein 90 bis 100 % geschlossenes Auge (Drutarovsky & Fogelton, 2015;
Fogelton & Benesova, 2016). So fehlt dieser Definition eine replizierbare Referenz eines
geschlossenen (bzw. in diesem Fall offenen) Auges von 0 %. Zusätzlich ist unklar, ob
sich der Zustand für ein geöffnetes Auge bei 0 % während der Studiendauer zwischen
den Probanden und für denselben Probanden noch ändern konnte. Selbst in der ISO
15007-1 (2014) berücksichtig ein Lidschlag nicht alle real auftretenden Fälle. So wurde
ein Auge als offen definiert, wenn die Pupille vom Lid nicht bedeckt ist, als teilver-
deckt, wenn nur ein Teil der Pupille sichtbar ist und geschlossen, wenn die gesamte
Pupille verdeckt ist. Diese Beschreibung beruht auf der Arbeit von Wild (1983, zitiert
nach ISO 15007-1, 2014). Basierend auf der zugehörigen Beschreibung ist das Ende eines
Lidschlages erreicht, wenn das Auge vollständig offen ist. Vergleicht man diese Definiti-
58
on mit Beobachtungen des Auges in dunklen Umgebungen und mit gesenktem oberen
Lid, so wird das Ende von Lidschlägen trotz visueller Aktivität eines Probanden nie
erreicht. Bergasa et al. (2006) geben einen Lidschlag in Abhängigkeit des Verhältnisses
zwischen Breite und Höhe der Pupille an. Sobald dieses Verhältnis oberhalb von 80 %
des nominalen Wertes lag, galt dies als Lidschlag. Unklar ist allerdings auch hier, welche
Daten zur Bestimmung des nominalen Wertes hinzugezogen wurden, ob der Wert pro-
bandenindividuell gemessen wurde und wie die Bestimmung der Höhe und der Breite
der Pupille durchgeführt wurde. Im Unterschied dazu definieren Mohammadi, Shan-
behzadeh und Sarrafzadeh (2015) einen Lidschlag lediglich als Verdeckung der Iris und
Pupille. Einen komplett anderen Ansatz wählten Grauman et al. (2001); Grauman, Bet-
ke, Lombardi, Gips und Bradski (2003) oder Królak und Strumiłło (2012). Diese baten
die Probanden jeweils in einer Aufgabe bewusst zu blinzeln. Ihre Detektionsverfahren
mussten anschließend nicht Lidschläge im normalen Verhalten der Probanden, sondern
lediglich die Stellen mit bewussten Lidschlägen erkennen. Fraglich hierbei ist, wie gut
die Detektion von Lidschlägen beim natürlichen Lidschlagverhalten der Probanden ist.
Einen allgemeineren Ansatz wählten Skotte et al. (2007), die einen Lidschlag als Verde-
ckung der Cornea durch das obere Lid von mehr als 50 % und einen partiellen Lidschlag
bei einer Verdeckung der Cornea von weniger als 50 % oder bei Unsicherheiten in der
Klassifikation festlegten.
In Hinblick auf eine Klassifikation einer Lidschlagdetektion fehlt allen bisher be-
schriebenen Arbeiten die Beschreibung, innerhalb welcher zeitlicher Grenzen ein Lid-
schlag als richtig detektiert eingestuft wurde. So ist nicht klar, ob der reale Lidschlag
komplett innerhalb des detektierten Zeitrahmens sein musste oder ob es gewisse Toleran-
zen gab. Zur besseren Vergleichbarkeit von Studien und Untersuchung des Probanden-
verhaltens müssen deshalb folgende Kriterien zur richtigen Erkennung von Lidschlägen
beschrieben sein:
1. Bei welcher Lidspaltenänderung innerhalb eines Zeitintervalls liegt ein Lidschlag
vor?
2. Wann wird der Beginn der Lidschließphase durch einen Algorithmus richtig detek-
tiert?
3. Wann wird das Ende der Lidöffnungsphase durch einen Algorithmus richtig detek-
tiert?
4. Die Kriterien für die Punkte eins bis drei müssen probanden- und verhaltensunab-
hängig sein.
Diese Auflistung reduziert sich, falls lediglich einzelne Parameter wie die Frequenz von
Lidschlägen von Interesse sind. In diesem Fall reichen bereits das Kriterium eins und vier,
sowie die Unterscheidung, ob detektierte Lidschläge in unterschiedlichen Schlussphasen
auftreten. Im Gegensatz zu den bisher beschriebenen Verfahren erfüllt die Beschreibung
und Detektion von Pedrotti et al. (2011) die aufgelisteten Bedingungen. Sie definier-
ten einen Lidschlag als vollständige Überdeckung der Pupille. Zu den Zeitintervallen, in
59
Tabelle 5.1.: Vier-Felder Matrix
Detektierter Zustand des Algorithmus
Lidschlag detektiert Kein Lidschlag detektiert
Wahre Bedingung Lidschlag Richtig-positiv (TP ) Falsch-negativ (FN)
Kein Lidschlag Falsch-positiv (FP ) Richtig-negativ (TN)
denen dies der Fall war, wurde zusätzlich ein Zeitpuffer von 60 ms vor dem jeweiligen
Beginn und Ende addiert. Für eine korrekte Detektion der Länge eines Lidschlages muss-
te die Detektion zwischen 100 und 20 ms vor der vollständigen Verdeckung der Pupille
starten und 20 bis 100 ms nach dem Ende der vollständigen Verdeckung enden. Anhand
dieser Kriterien wurden mit ihrem Algorithmus 79 % der Lidschläge richtig detektiert.
5.5.2. Bewertung der Detektionsleistung von Lidschlagalgorithmen
Zur Bewertung der Detektionsleistung von Lidschlagalgorithmen gibt es mehrere Bewer-
tungsmaße. Ausgangsbasis für die Erkennungsleistung sind Summen aus richtig-positiv,
falsch-positiv, falsch-negativ und richtig-negativ erkannten Lidschläge. Diese werden
häufig in einer Vier-Felder Matrix dargestellt (siehe Tabelle 5.1).
Die Summe richtig-positiv erkannter Lidschläge (TP ) setzt sich aus allen Lidschlag-
detektionen eines Algorithmus zusammen, bei denen gleichzeitig das reale Verhalten des
Probanden das gesetzte Kriterium eines Lidschlages erfüllt. Dazu gehören beispielsweise
das richtige Detektieren von Beginn und Ende eines Lidschlages, sowie ein Schwellwert
für das Minimum der Lidspalte während eines Lidschlusses. Falsch-positiv erkannte Lid-
schläge (FP ) sind alle detektierten Lidschläge eines Algorithmus, zu deren Zeitpunkt der
Proband in Wirklichkeit keinen Lidschlag ausgeführt hat. Die Summe falsch-negativ er-
kannter Lidschläge (FN) beschreibt die Anzahl aller realen Lidschläge eines Probanden,
die von dem Algorithmus zur Lidschlagdetektion nicht erkannt worden sind. Richtig-
negativ erkannte Lidschläge (TN) stellen eine Sonderform bei der Lidschlagerkennung
dar und werden lediglich bei einer Auswertung auf Einzeldatenbasis und bei einer ereig-
nisbasierten Auswertung summiert. Die Summe beschreibt alle Sequenzen oder Daten-
punkte, bei denen der Proband keinen Lidschlag ausführt und der Algorithmus ebenfalls
keinen Lidschlag erkennt.
Bei der Detektion wird zwischen einer Auswertung auf Einzeldatenbasis oder ei-
ner zeitbasierten bzw. ereignisbasierten Detektion unterschieden. Die Unterschiede dieser
Auswertungen sind im Folgenden erläutert:
Bei der Bewertung auf Einzeldatenbasis wird lediglich ein einzelner Datenpunkt
ausgewertet. Im Zusammenhang mit Lidschlagdetektionen wird dieses Vorgehen bei der
Auswertung auf Basis von Einzelbildern angewendet. Hierbei wird dem Algorithmus zur
Bestimmung des Fahrerzustandes ein einzelnes Bild präsentiert. Der Algorithmus muss
dann entscheiden, ob die Person in dem Bild die Augen geschlossen oder offen hat. Die
60
Rückmeldung des Algorithmus wird oftmals mit dem gelabelten Zustand der Person (Au-
gen offen oder geschlossen) verglichen. Die Grundlage für die Summen TP , FP , FN und
TN bilden somit keine gesamten Lidschläge, sondern nur ein Teilausschnitt dieser. Die-
ses Vorgehen wird beispielsweise von Choi et al. (2011); González-Ortega, Díaz-Pernas
und Antón-Rodríguez, Díez-Higuera, J. F. (2013); Missimer und Betke (2010); Pauly
und Sankar (2015); und F. Song, Tan, Liu und Chen (2014) angewendet. Dem Algorith-
mus wird dabei häufig die gleiche Anzahl an Bildern geschlossener sowie offener Augen
präsentiert.
Bei der zeitbasierten Detektion wird im ersten Schritt das Video des Fahrers über
einen bestimmten Zeitabschnitt (z.B. eine Minute Fahrt) ausgewählt. Der Algorithmus
bewertet das Verhalten des Probanden in dieser Zeit und versucht alle Lidschläge zu
detektieren. Die detektierten Abschnitte werden dann mit dem realen Verhalten des
Probanden in diesem Abschnitt verglichen. Zusätzlich werden alle Lidschläge, die der
Algorithmus nicht detektiert hat, notiert. Bei dieser Bewertungsmethode wird keine
TN Summe gebildet, da diese Information in die Bewertung der TP , FP und FN
Summen auf Basis des ausgewerteten Zeitraums fließt. Dieses Vorgehen wurde z.B. von
Ebrahim (2016, Kapitel 5); Pedrotti et al. (2011) oder Skotte et al. (2007) genutzt.
Eine Mischform aus der Bewertung auf Einzeldatenbasis und der zeitbasierten De-
tektion ist eine ereignisbasierte Bewertung. Hierbei werden dem Algorithmus einzelne
kurze Videoabschnitte zur Bewertung übergeben, in denen jeweils ein Lidschlag oder
kein Lidschlag vorkommt. Die Anzahl der Zeitabschnitte mit und ohne Lidschlag wird
gleich häufig gewählt. Diese Bewertungsform nutzen beispielsweise Appel et al. (2016).
Es werden hierbei alle vier Summen TP , FP , FN und TN gebildet.
Zur besseren Übersicht der Detektionsleitung des Algorithmus werden die Sum-
men TP , FP , FN und TN zusätzlich verwendet, um prozentuale Kennwerte zu der
Erkennungsleistung des Lidschlagalgorithmus zu berechnen. Die gebräuchlichsten Kenn-
werte für Bewertungen von Lidschlagalgorithmen sind die Detektionsrate/Sensitivität
(englisch Sensitivity/Recall/True-Positive-Rate; Abk.: TPR), der positive Vorhersage-
wert (englisch Precision; Abk.: P ), die Falsch-Detektions-Rate (englisch False-Detection-
Rate; Abk.: FDR) und die Korrektklassifikationsrate (englisch Accuracy; Abk.K). Diese
Kennwerte berechnen sich wie folgt:
TP
TPR = + · 100% (5.1)TP FN
TP
P = + · 100% (5.2)TP FP
= FPFDR + · 100% (5.3)TP FP
61
= TP + TNK + · 100% (5.4)TP TN + FP + FN
Da bei der zeitbasierten Detektion keine TN summiert werden, wird die Korrektklassi-
fikationsrate in dieser Auswertevariante wie folgt berechnet:
= TPK + · 100% (5.5)TP FP + FN
Diese Kennwerte geben einen guten Überblick über die Erkennungsleistung des Algo-
rithmus bei der Lidschlagdetektion.
5.5.3. Abhängigkeiten von der Aufnahme und dem Fahrerverhalten
Die Lidschlagdetektion mit den beschriebenen Messtechniken hängt hauptsächlich von
der genutzten Software (Algorithmus) und der Hardware (Messtechnik) ab. Darüber hin-
aus gibt es noch eine Vielzahl weiterer Einflussgrößen. Diese haben eine direkte Auswir-
kung auf die Detektionsrate, das Verhalten der Fahrer und die Berechnung von Lidschlag-
parametern. Um diese Einflüsse kenntlich zu machen, merkte beispielsweise McConkie
(1981) an, wie Blickbewegungsdaten von Eye Trackern evaluiert und berichtet werden
sollten. Das vorgeschlagene Vorgehen von McConkie (1981) soll einen detaillierten Auf-
schluss über die Studienbedingungen geben. Er erstellte hierzu eine Liste, die sich an den
Überbegriffen Charakteristik des Signals, Algorithmen zur Datenreduktion und Genau-
igkeit der Position der Augendaten orientierten. Neben den aufgeführten Vorschlägen
gibt es in Bezug auf die Detektion von Lidschlägen darüber hinaus noch eine Vielzahl
weiterer Einflussgrößen. Hargutt (2003, Kapitel 2) kategorisiert diese beispielsweise in
Faktoren zur Umgebungsbedingung, überdauernde Personeneigenschaften, Faktoren des
momentanen Zustands der Person und die zu bearbeitende Aufgabe.
Im Folgenden wird in diesem Zusammenhang eine detaillierte Übersicht der Ein-
flussfaktoren auf die Datenaufnahme aufgelistet. Aufgrund der häufigen Nutzung von
EOG und Kameraaufnahmen in Fahrstudien, wurden diese beiden Messtechniken als
Referenz benutzt. Die einzelnen Einflussfaktoren sind hierzu in vier Hauptfaktoren un-
terteilt. Einzelne Einflüsse, die lediglich auf die Kamera- oder EOG Aufnahme wirken,
sind entsprechend gekennzeichnet.
1. Einflüsse durch Software und Hardware zur Aufnahme des Auges
- Nutzung von Remote oder Head-mounted Eye Tracker (Kamera)
- Anzahl der eingesetzten Kameras oder Elektroden
- Position der Kamera(s) in Abhängigkeit zur Kopfposition (Kamera)
- Position der Elektroden (EOG)
- Auflösung des Augenbereiches im Kamerabild (Kamera)
- Auflösung des gemessenen Spannungssignals (EOG)
62
- Typ des digitalen Sensors (Kamera: Color Filter Array oder Monochromer
Sensor)
- Aufnahmefrequenz
- Aufnahme von einem oder beiden Augen des Probanden
- Rauschen
- Bildverarbeitungsalgorithmus (Kamera)
- Algorithmus zur Signalverarbeitung
2. Umwelt- und studienbedingte Einflüsse
- Lichtverhältnisse
- Brillen und Rahmen der Probanden (Kamera)
- Kontaktlinsen
- Reflektionen (Kamera)
- Temperatur
- Luftfeuchtigkeit
- Aufgabe oder Tätigkeit des Probanden
- Verdeckungen der Gesichts/Augenregion (Kamera)
- Fixe Position des Fahrers oder Bewegungsfreiheit (Kamera)
- Labor- oder Straßenstudie
- Einfluss der Straßensituation auf die Testperson
- Aufnahme der Umgebung im Bild (Kamera)
- Elektrisches Feld (EOG)
3. Subjekt- und verhaltensabhängige Einflüsse
- Typ der Lidschläge
- Zustand der Probanden
- Augenphysiognomie
- Lidschlagverhalten
- Make-up (Kamera)
- Blickrichtung vor und nach der Lidschläge
- Sakkaden
- Lidschlag mit geschlossenem Lid (EOG)
4. Lidschlagdefinition und Bewertung
- Labelling
63
- Entscheidungskriterien wann eine Lidbewegung ein Lidschlag ist
Aufgrund der hohen Zahl an Einflussfaktoren ist eine möglichst detaillierte Beschrei-
bung von Experimenten zur Vergleichbarkeit der Ergebnisse wichtig. Da die Detektion
direkt von dem Verhalten des Probanden und den Lidschlägen abhängt, sind die Fakto-
ren lediglich Kategorisierungen von Einflussfaktoren, die sich zusätzlich untereinander
stark beeinflussen. Beispielsweise löst ein starker Lichteinfall während der Fahrt einen
reflexartigen Lidschlag aus.
Umfassende vergleichende Studien zu den Erkennungsraten von Lidschlägen bei
der Modifikation mehrerer unterschiedlicher Studienbedingungen konnten in einer Lite-
raturrecherche nicht gefunden werden. Aufgrund der Vielzahl an Einzelfaktoren wären
die Komplexität und der Umfang einer solchen Untersuchung sehr hoch. Lediglich für
einzelne Einflussgrößen gibt es Studien, wie die von Picot et al. (2009). In dieser wurden
verschiedene Aufnahmefrequenzen einer Kamera verglichen, wobei eine höhere Aufnah-
mefrequenz bessere Ergebnisse lieferte. In einem weiteren Vergleich von Zhang, Gao, Zhu,
Zheng und Lu (2015) wurden verschiedene Signale auf Basis von EOG zur Lidschluss-
erkennung verglichen, die zum einen von Elektroden an standardmäßigen Punkten im
Gesicht aufgenommen wurden und zum anderen von Elektroden, die an versetzt gewähl-
ten Punkten positioniert waren. So lag die mittlere Korrelation zwischen den Signalen
von 14 Probanden im Vergleich bei 0.78 für das vertikale und 0.86 für das horizontale
Signal. Auch wenn die Signale nicht mit den eigentlichen Lidschlüssen (Ground Truth)
verglichen wurden, zeigen sie bereits die Abhängigkeit zwischen der Position der Elek-
troden und der Signale. Darüber hinaus können die Lichtverhältnisse mehrere Einflüsse
haben. So beeinflusst das Licht die Pupillengröße und die Lidspalte des Probanden. Auf
der anderen Seite wird aber auch die Helligkeit und Farbe des Auges im Falle einer
Kameraaufnahme verändert. Ein weiterer Einflussfaktor ist die Tätigkeit des Probanden
und die zugehörige Verhaltensänderung. So sank beispielsweise die Detektionsrate eines
Remote Eye Trackers bei der Erlaubnis für Bewegungen gegenüber einer Vorgabe unbe-
wegt zu sein von 95 % auf 25 % (T. Morris, Blenkhorn & Zaidi, 2002). Darüber hinaus
könnte die Lidschlagerkennung speziell beim Remote Eye Tracker durch unterschiedliche
Einflüsse wie Haarwuchs, Bart, Piercings, Mützen, Tücher oder Zigaretten stark indivi-
duell beeinflusst werden, da im Bild der Kamera im ersten Schritt die Augenregionen
gefunden werden müssen. So ist die Detektion der Augenregion ebenfalls nicht perfekt,
wie die Detektionsergebnisse der Augenregion von 90 % bei geschlossenen Augen von
Sirohey et al. (2002) zeigen. Die Physiognomie der Augen unterscheidet sich darüber hi-
naus ebenfalls für verschiedene Ethnien oder aufgrund individueller Ausprägungen, wie
die Ptose (herabhänges Lid) oder Schlupflider. Speziell Augapfel- und Lidbewegungen
haben einen Einfluss auf das EOG Signal bei geschlossenen Lidern und erschweren eine
korrekte Lidschlagdetektion (Meinold, 2005, Kapitel 6). Eine umfassende Übersicht über
weitere Studien, die lediglich den Einfluss einzelner Faktoren untersuchen, wird in der
Arbeit von Hargutt (2003, Kapitel 2) gegeben.
Betrachtet man Studien zur optischen Blickrichtungserkennung, so wird auch in
diesen der Einfluss von einigen der aufgelisteten Faktoren festgestellt. Mit Hilfe von
vergleichenden Studien wird auch für diese versucht, den Einfluss auf die Erkennungs-
64
leistung der Algorithmen abzuschätzen (Blignaut & Wium, 2014; Nyström, Andersson,
Holmqvist & van de Weijer, 2013). So verglichen Nyström et al. (2013) die Erkennungs-
leistung der Blickrichtung für 145 Probanden mit 6994 Messungen und 16 Faktoren und
fanden jeweils Einflüsse auf die Genauigkeit und Varianz der Faktoren der Blickrich-
tungserkennung. Eine detaillierte Beschreibung des Einflusses einzelner Variablen ist im
vierten Kapitel des Buches von Holmqvist et al. (2011) beschrieben.
Darüber hinaus ist es bei der Präsentation von Ergebnissen einer Lidschlagdetek-
tion wichtig zu wissen, wie festgestellt wird, ob ein Proband blinzelt. So macht es einen
Unterschied, ob ein Signal lediglich mit definierten Regeln wie der von Rechtschaffen
und Kales (1968) oder dem realen Verhalten direkt durch einen Labelling Experten be-
wertet wird. Hierbei ist ebenfalls wichtig, welche Hilfsmittel zur Detektion und Analyse
der Lidschläge zur Verfügung stehen. So hat eine Bewertung einer Lidschlagdetektion in
Echtzeit den Nachteil, dass zweifelhafte Zeitpunkte nicht im Detail klassifiziert werden
können. Auch ist man beim Labelling von der verfügbaren Ausstattung und Aufnahme
(Auflösung und Größe des Auges im Bild, Aufnahmefrequenz, Lichtverhältnisse etc.) ab-
hängig.
Insgesamt ist es aufgrund der hohen Zahl an Abhängigkeiten durch die einzelnen
Faktoren schwierig Lidschlagalgorithmen zu vergleichen, da viele Studienbeschreibun-
gen keine oder nur wenige Informationen zu einem Großteil der aufgeführten Faktoren
enthalten. Neben einer Untersuchung der Detektionsrate wäre eine Auflistung der Ein-
flussfaktoren somit hilfreich für Vergleiche von einzelnen Studien.
5.6. Studienergebnisse zum Lidschlagverhalten und zur
Müdigkeitsdetektion mit Lidschlagparametern
5.6.1. Lidschlagdetektionsverfahren mit EOG und Kameradaten
In Hinblick auf die Anwendung eines Algorithmus zur Lidschlagdetektion für lange Fahr-
abschnitte ist eine Auswertung des Lidschlagalgorithmus mit einer zeitbasierten Aus-
wertung einer ereignisbasierten oder einzeldatenbasierten Auswertung vorzuziehen. Bei
einer Auswertung mit Einzelbildern ist die Anzahl der Bilder mit unterschiedlichen Lid-
stellungen im Vergleich zu deren Häufigkeit während einer normalen Fahrt unnatürlich
verzerrt. Auch sind viele Bilder aus der Übergangsphase der Lidöffnung und -schließung
im Datensatz vorhanden. Ebenfalls ist nicht eindeutig, wie die Lidschlagdetektion kon-
kret aussieht und bewertet wird, wenn der Algorithmus während einer Schlussphase in
einzelnen Datenpunkten ein offenes Auge schätzt. Somit beantworten diese Auswertun-
gen schlussendlich nicht, ob ein Lidschlag als Ganzes erkannt wird oder nicht und wie
gut einzelne Lidschlagparameter aus den Ergebnissen abgeleitet werden können. Eine
ereignisbasierte Auswertung hat den Nachteil, dass die Ergebnisse lediglich eine ver-
zerrte Information über die Güte des Algorithmus für lange Fahrten liefern. So kann
es sein, dass einzelne Probanden sehr selten blinzeln und lange Phasen mit größeren
Lidspalten haben. Bei anderen Probanden dominieren Zeitabschnitte mit Lidschlägen
gegenüber Abschnitten mit geöffneten Augen. In beiden Fällen passen die Ergebnisse
65
der ereignisbasierten Auswertung nicht zu der Häufigkeit der Ereignisse in den Fahrten.
Eine Auswertung von Zeitabschnitten kann direkt für die gesamte Fahrt hochskaliert
werden. Aus diesem Grund liegt der Fokus exemplarisch vorgestellter Studienergebnisse
auf Studien, bei denen die Detektionsleistung des Lidschlagalgorithmus in Zeitabschnit-
ten ausgewertet wurden. Die Ergebnisse werden unabhängig von den Ausführungen in
Kapitel 5.5 vorgestellt und sollen zeigen, welche Güte von Forschern unter den indivi-
duellen Randbedingungen erzielt wird.
Eine Studie, die die Detektionsrate von Lidschlägen untersucht, wurde von Ebrahim,
Stolzmann und Yang (2013) durchgeführt. Auf Basis einer Evaluation von EOG Aufnah-
men mit 50 Hz, berichten sie von einer hohen Detektionsrate von 90-100 % bei wachen
Fahrern. Sie erreichten jeweils über 80 % für müde Fahrer. Als Basis dienten Fahrab-
schnitten von sieben Probanden. Auch legt die niedrige FDR eine gute Erkennungs-
leistung des Verfahrens nahe. Zur Detektion von Lidschlägen nutzten sie Schwellwerte
der Ableitung des EOG Signals und suchten anschließend nach Vorzeichenwechseln im
weiteren Signalverlauf. Im Anschluss wurde die Amplitude der Öffnungs- und Schließ-
phase der detektierten Stellen verglichen, um Sakkaden, Lidschläge mit Sakkaden und
reine Lidschläge zu unterscheiden. Hierzu wurden zwei k-means clustering Algorithmen
genutzt. Die genaue Bewertungsmethode der Labelling Experten und die Definition von
Lidschlägen für diese wurden nicht genannt.
In einer weiteren Studie berichten Jammes et al. (2008) über eine hohe Detekti-
onsrate von Lidschlägen (97.3 %), basierend auf der Auswertung von EOG Daten in
14 zweistündigen Fahrten. Auch Jammes et al. (2008) beschreiben die Bewertungsme-
thode und Definition von Lidschlägen nicht. In beiden zuvor aufgelisteten Studien von
Ebrahim et al. (2013) und Jammes et al. (2008), wie auch in einer Studie von Skotte et
al. (2007) nimmt die Detektionsrate von Lidschlägen für Personen ab, die sich selbst als
müde einschätzten oder durch den Studienleiter als müde eingestuft wurden.
In einer weiteren Studie von Yang, Yu, Huang, Yang und Metaxas (2012), die den
Vergleich der Detektionsraten zwischen wachen und müden Personen untersuchen, wird
ebenfalls über eine niedrigere Detektionsrate von Lidschlägen in müden Phasen berich-
tet. In ihrem Algorithmus nutzten sie eine Detektion der Lidränder im Kamerabild und
die Berechnungen der Mahalanobisdistanz (Mahalanobis, 1936) zwischen den Lidern. So
sank die Detektionsrate von wachen zu müden Phasen von 94 % auf 87.3 %. Gleichzeitig
erhöhte sich die Falschdetektionsrate von 7.3 % auf 10.6 %. Diese Ergebnisse legen eine
Abhängigkeit der Lidschlagdetektion von dem Zustand der Fahrer und des Verhaltens
(siehe Kapitel 5.6.2) nahe. Zusätzlich zeigen sie, dass der Probandenzustand unabhängig
von der verwendeten Messtechnik eine schlechtere Erkennungsleistung zur Folge hatte.
Auch Yang et al. (2012) beschrieben nicht die Bewertungskriterien ihrer Tests.
In einem Vergleich der Lidschlagdetektion basierend auf EOG und Kameradaten,
nutzten Picot et al. (2009) die detektierten Lidschläge aus EOG Aufnahmen mit 250 Hz
als Ground Truth ohne Labelling. Die detektierten Lidschläge wurden anschließend mit
den detektierten Lidschlägen einer synchron aufzeichnenden Remote-Kamera mit un-
terschiedlichen Aufnahmefrequenzen verglichen. In ihrer Studie mit 64 Aufnahmen von
14 wachen Probanden über jeweils eine Minute ermittelten sie eine abnehmende FP bei
der Detektion von Lidschlägen mit höheren Aufnahmefrequenzen der Kamera. So war
66
diese Summe höher für Aufnahmen mit 30 Hz als mit 100 Hz und nahm für 150 Hz
und 200 Hz jeweils zusätzlich ab. Dabei ist anzumerken, dass sie die Aufnahmen unter
unterschiedlichen Aufnahmeraten nicht parallel durchführen konnten, sondern unter-
schiedliche Sequenzen auswerteten. Zusätzlich bleibt offen, wie hoch die eigentliche TP
und FP ist, da lediglich die Aufnahmen mit EOG als Ground Truth genutzt wurden.
Es ist sehr wahrscheinlich, dass die Detektion mit EOG ebenfalls Fehler enthält.
In Tests mit zehn Probanden berichten Bergasa et al. (2006) von sehr genauen
Ergebnissen bei der Detektion von Perclos (93.12 %), der Lidschlagdauer (84.37 %) und
Lidschlagfrequenz (80 %). Diese Werte setzen eine hohe Detektionsrate von Lidschlägen
voraus.
In einer anderen Studie testeten Sukno et al. (2009) ihren Algorithmus auf Basis
von 360 Videos aus der Datenbank von Ortega et al. (2004). Diese Datenbank enthält
die Aufnahmen von 20 Probanden und insgesamt circa 63 min Videoaufnahmen die mit
25 Hz aufgezeichnet wurden. Das Verfahren zeichnete sich durch eine hohe Korrektklas-
sifikationsrate (97.1 %) und eine niedrige Rate an FP (2.67 %) und FN (4.41 %) aus.
Ein weiteres Verfahren von Appel et al. (2016) wurde auf Basis von 20 Videose-
quenzen von 20 unterschiedlichen Probanden mit je 5 min Länge entwickelt. Bei diesem
wurde ein lernender Algorithmus trainiert und evaluiert. Hierzu wurden im ersten Schritt
alle 2410 Lidschläge in den Abschnitten markiert. Vor dem Training und Test des Ver-
fahrens wurde im ersten Schritt ein fixer Wert für ein Zeitfenster fp zwischen 80 ms
und 600 ms und Perzentilwert Pw zwischen 5 und 90 gewählt. Anschließend wurde das
Verfahren über die Leave-one-out Kreuzvalidierung mit 19 Probanden und deren Lid-
schlägen mit der gewählten Fensterlänge fp und Perzentilwert Pw trainiert. Zusätzlich
wurden zufällig gewählte Sequenzen ohne Lidschläge zum Training genutzt. Anschlie-
ßend wurde der trainierte Klassifikator auf Basis von Sequenzen des 20. Probanden mit
und ohne Lidschlägen getestet. Dieses Vorgehen wurde 20-mal wiederholt, wobei immer
ein anderer Proband bei dem Training ausgeschlossen und anschließend getestet wurde.
Um eine optimale Fenstergröße fp und Perzentilwert Pw zu finden, wurde das gesamte
Vorgehen für verschiedene Fensterlängen zwischen 80 ms und 600 ms, sowie Perzentil-
werte zwischen fünf und 90 wiederholt. Die beste Korrektklassifikationsrate wurde in der
ereignisbasierten Evaluation mit 96.35 % bei einer Fensterlänge von 440 ms und einem
50 % Perzentil erzielt.
Suzuki, Yamamoto, Yamamoto, Nakano und Yamamoto (2006) nutzten in ihrer
Studie einen Remote Eye Tracker im Innenspiegel eines Fahrzeugs um Lidschläge von
21 wachen Probanden zu detektieren. Zur Detektion der Lidschläge nutzten sie die Ablei-
tung der Grauwerte im Aufnahmebild und detektierten mehrere Punkte auf dem oberen
und unteren Augenlid (Landmarks). Im Anschluss an ein Clustering berechneten sie
den mittleren Abstand zwischen den Punkten auf dem oberen und unteren Lid. Das
Signal, dass dadurch entstand, wurde anschließend zweimal abgeleitet und die Schnitt-
punkte des zweifach abgeleiteten Signals mit dem Ausgangssignal des Lidabstands er-
mittelt. Die jeweiligen Schnittpunkte zwischen den beiden Signalverläufen entsprechen
dabei dem Start- und Endpunkt des Lidschlages. Zur Verifikation ihres Algorithmus
wurden anschließend kurze zehn-minütige Fahrten aufgenommen. Insgesamt traten in
diesen Abschnitten 5813 Lidschläge auf, von denen alle bis auf 142 detektiert wurden.
67
Mit 134 Falschdetektionen konnten sie eine hohe Detektionsrate und niedrige Falschde-
tektionsrate in ihrem Anwendungsfall zeigen. Auch hier wurde von den Autoren nicht
berichtet, wie ihr Bewertungskriterium zur Lidschlagdetektion im Detail aussah.
5.6.2. Lidschlagverhalten und Müdigkeit
In Studien, die das Verhalten von Menschen unter langen Betätigungsphasen mit dersel-
ben Aufgabe untersuchen, werden häufig Änderungen des Lidschlag- und Blickverhaltens
gemessen (Häkkänen et al., 1999; Ingre, Åkerstedt, Peters, Anund & Kecklund, 2006;
T. L. Morris & Miller, 1996; Stern & Skelly, 1984). Diese Änderung ist unabhängig
von der individuellen Lidschlagdefinition (siehe Kapitel 5.5). Speziell in Hinblick auf das
Müdigkeitsverhalten ist dies wichtig, da lange Betätigungsphasen mit derselben Aufgabe
als Einflussfaktor für einen erhöhten Müdigkeitszustand gelten. So wird nach einer lang
andauernden Studie von Probanden im Allgemeinen ein erhöhtes Müdigkeitsempfinden
zurückgemeldet (Ebrahim, 2016; T. L. Morris & Miller, 1996). Zusätzlich wird ein „ver-
minderter Lidabstand in Kombination mit einem tieferen Blickwinkel beobachtet“ Lobb
und Stern (1986, S. 17). Dieses Phänomen entspricht der Beschreibung von Personen, die
von außen beobachtet einen müden Blick haben (T. L. Morris & Miller, 1996). Durch
die verkleinerte Lidspalte verringert sich folglich auch der zurückzulegende Weg bzw.
die Amplitude bei einem Lidschlag (Stern et al., 1994). Zusätzlich berichten Stern et
al. (1994) in ihrer Literaturübersicht über eine eindeutige Tendenz der Probanden zu
einer erhöhten Lidschlagfrequenz im Laufe der Zeit. Diese Rate wird bei langen Betäti-
gungsdauern zusätzlich von der jeweiligen Aufgabe und der dazu erforderlichen visuellen
Beanspruchung beeinflusst (Stern et al., 1994; Veltman & Gaillard, 1996).
Stern et al. (1994) berichten ebenfalls von einem Anstieg von Lidschlagflurries,
zum Teil auch Blink bursts oder volleys genannt, die sie als drei oder mehr Lidschläge
innerhalb eines dreisekündigen Zeitfensters definierten. In ihrer Studie war die Zahl der
Flurrys hinsichtlich der Betätigungszeit, sowie des Interaktionseffekts aus Studientag
und Betätigungszeit bei einem dreimalig wiederholten Experiment signifikant. Deshalb
war ihre Schlussfolgerung, dass die Häufigkeit der Flurries nicht nur durch die fortschrei-
tende Studiendauer, sondern auch durch Langeweile in Bezug auf die Aufgabenstellung
beeinflusst wurde.
In einer Studie mit 76 Fahrern untersuchten N. Galley, Schleicher und Galley (2004)
das Lidschlagverhalten mit EOG in langen simulierten Autofahrten mit einer Länge von
zwei bis drei Stunden. In der Studie fanden sie große individuelle Unterschiede in der
Änderung der Werte mehrerer Lidschlagparameter bei zunehmender Müdigkeit. Dies
waren unter anderem Lidschlagfrequenz, Lidschlagdauer und Amplitude. Manche Pa-
rameter änderten sich bei Probanden auch trotz des Müdigkeitsanstiegs nicht. Hierbei
war nicht ersichtlich, aus welchen Gründen sich bei Probanden bestimmte Parameter
änderten und bei den übrigen Probanden wiederum andere Parameter. Die Autoren
nahmen an, dass das Bestreben wach zu bleiben, eine Änderung des Lidschlagverhaltens
verhindert, wobei die Probanden individuell das Verhalten unterschiedlicher Parameter
beeinflussen. Trotz dessen identifizierten sie in einer Faktoranalyse fünf Faktoren, die
sich je nach Proband in der wachen und müden Fahrphase unterscheiden. Dies waren
68
die Zeit zwischen zwei Lidschlägen, die Lidschlagdauer zusammen mit einer Verzögerung
der Lidöffnung, die Amplitude des Lidschlags zusammen mit der Öffnungsdauer, die Ge-
schwindigkeit der Lidöffnung, sowie die Geschwindigkeit der Lidschließung.
Auch Hargutt (2003, Kapitel 6) berichtete von starken individuellen Unterschieden
in seinen Studien und schlägt eine individuelle Standardisierung dreier Parameter zur
Zustandsbeschreibung vor (Lidschlagfrequenz, Lidschlagdauer und das Augenöffnungs-
niveau). Wie bei N. Galley et al. (2004) gab es in seiner Fahrsimulatorstudie mit zwölf
Probanden und langen Fahrten mit bis zu 270 min bei manchen Probanden Änderungen
in der Augenöffnungsdauer mit zunehmender Müdigkeit und bei anderen nicht. Dasselbe
war bei der Lidschlussdauer und der Augenöffnungsdauer der Fall. Zusätzlich beobach-
tete er bei einer kombinierten Betrachtung der Blinzlerfrequenz und langen Lidschluss-
dauern, dass lange Augenöffnungsdauern selten gekoppelt mit langen Lidschlussdauern
auftraten und lediglich in späten Müdigkeitsstadien zusammen mit einer kleinen Lid-
spalte vorkamen. So stellte Hargutt fest:
1. „Die Augenöffnungsdauern variieren außer mit Situationsfaktoren vor
allem mit time-on-task und Aufmerksamkeit, wobei dieser Zusammen-
hang nur in frühen Müdigkeitsstadien vorhanden ist.
2. Verlängerte Lidschlussdauern als auch gesondert betrachtete lange Lid-
schlussereignisse sind v.a. mit time-of-day verknüpft und indizieren so-
mit eher einen tonischen, energetischen Müdigkeitsaspekt als eine mit
Aufgabencharakteristiken schwankende, phasische Aufmerksamkeit.
3. Das Augenöffnungsniveau verringert sich in sehr späten Müdigkeitssta-
dien und lässt den Einfluss von Aufmerksamkeit auf die Augenöffnungs-
dauern weitgehend verschwinden.“ (Hargutt, 2003, S. 161)
Als guter Indikator zur Müdigkeitserkennung auf Kamerabasis gilt das Perclos-Signal,
insbesondere nach einer vergleichenden Studie zu Messgrößen zur Müdigkeitsdetektion
von Dinges und Grace (1998). Aus diesem Grund wird das Signal bis heute häufig in
Studien zur Müdigkeitsdetektion eingesetzt (Bergasa et al., 2006; Friedrichs & Yang,
2010a; Grace et al., 1998; Sigari, 2009; Trutschel et al., 2011). In den Studien von Hargutt
(2003, Kapitel 5 bis 7) versuchte dieser die Müdigkeit der Probanden mit Hilfe des
Perclos-Signals richtig zu detektieren. Dabei konnte der müde Zustand der Probanden
trotz sehr müder Phasen mit dem Perclos Signal nicht frühzeitig erkannt werden. Auch
stiegen die Detektionen nicht monoton mit der Zunahme an Fahrfehlern an. So weist die
Detektion mit Perclos erst einen Sprung für Zeitabschnitte auf, in denen die Probanden
mehr als 30 % der Zeit mit den Rädern außerhalb des eigenen Fahrstreifens fuhren.
Im Zusammenhang mit Studien zum automatisierten Fahren wurden Eye-Tracking
Daten unter anderem von Jamson et al. (2013) und Körber et al. (2015) ausgewertet. In
den Studien wurde eine Änderung des Lidschlussverhaltens im Zusammenhang mit der
Tätigkeit und Versuchszeit festgestellt (siehe Kapitel 4.2.1).
69
5.6.3. Klassifikation des Müdigkeitszustandes mit der Lidstellung
Verschiedene Studien fokussieren sich auf den Klassifikationsprozess des Fahrers in einen
müden und wachen Zustand auf Basis von Lidschlagparametern (EOG: Ebrahim, Abdel-
laoui, Stolzmann & Yang, 2014; Hu & Zheng, 2009; Picot et al., 2012; Kamera: Bergasa et
al., 2006; Coetzer & Hancke, 2011; Eskandarian & Mortazavi, 2007; Teyeb et al., 2014).
Im Fokus steht dabei nicht die Auswertung und Untersuchung der einzelnen Parameter
in wachen und müden Phasen. Im Gegensatz dazu ist es das Ziel, eine gegebene Datenba-
sis zu nutzen, um die Klassifikation des Fahrers in müde und wach zu optimieren. Da das
Lidschlagverhalten sehr komplex ist und es starke individuelle Unterschiede gibt, werden
häufig Fuzzy Konzepte und rein lernende Verfahren, wie ein künstliches neuronales Netz,
Support Vector Machine oder k-nearest-neighbor Verfahren zur Müdigkeitsdetektion ein-
gesetzt. Selten wird in Verfahren versucht auf Basis von bekannten Veränderungen im
Lidschlagverhalten (siehe Kapitel 5.6.2) ein deterministisches oder stochastisches Ver-
fahren zu entwickeln, dass eine Detektion der Änderung von Lidschlagparametern bei
Müdigkeit ausnutzt. Ein Beispiel für ein simples deterministisches Verfahren ist eine
Müdigkeitsdetektion und -warnung bei einem Lidschluss von mehr als zwei Sekunden
(Chieh, Mustafa, Hussain, Hendi & Majlis, 2005). Im Folgenden wird eine Auswahl an
Detektionsverfahren exemplarisch vorgestellt.
Lernende Verfahren Hu und Zheng (2009) nutzten die Lidschlusseigenschaften aus
EOG Aufnahmen um den Müdigkeitszustand von Probanden mit Schlafentzug zu de-
tektieren. Sie berichteten von einer Detektionsrate von 83.3 % bei wachen Personen,
86.7 % bei Probanden im müden Zustand und 100 % bei der Detektion des sehr müden
Zustands. Hierfür setzten sie ein lernendes Verfahren ein (Support Vector Machine). Der
Algorithmus nutzte alle detektierten Lidschläge (korrekte, sowie falsche Detektionen)
und wurde in Bezug zu der neunstufigen KSS und Karolinska Drowsiness Score ausge-
wertet.
Als Grundlage für ihre Studie zeichneten Friedrichs und Yang (2010a) über 90 Stun-
den reale Fahrten von 23 Probanden im Straßenverkehr auf. Mit einer Kamera der Firma
Seeing Machines wurden der Öffnungsgrad der Lidspalte sowie die Kopfposition aufge-
zeichnet. Aus diesen Signalen wurden insgesamt 18 Parameter zur Zustandsbeschreibung
des Fahrers abgeleitet und auf die elf vielversprechendsten reduziert. Mit Hilfe von auf-
gezeichneten KSS wurden Abfragen von Fahrphasen mit einer KSS kleiner sieben als
wach, KSS von sieben als zweifelhaft und KSS größer sieben als müde kategorisiert. Mit
Hilfe dieser Kategorisierung wurde ein künstliches neuronales Netzwerk trainiert und
anschließend getestet. Die gemittelte Detektionsrate mit Testdaten der drei Zustände
betrug 82.5 %.
Ähnlich zu Friedrichs und Yang (2010a) gingen auch Garcia et al. (2012) vor,
die aus dem Signal des Lidabstands das Perclos Signal berechneten. Die Perclos-Daten
wurden mit Schwellwerten in drei Gruppen unterteilt und mit gelabelten Müdigkeits-
bewertungen verglichen. Das genaue Verfahren zur Ermittlung der Schwellwerte wurde
nicht genannt. Die Zustände wach, müde und sehr müde wurden mit 83.5 %, 57 % und
46 % richtig klassifiziert.
70
Ebrahim et al. (2014) verglichen die Detektionsrate des Müdigkeitszustandes von drei
unterschiedlichen Klassifikationsverfahren. Dabei wurden die Verfahren Support Vec-
tor Machine, künstliche neuronale Netze und k-nearest-neighbor evaluiert. Diese detek-
tierten jeweils die KSS-basierte Müdigkeitseinschätzung von 43 Probanden mit 18 Lid-
schlagparametern mit einer mittleren Detektionsrate von 82 %. Als Grundlage für die
Müdigkeitsklassifikation wurden Zeitabschnitte mit einer KSS kleiner sieben als wach
und Abschnitte mit einer KSS größer sechs als müde eingestuft. Bei einer Unterteilung
in drei Zustände (KSS kleiner sechs wach; KSS gleich sechs oder sieben zweifelhaft und
KSS größer sieben als müde) konnte lediglich eine mittlere Detektionsrate von 66 %
erzielt werden.
Fuzzylogiken Picot et al. (2012) nutzten EOG Aufnahmen, um den Müdigkeitszustand
der Probanden mit einem Algorithmus mit Fuzzylogik zu schätzen. Diese Schätzung ver-
glichen sie mit einer Klassifizierung des Müdigkeitszustandes anhand der Interpretati-
on eines Beobachters. Dieser schätzte den Müdigkeitszustand selbst anhand der EOG-
Rohsignale. Der Zustand der Probanden wurde in wach, müde und sehr müde unterteilt.
Bei der algorithmischen Umsetzung wurde eine Kombination von mehreren Lidschlag-
parametern genutzt. Mit einer Übereinstimmung von 81.4 % bei der Detektion von sehr
müden Personen konnte eine hohe Übereinstimmung erzielt werden. Um die Ergebnisse
der Klassifikation zu verbessern, schlug Picot et al. (2012) eine Kombination von EOG
und EEG Signalen vor.
In einer Studie von Bergasa et al. (2006) wurde der Müdigkeitszustand mit Hilfe
mehrerer Lidschlagparameter und einem Fuzzy-System getestet. In diesen Tests wurde
bei zehn Fahrten im Straßenverkehr ein müdes Verhalten simuliert. Je nach Parame-
ter konnte der simulierte müde Zustand mit einer Genauigkeit von 72.5 % bis 93.12 %
erkannt werden. Durch die Verknüpfung der Parameter (Perclos, Lidschlagdauer, Lid-
schlagfrequenz, Nickfrequenz des Kopfs, Kopfrichtung und Fokus des Blickes) konnte
eine richtige Klassifikation des Zustandes in Höhe von 98 % erzielt werden. Unklar ist
allerdings, wie wache und müde Verhaltensweisen dargestellt wurden und wie lange die
Auswertesequenzen waren.
Stochastische und Deterministische Verfahren
N. Galley et al. (2004) konzipierten ein sechsstufiges stochastisches Verfahren zur Mü-
digkeitsdetektion. Dies sollte müde Fahrer speziell von Fahrern unterscheiden, die ab-
sichtlich lange Lidschlussphasen ausführten, allerdings nicht müde waren. Das Verfahren
basierte auf mehreren Lidschlagparametern, sowie einer Personalisierung der Lidschlag-
parameter während des wachen Zustands durch eine Speicherung der Werte aus den
ersten 15 min der Fahrt. Das Lidschlagverhalten während der weiteren Fahrt wurde
anschließend mit den personalisierten Werten verglichen. Eine gelbe Zustandswarnung
wurde ausgelöst, falls mehrere Parameter eine Änderung zum Ausgangswert aufwiesen,
die auf einen Müdigkeitseinfluss schließen ließen. Über eine Steigerung der Warnung mit
einer roten Zustandswarnung wurden deutliche Müdigkeitskennzeichen bei mehreren Pa-
rametern ausgedrückt.
Einen anderen Ansatz verfolgte Hargutt (2003, Kapitel 7). So teilte er einzelne Lid-
71
schläge aufgrund der Länge der Lidschlagdauer und der Länge der Augenöffnung vor den
jeweiligen Ereignissen in vier Gruppen auf. Die Schwellwerte für die Grenzen zwischen
den Stadien wurden anhand eigener Untersuchungen bestimmt, unterliegen allerdings
der Geheimhaltung. Je nach Stadium wurden Probanden als wach, vigilanzgemindert,
müde oder schläfrig charakterisiert.
Ein weiteres System ist das Copilot System (Grace et al., 1998; Grace & Steward,
2001). Dies nutzt den Öffnungsgrad der Augen, um dem Fahrer eine Meldung zu des-
sen Müdigkeitszustand zu geben. Eine Meldung wird dem Fahrer gegeben, sobald der
Perclos Wert seinen Signalzustand stark änderte. In einer Folgestudie von Dattel et al.
(2002) mit Zugfahrten wurde auf Basis des Copilot-Systems gezeigt, wie das System zur
Warnung der Fahrer in automatisierten Fahrten genutzt werden kann.
72
6. Methodischer Ansatz zur
Untersuchung des
Fahrerverhaltens 3
In diesem Kapitel werden die ersten beiden Studien (Studie 1 und 2) zur Untersuchung
des Verhaltens von Fahrern in langen, monotonen manuellen und hochautomatisierten
Fahrten vorgestellt. Insgesamt wurden drei Studien in dieser Arbeit ausgewertet. Kein
Proband nahm an mehr als einer der drei Studien teil.
Das Studienkonzept von Studie 3 baute auf den Ergebnissen von Studie 2 auf.
Aus diesem Grund wird der methodische Ansatz von Studie 3 nach der Vorstellung der
Ergebnisse aus Studie 1 und 2 zu Beginn von Kapitel 10 getrennt vorgestellt.
Studie 1 entstand für eine vorausgehende Arbeit von Ebrahim und wurde als Refe-
renz für lange manuelle Fahrten mit induzierter Müdigkeit zu den automatisierten Fahr-
ten dieser Arbeit hinzugezogen. Die Beschreibung von Studie 1 basiert auf den Angaben
in Ebrahim (2016, Kapitel 4) und zusätzlichen Schilderungen und Dokumentationen der
damaligen Studienleiter. Alle Auswertungen und Ergebnisse zu dieser Studie basieren auf
eigenständigen Auswertungen mit dem Ziel die Daten im Kontext eines Vergleichs mit
Studie 2 zu analysieren. So werden bisher nicht ausgewertete Kameradaten ausgewertet
und präsentiert.
Hauptziel der manuellen Studie 1
Das Ziel von Studie 1 war es, das Fahrerverhalten während langen, manuellen Fahrten zu
untersuchen. Monotone Umgebungsbedingungen sollten Müdigkeit bei den Probanden
induzieren. Es wurden Elektookulogramme von Fahrern im wachen und müden Zustand
aufgezeichtet. Diese wurden in einer ersten Auswertung zur Detektion der Müdigkeit
von Fahrern während manuellen Fahrten genutzt (Ebrahim, 2016, Kapitel fünf bis acht).
Aufbauend auf den Daten der Studie und bisher nicht ausgewerteter Messsignale eines
Head-mounted Eye Trackers, dienen die Aufzeichnungen als Basis für einen Vergleich
zwischen manuellem und hochautomatisiertem Fahren mit Studie 2 dieser Arbeit.
Hauptziel der hochautomatisierten Studie 2
In der ersten hochautomatisierten Fahrstudie (Studie 2) war das Hauptziel, die Reak-
tionsfähigkeit der Probanden nach einer langen, hochautomatisierten Fahrt zu untersu-
3Auszüge des Kapitels wurden und werden von J. Schmidt, Stolzmann und Karrer-Gauß (2016),
J. Schmidt, Laarousi et al. (2017) und J. Schmidt und Stolzmann (o. J.) veröffentlicht
73
chen. Die Probanden sollten über mehr als 80 min unter monotonen hochautomatisierten
Fahrbedingungen fahren. Durch diese Umgebungsbedingungen sollte Müdigkeit induziert
werden. Ziel war es, die Probanden zum Ende der Studie mit einer anspruchsvollen Über-
nahme der Fahrzeugführung zu konfrontieren, um die Reaktionen auf diese zu messen.
Der Start der Übernahme sollte dynamisch an den Müdigkeitszustand der Probanden
gekoppelt sein, um den Fahrer zum Zeitpunkt seines höchsten Müdigkeitsniveaus mit
der anspruchsvollen Übernahme zu testen. Mehrere zusätzliche Übernahmen während
der Studie wurden konzipiert, um den Fahrer an das neuartige Assistenzsystem zu ge-
wöhnen und die Verantwortlichkeit zwischen ihm und dem Fahrzeug aufzuzeigen. Diese
Übernahmen wurden so parametriert, dass sie für die Probanden einfach zu meistern wa-
ren. Dadurch wurden die Probanden für die abschließende anspruchsvolle Übernahme
nicht vorkonditioniert. Der geringe Schwierigkeitsgrad bei den vorherigen Übernahmen
wurde dadurch erreicht, dass im Großteil nur eine Spurhaltung des Probanden nach der
Übernahme gefordert war. In einer der einfachen Übernahmen gab es eine Situation, in
der einem Hindernis auf der Fahrspur auszuweichen war. Für das nötige Ausweichmanö-
ver hatte der Proband eine große Zeitspanne. Die Probanden wurden in zwei Gruppen
geteilt und mussten während der hochautomatisieren Fahrt in bestimmten Intervallen
(30 s oder 180 s) ähnlich zu dem Versuch von Wimmer (2014, Kapitel 5) eine Reakti-
onsabfrage bestätigen. Die Bestätigung war nötig, um das System aktiviert zu halten.
Ziel war eine Untersuchung des Einflusses der unterschiedlichen Intervalle der ä. Details
zum Konzept werden im Folgenden näher beschrieben.
6.1. Gemeinsamkeiten von Studie 1 und 2
Die beiden Studien 1 und 2 wurden unter Laborbedingungen ohne Einfluss von Son-
nenlicht durchgeführt. Zur Verstärkung der Müdigkeit der Probanden, war die gesamte
Umgebung neben der Fahrstrecken mit eintöniger Vegetation und nur wenigen Ortschaf-
ten aufgebaut. Als Fahrtumgebung wurden Abendbedingungen mit einem dunklen, stark
bewölkten Himmel simuliert. Zusätzlich zu der ermüdenden Streckenumgebung war es
das Ziel, mit einer langen Dauer der Studie von bis zu vier Stunden Müdigkeit zu indu-
zieren. Diese Zeit beinhaltete eine Vorbefragung, die Instruktion, die Fahrt, sowie eine
Nachbefragung. Während beider Studien durften die Probanden kein Radio hören und
keine Nebentätigkeiten ausführen. Durchschnittlich fuhren die Probanden in der ma-
nuellen Studie 321 km (SD = 70 km) in 2:25 h (SD = 34 min). Die Probanden der
hochautomatisierten Studie fuhren im Mittel 259 km (SD = 37 km) in einer mittleren
Fahrtzeit von 2:41 h (SD = 23 min). Die Startuhrzeit der Probanden in beiden Studien
war gleichverteilt 18 Uhr oder 22 Uhr im Anschluss an einen regulären Arbeitstag. Die
Probandenakquise in beiden Studien beschränkte sich auf Mitarbeiter der Daimler AG.
Mit Hilfe eines Head-mounted Eye Tracker Dikablis (Ergoneers GmbH, 2016) wur-
den in beiden Studien objektive Messdaten aufgezeichnet. Das Messsystem ist in Abbil-
dung 6.1 dargestellt. Es besteht aus einem Brillengestell und zwei Infrarotkameras mit
Ausgabe eines 8-bit Graustufenbildes. Eine der Kameras ist zwischen den Augen posi-
tioniert und nimmt die Sicht aus der Kopfrichtung des Fahrers auf (Feldkamera). Eine
74
zweite Kamera ist auf das linke Auge aus Sicht des Trägers gerichtet (Augenkamera).
Der Eye Tracker nahm beide Videos mit 25 Hz während der gesamten Fahrten auf. Die
Position der Kamera, die auf das Auge des Trägers gerichtet war, konnte über einen
biegbaren Haltedraht individuell auf die Physiognomie des Trägers angepasst werden.
Der Abstand zwischen Augenkamera und Auge betrug circa 5 cm. Die Kamera wurde
so eingestellt, dass sie das Auge von unten unter einem schrägen Winkel von circa zehn
Grad aufnahm. Die Auflösung der Augenkamera betrug 384 x 288 Pixel, die der Feldka-
mera 768 x 576 Pixel. In den Bildern der Augenkamera nahm das Auge circa eine Breite
von 75 % und eine Höhe von 50 % ein. Die Firma Ergoneers bietet zwar eine Blickrich-
tungserkennung auf Basis einer Detektion der Pupillenposition im Bild der Augenkamera
an, wurde jedoch aufgrund der geringen Genauigkeiten der Blickrichtungserkennung in
eigenen Voruntersuchungen in dieser Arbeit nicht verwendet. Der Head-mounted Eye
Tracker diente lediglich zur Aufnahme eines Videobildes des Auges, das für eine Lidspal-
tendetektion offline ausgewertet wurde.
Abbildung 6.1.: Messsystem Dikablis
Zusätzlich wurden mit Hilfe der Messtechnik actiCAP (Brain Products GmbH, 2009)
Aufzeichnungen des horizontalen und vertikalen Elektrookulogrammes der Fahrer wäh-
rend der Fahrt gespeichert. Hierzu wurde für das vertikale Elektrookulogramm eine
Elektrode ober- und unterhalb des rechten Auges aus Sicht der Probanden angebracht,
sowie eine Elektrode rechts des rechten Auges und links des linken Auges (siehe Ab-
bildung 6.2). Über die Spannungsdifferenz des Messsignals der oberen und der unteren
Elektrode wurden vertikale Augenbewegungen aufgezeichnet. Mit Hilfe der Spannungs-
differenz zwischen der rechten und der linken Elektrode wurden zusätzlich horizonta-
le Augenbewegungen gemessen. Das Spannungssignal zweier zusätzlicher retroaurikulär
angebrachten Elektroden diente als Referenzsignal, um Einflüsse der Umgebung auf die
75
Messsignale zu minimieren. Die Spannungssignale wurden mit 250 Hz aufgezeichnet und
für die Auswertungen in dieser Arbeit mit f1 = 50 Hz und f2 = 25 Hz abgetastet.
Abbildung 6.2.: Messsystem EOG
6.2. Detailliertes Konzept der Studie 1
Probanden
An der Studie 1 nahmen insgesamt 18 Probanden teil. Diese hatten alle eine kaukasische
Augenphysiognomie ohne weitere Auffälligkeiten. Aufgrund von fehlenden Messdaten
und Problemen mit dem Simulator in einzelnen Fahrten, konnten die Fahrten von vier
Probanden für die gesamten Auswertung nicht berücksichtigt werden. Dies reduziert die
Anzahl der Probanden in der Auswertung mit Start um 18 Uhr auf sieben (alle ohne
Brille oder Kontaktlinsen, vier männlich und drei weiblich) und die Zahl der Probanden,
die die Studie um 22 Uhr anfing auf sieben (alle ohne Brille, einer mit Kontaktlinsen, vier
männlich und drei weiblich). Das Alter der Probanden lag zwischen 27 und 56 Jahren
(M = 35.5 Jahre, SD = 8.9 Jahre). Keiner der Probanden gab an eine ihm bekann-
te Schlafstörung zu haben. Auch standen sie zur Zeit der Studie nicht unter Alkohol-,
Medikamenten- oder Drogeneinfluss. Die Probanden besaßen den Führerschein im Mittel
für 17.5 Jahre (Max = 38 Jahre, Min = 8 Jahre, SD = 9.5 Jahre). Alle Probanden be-
stätigten vor Beginn der Fahrt, keine Fahrbeeinträchtigung (Krankheit o. ä.) zu haben.
Auf Vergleiche der Probanden hinsichtlich der Startuhrzeit wird aufgrund der ge-
ringen Gruppengröße verzichtet. Eine Alters- und geschlechtsspezifische Ausgeglichen-
heit konnte im Rahmen der Probandenakquise nicht ermöglicht werden, weshalb eine
Betrachtung anhand dieser Kriterien ebenfalls nicht durchgeführt wurde.
76
Simulator
Für die Studie wurde der dynamische Fahrsimulator der Daimler AG am Standort Sin-
delfingen verwendet (E. Zeeb, 2010). Dieser besteht aus einer Kuppel, die auf einem
Hexapod montiert ist. Der Hexapod wiederum ist auf einer fahrbaren Plattform ange-
bracht und bewegt sich zur Simulation von Bewegungen auf einer zwölf Meter langen
linearen Achse. Zusätzlich kann die gesamte Kuppel über den Hexapod geneigt wer-
den. Für die Fahrstudie wurde in die Kuppel ein komplettes Fahrzeug der Mercedes
Benz Baureihe V221 (S-Klasse) gestellt, das von den Probanden genutzt wurde. Hierfür
war das Fahrzeug direkt mit den Steuerungs- und Aufnahmerechnern verbunden. Auf
der gesamten Innenseite der Kuppel befanden sich außerhalb des Fahrzeugs Leinwände.
Auf diese wurde das Fahrszenario für die Probanden über acht am Kuppelhimmel an-
gebrachten Projektoren rundum (360◦) projiziert. Zusätzlich waren beide Seitenspiegel
des Fahrzeugs durch Monitore ersetzt, in denen die Sicht aus dem Fahrzeuginnenraum
auf den rückseitigen Verkehr dargestellt wurde. In das Innere der Kuppel konnte kein
Außenlicht gelangen. Einzig die Projektoren, Monitore und beleuchteten Elemente in-
nerhalb des Fahrzeugs erzeugten Licht. Über Lautsprecher wurde eine realistische Ge-
räuschkulisse in Abhängigkeit der Fahrzeuggeschwindigkeit, des Ganges, der Drehzahl
und dem akustischen Einfluss von weiteren Verkehrsteilnehmern simuliert. Über eine
Gegensprechanlage war der Proband während der gesamten Zeit mit dem Studienleiter
verbunden. Dem Studienleiter standen zusätzlich die Kamerabilder von drei Infrarotka-
meras im Fahrzeuginnenraum zur Verfügung. Zwei der Infrarotkameras waren auf den
Fahrer gerichtet, eine auf den Streckenverlauf. Die Abbildung 6.3 zeigt den Fahrsimulator
von außen sowie von innen mit einem beispielhaften Fahrzeug. Jede Lenkbewegung oder
Betätigung der Pedalerie im Fahrzeug hatte dieselben Auswirkungen auf die simulierte
Umgebung wie es in der Realität der Fall ist. Der Abstandsregeltempomat (Distronic
Plus, Mercedes Benz Baureihe V221) war im Fahrzeug integriert, die Probanden aller-
dings instruiert diesen nicht zu nutzen.
Manuelle Fahrfunktion
Während der gesamten Studie fuhr der Proband selbst. Eine Nutzung des Längsregel-
systems im Fahrzeug (Distronic Plus, Mercedes Benz Baureihe V221) wurde gebeten zu
unterlassen. Entsprechend der Kategorisierung in Kapitel 2.3 entsprach die Fahrt einem
Automatisierungslevel von Level null.
Messtechnik
Während der gesamten Studie wurde das Fahrverhalten des Probanden mit Hilfe von
Daten zur aktuellen Position auf der Strecke, der Geschwindigkeit und Beschleunigung,
sowie dem Abstand zu weiteren Verkehrsteilnehmern aufgezeichnet. Zusammen mit wei-
teren Signalen zur Interaktion des Fahrers mit dem Auto (z.B. Tastendrücke) wurden die
Signale mit 50 Hz gespeichert. Neben den drei Infrarotkameras, die bereits während der
Fahrt ein Videobild für den Studienleiter zur Verfügung stellten, nahmen zwei weitere
Kameras den Fahrer, sowie eine zusätzliche Kamera die Fahrtstrecke auf.
77
Abbildung 6.3.: Moving-base Fahrsimulator (Daimler AG, 2017b)
Zur Messung der subjektiven Müdigkeit der Probanden wurden die Probanden während
der Fahrt in Abständen von 15 min gebeten, ihre Müdigkeit auf der neunstufigen KSS zu
bewerten (siehe Kapitel 4.4.1). Hierzu wurden Sie durch die Einspielung einer aufgezeich-
neten akustischen Ansage aufgefordert. Die Skala mit einer zugehörigen Beschreibung
der einzelnen neun Stufen war im Fahrzeuginnenraum links neben dem Lenkrad in der in
Abbildung 4.3 gezeigten Form angebracht. Zur Einschätzung der Müdigkeit mussten die
Probanden im Anschluss an die Aufforderung die entsprechende Zahl zur Beschreibung
des Müdigkeitszustandes anhand der Skala laut aussprechen. Der Studienleiter speicher-
te den aktuellen Müdigkeitslevel in den Messdaten. Im Anschluss an die Bewertung ihrer
Müdigkeit wurden die Probanden gefragt, ob sie ein System zur Müdigkeitserkennung
im Moment der Abfrage, aufgrund einer hohen Müdigkeit hätte warnen sollen: Wenn
Sie jetzt eine Müdigkeitswarnung bekommen würden, wäre diese richtig, akzeptabel oder
falsch? Diese Frage wurde ebenfalls mündlich beantwortet.
Bei jeder zweiten KSS-Abfrage mussten die Probanden zusätzlich eine kurze Sprach-
aufgabe ausführen. Die Auswertungen des Sprechverhaltens der Probanden in dieser Ab-
frage sind nicht Teil dieser Arbeit.
Zusätzlich zu dem vorgestellten Head-mounted Eye Tracker (Ergoneers GmbH,
2016) und dem EOG Messsystem (Brain Products GmbH, 2009), wurde die Kopfposi-
tion der Probanden während der gesamten Fahrt mit einem Lasertracker aufgezeichnet
(Burlington Ascension Technology Corporation, 2004). Hierzu wurden gepulste Licht-
strahlen von einem fest im Fahrzeug verbauten Sendegerät ausgesandt. Über die Mes-
sung der Zeitdifferenz der Strahlen bis zum Erreichen dreier Empfangspunkte auf einem
Empfangsteil am Kopf des Probanden, wird eine sehr genaue Positionsbestimmung des
Empfangsteils im Bezug zum Sendegerät möglich. Während der gesamten Studie war das
Empfangsteil mit Hilfe eines Bandes fest mit dem Kopf der Probanden verbunden (siehe
Abbildung 6.4). Laut Herstellerangaben beträgt die statische Genauigkeit im quadrati-
78
schen Mittel 0.7 mm für die Position und 0.5 Grad für die Messung der Rotationsachsen
in einem Abstand zwischen 0.15 m und 1.83 m zwischen Empfangs- und Sendegerät
(Burlington Ascension Technology Corporation, 2004). Eigene Voruntersuchungen veri-
fizierten diese Angaben.
Abbildung 6.4.: Laserbird
Mit Hilfe von Elektroden wurde zudem das Elektrokardiogramm der Probanden wäh-
rend der Fahrt aufgezeichnet. Die Aufzeichnungen wurden nicht als Teil dieser Arbeit
ausgewertet.
Studienablauf
Für die Studie wurde als Fahrtstrecke eine vierspurige Autobahn genutzt, die zwei Spu-
ren in Fahrtrichtung der Probanden hatte. Die Strecke war als Rundkurs mit 200 km
Länge aufgebaut. Jede der Fahrspuren hatte eine Breite von 3.5 m mit einem Seiten-
streifen von 3 m Breite.
Nach einem kurzen Fragebogen (nicht Teil dieser Arbeit), einer Instruktion und
der Kalibrierung der Messtechnik, starteten die Probanden die Fahrt. Außer zwei Bau-
stellen, bei denen die Fahrspuren auf eine Spur verengt wurden, gab es keine Hinder-
nisse auf der Fahrbahn während der gesamten Studie. Die Baustellen waren bei den
Rundenkilometern 62 und 88 platziert. Die Geschwindigkeitsbegrenzung während der
gesamten Fahrt betrug 130 km/h. Langsamere Fahrzeuge, die 100 km/h fuhren, muss-
ten im Schnitt alle zwei Minuten überholt werden. Schnellere Fahrzeuge mit 160 km/h
überholten die Probanden im Schnitt alle fünf Minuten. Die Probanden waren instru-
iert, so lange wie möglich zu fahren. Die Fahrt sollten sie auch trotz des Einflusses von
Müdigkeit in Form von Sekundenschlafereignissen und einer abnehmenden Fahrleistung
fortsetzen. Die Fahrt endete entweder durch den Abbruch des Probanden aufgrund sehr
79
starker Müdigkeit oder wurde vom Studienleiter aufgrund deutlicher Zeichen einer Fahr-
beeinträchtigung durch die Müdigkeit der Probanden abgebrochen. Nach der Fahrt fand
erneut eine Kalibrierungsschritt der Messtechnik statt und die Probanden füllten einen
Nachbefragungsbogen aus. Da die Auswertung der Fragebögen nicht Teil dieser Arbeit
ist, werden sie nicht näher erläutert.
Aufgrund eines eingeschränkten Zugriffs auf den Simulator war es nicht möglich
weitere Fahrten unter der geschilderten Methodik durchzuführen. Die gesamte Studie
fand zwischen dem 4.2.2013 und 19.2.2013 an elf Abenden am Standort der Daimler AG
in Sindelfingen statt.
6.3. Detailliertes Konzept der Studie 2
Probanden
An Studie 2 nahmen 46 Probanden teil. Die Probanden hatten alle eine kaukasische
Augenphysiognomie, ohne besondere Auffälligkeiten. Die Probanden wurden anhand
zweier Faktoren in vier unterschiedliche Gruppen aufgeteilt. Der eine Faktor war die
Uhrzeit des Studienbeginns (Faktor Startuhrzeit). Die Hälfte der Probanden starteten
die Studie um 18 Uhr und die zweite Hälfte um 22 Uhr. Der zweite Faktor war das
Zeitintervall zwischen zwei Reaktionsabfragen in der Studie (Faktor Intervall) das ent-
weder 30 s oder 180 s betrug. Diese punktuellen Abfragen sollten dem Fahrer ähnlich
der Sicherheitsfahrschaltung in Zügen (DIN 0119-207-5, 2016) bewusst machen, dass er
trotz der Automatisierung verantwortlich bleibt. 30 s wurden gewählt, da die aktuel-
le Sicherheitsfahrschaltung in Zügen dasselbe Intervall zwischen zwei Abfragen besitzt
(DIN 0119-207-5, 2016). Das Sechsfache dieses Intervalls wurde zum Vergleich gewählt,
da der Unterschied zu 30 s größer ist und so eventuelle Effekte besser sichtbar wurden.
Trotzdem war mit 180 s sichergestellt, dass mehrere Abfragen zwischen zwei aufeinan-
derfolgenden Testsituationen lagen. Die Gruppenverteilung der Probanden ist in Tabelle
6.1 gezeigt. Je nach Gruppenverteilung werden die Probanden im Folgenden mit FK,
SK, FL und SL abgekürzt.
Tabelle 6.1.: Aufteilung der Probanden in Studien-
gruppen
Intervall Startzeit Probandenzahl Abkürzung
30 s 18:00 Uhr 12 FK
22:00 Uhr 11 SK
180 s 18:00 Uhr 11 FL
22:00 Uhr 12 SL
Aufgrund von fehlenden und fehlerhaften Daten konnten fünf Probanden in der Auswer-
tung der Testsituationen und ein zusätzlicher bei allen Auswertungen mit Bezug zur KSS
80
nicht berücksichtigt werden. Bei einem Probanden gab es Probleme bei der Aufzeich-
nung des EOG. Dadurch ergab sich folgende Verteilung der Gruppen: Elf Probanden in
Gruppe FK (davon einer ohne KSS; Fünf weiblich, sechs männlich), neun Probanden
in Gruppe SK (ein Proband weiblich, acht männlich), zehn Probanden in Gruppe FL
(davon einer ohne EOG; Fünf weiblich, fünf männlich) und elf Probanden in Gruppe SL
(zwei Probanden weiblich, neun männlich). Alle Probanden besaßen zur Zeit der Studie
ihren Führerschein seit mindestens elf Jahren (M = 26 Jahre, SD = 7.3 Jahre). Der
jüngste Teilnehmer war 33 und der älteste 56 Jahre alt. Im Mittel waren die Proban-
den 44 Jahre alt (SD = 6.5 Jahre). Keiner der Probanden hatte eine ihm bekannte
Schlafstörung. Kein Proband stand zur Zeit der Studie unter dem Einfluss von Alkohol,
Medikamenten oder Drogen und gab auch nicht an zur Zeit der Studie, in seiner Fähigkeit
zur Fahrzeugführung beeinträchtigt zu sein. Vor Beginn der Studie waren alle Proban-
den bereits mindestens zehn Stunden wach (M = 14 h; SD = 2 h). Zwei Probanden
gaben an aufgrund einer Erkältung in einer schlechteren Verfassung als üblich zu sein.
Aufgrund der geringen Einschränkung hierdurch wurden diese beiden Probanden nicht
gesondert ausgewertet. Zwischen dem Fahrtbeginn und dem letztmaligen Konsum von
Kaffee, Schwarztee, Energy-Drinks oder anderen koffein- und teeinhaltigen Getränken
gab es bei jedem der Probanden eine Zeitspanne von mindestens 90 min. Die konsumierte
Menge an Getränken dieser Art am Tag der Fahrt lag bei allen Probanden außer einem
(vier anstatt drei Getränken) unterhalb oder gleich der täglich konsumierten Menge.
Keiner der Probanden benutzte zur Fahrt eine Brille (drei Fahrer nutzten Kontakt-
linsen; 1 FL, 1 FK und 1 SL). Aufgrund der Studienbedingungen (später Beginn und
lange Fahrt) und der Beschäftigungsstruktur der Belegschaft konnte keine geschlechts-
und altersspezifische Ausgeglichenheit erreicht werden, weshalb von einer spezifischen
Betrachtung dieser Kriterien abgesehen wurde.
Simulator
Im Gegensatz zu Studie 1 , diente für Studie 2 als Simulator eine Sitzkiste/Mockup mit
Cockpitteilen aus der Mercedes Benz Baureihe 222 (S-Klasse). Vor der Sitzkiste befanden
sich drei Flachbildschirme zur Anzeige der Fahrszenerie (je 165.1 cm Bildschirmdiagona-
le). Der Abstand zwischen dem mittleren Bildschirm und dem Lenkrad betrug 2.54 m.
Die beiden äußeren Bildschirme waren in Bezug auf den mittleren Bildschirm unter ei-
nem Winkel von 144◦ leicht in Richtung des Fahrers geneigt. Ein kleinerer Bildschirm,
der am Dachhimmel der Sitzkiste montiert war (17 cm Bildschirmdiagonale) diente zur
Anzeige des Innenspiegels. Abbildung 6.5 zeigt einen Teil der Sitzkiste.
Der Raum war bis auf die aktiv beleuchteten Displays (Darstellung Fahrszenerie,
Innenspiegel und Kombidisplay) während der gesamten Fahrten dunkel. Die Temperatur
wurde auf 20 Grad geregelt. Lautsprecher erzeugten ein realistisches Fahrzeuggeräusch.
Während der gesamten Fahrt befand sich ein Studienleiter im Raum, der jedoch während
der Fahrt nicht mit den Probanden interagierte und durch eine Trennwand von diesen
getrennt war. Zur Übersicht standen dem Studienleiter die Kamerabilder von vier Infra-
rotkameras (zwei Kameras auf den Fahrer und zwei auf den Streckenverlauf gerichtet)
zur Verfügung. Im Raum für die Studie befand sich keine Uhr und die Probanden muss-
81
Abbildung 6.5.: Statischer Fahrsimulator
ten Armbanduhren während der Fahrt abnehmen. Abbildung 6.6 zeigt eine Skizze des
gesamten Raumes.
Abbildung 6.6.: Skizze des Raumes für Studie 2
82
Hochautomatisierte Fahrfunktion
Die implementierte hochautomatisierte Fahrfunktion in Studie 2 erfüllte alle Bedingun-
gen der in Kapitel 2.3 geschilderten Definition für ein hochautomatisiertes Fahrassistenz-
system (HAFS). Im aktiven Zustand war es in der Lage alle Fahraufgaben in longitudina-
ler und lateraler Richtung sicher und fehlerfrei auszuführen. Eine Vorbedingung für die
Nutzung für das HAFS im Versuch war, dass der aktuell befahrene Streckenabschnitt für
dessen Nutzung offiziell freigegeben ist (Bedingung: B1). Dadurch wurde berücksichtigt,
dass der Gesetzgeber oder Hersteller des Systems in gewissen Streckenabschnitten eine
manuelle, assistierte oder teilautomatisierte Fahrt vorschreiben könnte, um den Fahrer
aktiv in die Fahraufgabe einzubinden.
Anders als bei vollautomatischen Systemen musste der Fahrer vor der Aktivie-
rung der Funktion selbst fahren. Um das System während des manuellen Fahrens ein-
schalten zu können, mussten mehrere Bedingungen erfüllt sein. Der Fahrer musste das
Fahrzeug innerhalb zweier Spurmarkierungen (links und rechts) positioniert haben (Be-
dingung: B2). Das Anschalten der Funktion musste durch das Ziehen eines Hebels in
Richtung des Fahrers links hinter dem Lenkrad erfolgen (siehe Abbildung 6.7, Bedin-
gung: B3). Gleichzeitig durfte der Fahrer während des Anschaltvorgangs nicht das Brems-
und Gaspedal betätigen (Bedingung: B4 und B5) oder schneller als 110 km/h fahren (Be-
dingung: B6).
Abbildung 6.7.: An- und Ausschalten des HAF über den Tempomathebel
Das HAFS war derart implementiert, dass der Fahrer jederzeit in der Lage war die Funk-
tion abzubrechen und die Fahraufgabe selbst wieder zu übernehmen. Um die Funktion
zu stoppen konnte er den Hebel drücken, der zur Aktivierung des Systems diente (D1).
Eine weitere Abbruchbedingung des Systems war, dass das Gaspedal gedrückt wurde
(D2). Eine dritte Option war die Betätigung des Bremspedals (D3). Als weitere Option,
brach das System die Fahrzeugführung ebenfalls ab, sobald der Fahrer durch Lenken
einen Spurwechsel startete (D4). Sobald eine der vier Optionen (D1-D4) durch den Fah-
rer betätigt wurde, brach das HAF sofort ab und der Fahrer war verantwortlich für
die weitere Fahrzeugführung. Das HAF war so eingestellt, dass es sich nach einer Ak-
83
tivierung auf eine Tachogeschwindigkeit von 100 km/h regelte. Wurde es hinter einem
vorausfahrenden Fahrzeug eingeschaltet, regelte es die Geschwindigkeit derart, dass ein
Abstand von 1.8 s in Bezug auf die Fahrzeuggeschwindigkeit des Vorderfahrzeugs einge-
stellt wurde. Um den Fahrer über den aktuellen Systemzustand zu informieren, gab es
je nach Systemzustand drei unterschiedliche Anzeigen, die in der Mitte des Tachofeldes
eingeblendet wurden.
Eine Anzeige machte kenntlich, dass HAF deaktiviert war und die Bedingung B1
nicht erfüllt war. Die Einblendung der Anzeige sollte verdeutlichen, dass es dem Fahrer
aktuell nicht möglich war, HAF zu aktivieren und er deshalb manuell fahren musste.
Sobald B1 erfüllt war, änderte sich das Bild. Auch in diesem Fall musste der Fahrer
manuell fahren. Im Unterschied zum ersten Bild wurde dem Fahrer allerdings kenntlich
gemacht, dass er lediglich die Bedingungen B2 - B6 erfüllen musste, um das HAFS zu
aktivieren. Nach erfolgreicher Aktivierung des HAFS wurde dies dem Fahrer durch eine
Änderung der Anzeige zu einem dritten Bild bestätigt.
Während der anschließenden Fahrt mit angeschaltetem System konnte es vorkom-
men, dass die Bedingung B1 nicht mehr erfüllt war. Trat dies auf, so wurde dem Fahrer
signalisiert, dass er die Fahraufgabe wieder übernehmen musste und sich HAF demnächst
abschaltet. Da der Fahrer, im Gegensatz zum teilautonomen Fahren, während aktivem
hochautomatisiertem Fahren nicht gezwungen war die Umgebung und das System zu
überwachen, wurde dem Fahrer Zeit gegeben sich an die aktuelle Umgebungssituati-
on anzupassen, um adäquat zu reagieren. In dieser Übergabephase war HAF trotz der
zeitgleich signalisierten Aufforderung der Übernahme weiterhin aktiv und übernahm die
gesamte Fahrzeugführung bis zu einer maximalen Übergabezeit. Die Aufforderung, die
Fahraufgabe wieder zu übernehmen wurde dem Fahrer durch ein eigenes Bild (siehe
Abbildung 6.8) in der Mitte des Tachofeldes angezeigt und überlagerte die bisherige
Anzeige des eingeschalteten HAFS.
Abbildung 6.8.: Anzeige der Übernahmeaufforderung
Zusätzlich wurde die Aufforderung zur Fahrzeugübernahme neben dem Bild im Tacho-
feld durch einen kontinuierlichen akustischen Hinweiston begleitet. Erst nach Ablauf
der vollständigen Übergabezeit schaltete das Fahrzeug die Längs- und Querregelung ab.
Spätestens zu diesem Zeitpunkt musste der Fahrer deshalb übernommen haben, bzw.
84
sich auf eine Übernahme der Fahraufgabe z.B. durch Ergreifen des Lenkrades vorbereitet
haben. Ohne die Übernahme des Fahrers fuhr das Fahrzeug mit der letzten Lenkradein-
stellung weiter und wurde lediglich durch das Schleppmoment des Motors sowie den
Luft- und Rollwiderstand langsam gebremst. Übernahm der Fahrer die Fahraufgabe ak-
tiv während der Übergabezeit durch eine der Abschaltbedingungen (D1 - D4), so wurde
die akustische Aufforderung zur Fahrzeugübernahme und die Anzeige des Bildes 6.8 im
Tachofeld gestoppt. In dieser Studie wurde die Übergabezeit auf fünf Sekunden gesetzt.
Diese Zeitspanne mit einer Warnung vor einer Reaktion um fünf Sekunden liegt laut
Wan, Wu und Zhang (2016) im Bereich der effektivsten Vorwarnzeit vor einer Reaktion.
Um sicherzustellen, dass der Fahrer die Fahraufgabe während aktivem HAFS jeder-
zeit übernehmen konnte, wurde eine Reaktionsabfrage in der Studie während aktivem
hochautomatisiertem Fahren eingesetzt. Bei einer Reaktionsabfrage wurden den Pro-
banden die Anzeige in Abbildung 6.9 im Tachofeld eingeblendet und ein kurzer Ton
abgespielt.
Abbildung 6.9.: Anzeige der Reaktionsabfrage
Hierdurch sollte sich der Fahrer seiner Verantwortung bewusst sein, das Fahrzeug jeder-
zeit übernehmen zu können. Nach Start der Reaktionsabfrage, hatte der Fahrer ähnlich
wie die Lokomotivführer (DIN 0119-207-5, 2016) fünf Sekunden Zeit, die Abfrage zu
bestätigen. Hierzu musste eine Taste auf dem Lenkrad gedrückt werden. Betätigte der
Fahrer die Taste innerhalb der fünf Sekunden, blieb HAF aktiv. Falls der Fahrer die
Reaktionsabfrage nicht innerhalb der fünf Sekunden bestätigte, wurde automatisch eine
anschließende Fahrzeugübergabe gestartet. Nach Start dieser hatte der Fahrer erneut
fünf Sekunden Zeit zu reagieren, musste aber in diesem Fall die Fahrzeugführung über-
nehmen und manuell fahren. Eine Übersicht über das gesamte Bedien- und Anzeigekon-
zept inklusive der jeweiligen Fahrtzustände ist in Abbildung 6.10 gezeigt. Da es bisher
kein hochautomatisiertes Seriensystem in einem Automobil gibt, wurden die Vorausset-
zungen zur Nutzung des hochautomatisierten Systems auf Basis der Norm SAE J3016
(2016) für die Studie festgelegt.
Messtechnik
Zur Auswertung des Verhaltens der Probanden während der Studie wurden verschie-
dene Fahrzeug- und Simulationsparameter aufgezeichnet. Dazu gehörten Fahrdaten wie
die Geschwindigkeit, Abstand zu vorausfahrenden Fahrzeugen oder Hindernissen, die
85
Abbildung 6.10.: Gesamtkonzept des hochautomatisierten Systems mit den
Aktivierungs- (B1 - B6) und Abschaltbedingungen (D1 - D4)
Beschleunigung, sowie das Moment und die Stellung des Lenkrades. Zusätzlich wur-
den indirekte Zustände wie die des Blinkers, des hochautomatisierten Assistenzsystems,
benutzter ä, sowie der Interaktion des Fahrers mit diesen Zuständen gespeichert. Alle
Signale wurden mit 50 Hz aufgezeichnet.
Wie in Studie 1 wurden die Probanden in 15 min Abschnitten gebeten ihre Müdig-
keit auf Basis der KSS zu bewerten (siehe Kapitel 4.4.1). Zur Minimierung des Einflus-
ses dieser Abfragen auf die eigentliche Fahrt und die Fahraufgabe bzw. Bereitschaft zu
reagieren, wurde die Skala über der Fahrtstrecke im mittleren Display während der Mü-
digkeitsabfragen eingeblendet (siehe Abbildung 6.11). Die eingeblendete Skala enthielt
neben den neun Stufen noch zusätzliche Beschreibungen der Zahlenwerte (1 = äußerst
wach, 3 = wach, 5 = weder wach noch schläfrig, 7 = schläfrig, kann mich aber ohne
Mühe wach halten und 9 = äußerst schläfrig, kämpfe gegen den Schlaf an). Die übrigen
Skalenwerte waren nicht beschriftet.
Die Probanden waren instruiert, die aktuelle Müdigkeit einzuschätzen, sobald die
Skala angezeigt wurde. Nach der Wahl des Müdigkeitsniveaus sollten die Probanden die
Zahl des Niveaus laut aussprechen. Die Einschätzungen der Probanden wurden parallel
vom Studienleiter gespeichert, der anschließend die Anzeige der Skala ausblendete. Den
Probanden wurde erklärt, dass die Speicherung des Müdigkeitsniveaus und Deaktivie-
rung der Skala automatisch erfolgte. Durch eine fehlende direkte Interaktion mit dem
Studienleiter sollte ein Einfluss auf den Müdigkeitszustand und das Verhalten der Pro-
banden minimiert werden.
Von der Hälfte der Fahrer wurde die Bewegung der Armgelenke zusätzlich mit einem
Produkt der Firma XSENS (XSENS, 2017) aufgezeichnet. Die Auswertung dieser Auf-
zeichnungen ist nicht Teil dieser Arbeit.
86
Abbildung 6.11.: Anzeige der KSS während der Fahrt
Studienablauf
Alle Probanden hatten dasselbe Studienszenario für den Großteil der Strecke (auf den
ersten 145 km). Als Strecke wurde der vierspuriger Rundkurs einer amerikanischen Au-
tobahn (zwei Spuren mit beidseitigen Standstreifen in jeder Fahrtrichtung) mit einer
Länge von 108 km gewählt. Die Fahrspuren hatten eine Breite von 3.7 m und die Sei-
tenstreifen links und rechts eine Breite von jeweils 2 m. Alle Kurven des Rundkurses
hatten Radien von 4000 m. Vereinzelt gab es Fahrzeuge auf der Gegenfahrbahn, die in
Intervallen von fünf Minuten erschienen. Die Geschwindigkeitsbegrenzung während der
gesamten Studie betrug 100 km/h.
Vor Beginn der Fahrt mussten die Probanden einen Vorbefragungsbogen ausfül-
len. Dieser kombiniert eigene allgemeine Fragestellungen mit dem Schläfrigkeitstest von
Johns (1991). Dem Anhang A sind die Teile beigefügt, die in dieser Arbeit ausgewertet
wurden. Daneben erhielten die Probanden eine Beschreibung der hochautomatisierten
Fahrfunktion, in der die Randbedingungen zur Aktivierung und der Übernahme des
Fahrzeugs erklärt wurden. In der Beschreibung wurden die Probanden auch über ein
fiktives Fahrziel, sowie ihr fiktives Fahrzeug, eine Mercedes Benz S-Klasse informiert.
Ebenfalls wurde den Probanden die KSS im Szenenbild gezeigt und sie mussten erst-
mals ihre Müdigkeit bewerten.
Die gesamte Fahrt bestand aus verschiedenen Phasen. Zu Beginn sollten sich die
Probanden mit dem Fahrzeug, der neuartigen Fahrzeugfunktion (HAFS) und dem Si-
mulator vertraut machen. Hierfür waren zehn Minuten (17 km) vorgesehen, in denen
die Probanden manuell auf der rechten Spur der Autobahn fuhren. In den ersten fünf
Minuten mussten die Probanden vier Lastkraftwägen und einen Bus überholen, die je-
weils mit 80 km/h auf der rechten Spur fuhren. Mit den Überholmanövern sollten die
Probanden die laterale Fahrdynamik des Simulators in Überholvorgängen kennenlernen.
Der Abstand zwischen den Fahrzeugen war so groß, dass die Probanden nach Abschluss
87
des Überholvorganges aufgrund des Rechtsfahrgebotes in Deutschland jeweils wieder auf
die rechte Spur wechselten.
Nach Abschluss der Überholvorgänge wurde HAF freigeschaltet und die Proban-
den konnten dieses aktivieren. Nachdem HAF erfolgreich aktiviert wurde, testeten die
Probanden alle vier Abschaltbedingungen (D1-D4) und übten mehrfach dessen Akti-
vierung. Zusätzlich übten die Probanden eine Fahrzeugübernahme, indem sie die erste
auftretende Reaktionsabfrage absichtlich nicht bestätigten und dadurch eine Aufforde-
rung zur Übernahme startete. Nach der Übungsphase waren die Probanden aufgefordert
möglichst häufig HAF zu benutzen. Sie traten ab diesem Zeitpunkt nur noch bei Not-
fällen in Kontakt mit dem Studienleiter. Nach Ende der Eingewöhnungsphase fuhren
die Probanden immer hinter einem Führungsfahrzeug. So wurde sichergestellt, dass die
Probanden die Situationen im weiteren Studienverlauf zu denselben Zeiten erreichten.
Da es einen toten Winkel zwischen dem Innenspiegel und den Bildschirmen vor dem
Fahrer gab, wurde auf weitere Fahrzeuge verzichtet, die in Fahrtrichtung des Fahrers
fuhren.
Auf der weiteren Strecke gab es fünf Übernahmeaufforderungen, auf die die Proban-
den adäquat reagieren mussten. Mit den ersten vier Übernahmen wurde getestet, wie die
generelle Reaktion auf einfache Übernahmeszenarien ist. Zusätzlich wurde sichergestellt,
dass die Probanden ihre Verantwortung, reaktionsbereit zu bleiben, verstanden hatten.
Die fünfte Übernahme war anspruchsvoll ausgelegt, um die Reaktionsfähigkeit der Pro-
banden trotz eines hohen Müdigkeitslevels zu prüfen. Die Übernahmen waren allesamt
so ausgelegt, dass das Fahrzeug aufgrund des Endes der Streckenfreigabe für HAF (B1)
eine Aufforderung zur Übernahme startete. Direkt im Anschluss an die Übergabezeit
von fünf Sekunden wurden verschiedene Fahrsituationen auf der Fahrbahn dargestellt,
auf die der Fahrer jeweils reagieren musste. Diese Kombination stellt den Worst Case
einer Fahrsituation im Zusammenhang mit der Übergabe der Fahraufgabe an den Fahrer
dar. Grund hierfür ist, dass HAF trotz eines Starts der Übernahmeaufforderung weiter-
hin bis maximal zum Ende der Übergabezeit auf alle Fahrszenarien reagiert, sollte der
Fahrer nicht bereits übernommen haben. In den dargestellten Fällen endete die Assis-
tenz durch das HAFS kurz vor dem Moment, in dem eine Fahrsituation jeweils startete.
Alle Assistenzsysteme, die den Fahrer in den Situationen nach der Übernahme des Fahr-
zeugs unterstützen könnten, wurden zusätzlich deaktiviert (Bremsassistenz, Spurhal-
teassistenz, Elektronisches Stabilitätsprogramm), um lediglich die alleinigen Reaktionen
des Fahrers zu messen. Dieses Konzept unterscheidet den Studienablauf von anderen
Studien zum Test des Übernahmeverhaltens, in denen die Fahrsituationen jeweils die
Auslöser für die Übernahmeaufforderung darstellen (z.B. Gold et al., 2016; Radlmayr et
al., 2014; K. Zeeb et al., 2015). In dieser Studie ist dies anders, da die Fahrsituationen
lediglich zufällig nach Ende der Übergabezeit auftraten. Zur Vereinfachung werden die
fünf genutzten Fahrszenarien im Folgenden Testsituationen (Bremsen/Bremssituation;
Unfall/Unfallsituation; Kurve/Kurvensituation; Panne/Pannensituation und Kiste auf
Fahrbahn/Kiste/Kistensituation) genannt.
Nach Ende der zehnminütigen Eingewöhnungsphase fuhren die Probanden weitere
20 min hochautomatisiert. Im Anschluss daran wurden sie aufgefordert das Steuer zu
übernehmen. Fünf Sekunden nach Start der Übernahmeaufforderung fing ein vor den
88
Probanden fahrendes Fahrzeug an zu bremsen. Zu diesem Zeitpunkt war das Vorder-
fahrzeug und der Proband mit einer angezeigten Geschwindigkeit auf dem Tacho von
100 km/h (reale Geschwindigkeit in der Simulationsumgebung: 96 km/h) im Zeitab-
stand von 1.8 s unterwegs, sofern der Proband HAF bis zum Ende der Übergabezeit
aktiviert hatte. Die Bremsung des Vorderfahrzeugs erfolgte konstant mit einer Brems-
beschleunigung von -2.5 m/s2 bis zu einer Tachogeschwindigkeit von 80 km/h. Diese
Geschwindigkeit behielt das Vorderfahrzeug für 28 s bei, bis es mit 1.5 m/s2 wieder auf
eine Tachogeschwindigkeit von 100 km/h beschleunigte. Die Zeitabstände, Geschwin-
digkeiten und Beschleunigungen während der Situation waren so gewählt, dass es ohne
Eingriff der Probanden innerhalb und auch nach Ende der Übergabezeit nicht zu einer
Kollision zwischen dem Probanden und dem vorausfahrenden Fahrzeug gekommen wäre.
Nach weiteren 23 Minuten, startete die zweite Übernahmeaufforderung aufgrund
des Endes der Streckenfreigabe. Zu diesem Zeitpunkt war ein Führungsfahrzeug vor den
Probanden zu Beginn der Übernahmeaufforderung gerade dabei die Spur zu wechseln
und hatte diesen Vorgang bereits zu 70 % abgeschlossen. Dabei wurde der Blick für die
Probanden auf eine Unfallstelle auf der eigenen Fahrbahn frei. Bei der Situation wur-
den zwei Fahrzeuge von einem Polizeiauto mit angeschaltetem Blaulicht abgeschirmt.
Zu Beginn der Übernahmeaufforderung betrug der Abstand zwischen dem Polizeiauto
und dem Fahrzeug der Probanden 277 m. Umgerechnet auf die Geschwindigkeit zu Be-
ginn der Situation mit aktivem HAFS mit einer realen Geschwindigkeit von 96 km/h
blieben den Probanden somit mehr als 10.4 s Zeit zu reagieren, bis sie mit dem Poli-
zeiauto zusammengestoßen wären. Abbildung 6.12 zeigt eine Skizze der Situation mit
den Abständen zwischen den einzelnen Fahrzeugen und zwei Pylonen zur Abschirmung
vor dem Polizeitauto. Durch das Blaulicht, dass durch die Scheibe des vorausfahrenden
Fahrzeugs zum Teil bereits vor dessen Spurwechsel sichtbar war (bis zu circa drei Se-
kunden) und den fast abgeschlossenen Spurwechsel des Vorderfahrzeugs zu Beginn der
Übernahmeaufforderung konnten aufmerksame Probanden das Polizeiauto bis zu fünf Se-
kunden vor der eigentlichen Übernahmeaufforderung wahrnehmen. Der große Abstand
zu dem Polizeifahrzeug bei Beginn der Übernahmeaufforderung, das aktive Blaulicht
zur besseren Wahrnehmung, sowie die Möglichkeit die Situation bereits vor Beginn der
Übernahmeaufforderung wahrzunehmen, begünstigten eine gute und einfache Übernah-
me.
Nach einer Fahrtzeit von 70 Minuten begann die dritte Testsituation. Bei dieser star-
tete die Übernahmeaufforderung in einer langgezogenen Linkskurve (Radius der Kurve:
4000 m). Die Fahrer mussten bei dieser Situation lediglich das Steuer des Fahrzeugs
übernehmen und dem Straßenverlauf für mindestens fünf Sekunden folgen, bevor sie
HAF wieder aktivieren konnten. Falls die Probanden das Steuer während der Übergabe
nicht übernommen hätten wären sie aufgrund der Kurvenfahrt langsam in Richtung des
Standstreifens von der Straße abgedriftet.
Im Anschluss folgte nach einer Gesamtfahrtzeit von 97 Minuten die vierte Testsi-
tuation. Bei dieser Testsituation befand sich ein liegengebliebenes Fahrzeug mit aktiver
Warnblinkanlage auf dem Standstreifen. Zusätzlich stand der Fahrer des liegengebliebe-
nen Fahrzeugs direkt vor diesem auf dem Standstreifen. Das Szenario spielte sich in einer
langgezogenen Linkskurve mit einem Kurvenradius von 4000 m ab. Aufgrund der langen
89
Abbildung 6.12.: Übersicht der Unfallsituation
Linkskurve und der angeschalteten Warnblinkanalage des liegengebliebenen Fahrzeugs,
konnte die Situation bereits in einer zeitlichen Entfernung von mehr als 30 s vor Er-
reichen des liegengebliebenen Fahrzeugs gesehen werden. Die Übernahmeaufforderung
der Testsituation begann neun Sekunden bevor das Fahrzeug der Probanden und das
liegengebliebene Fahrzeug auf derselben Höhe waren.
Die letzte Testsituation war so konzipiert, dass sie die Probanden mit einem an-
spruchsvolleren Szenario fordern sollte. Anders als in den vorherigen Testsituationen
sollten die Probanden nicht frühzeitig gewarnt werden oder die Situation lediglich durch
eine Spurhaltung lösbar sein. Aus diesem Grund befand sich in dieser Testsituation ei-
ne Kiste (Dimension: 0.75 x 0.75 x 0.75 m3) auf der rechten der beiden Fahrbahnen.
Auf dieser Spur fuhr der Proband. Der Abstand zwischen Kiste und Fahrer betrug zu
Beginn der Übernahmeaufforderung 182 m bzw. zeitlich berechnet mit der realen Fahr-
zeuggeschwindigkeit 6.8 s. Um einen Unfall mit der Kiste zu vermeiden, hatten die
Probanden die Möglichkeit, dieser durch einen Spurwechsel auszuweichen oder rechtzei-
tig zu bremsen. Als Schwierigkeit für die Probanden kam hinzu, dass der Blick auf die
Kiste zu Beginn der Übernahmeaufforderung durch ein Vorderfahrzeug blockiert war.
Um der Kiste auszuweichen, startete das vorausfahrende Fahrzeug genau in dem Mo-
ment den eigenen Spurwechsel, bei dem die Übernahmeaufforderung an die Probanden
startete. Den eigenen Spurwechsel hatte das Vorderfahrzeug 2.9 s nach Beginn der Über-
nahmeaufforderung auf die linke Spur abgeschlossen. Falls die Probanden das Fahrzeug
nicht innerhalb der gesamten Übergabezeit übernommen hatten, war der Abstand zu
der Kiste zum Ende der Übernahmeaufforderung 49 m (rund 1.8 s). Die Bilder in der
Übersicht 6.13 zeigen hierzu den gesamten Ablauf bei Start der Übernahmeaufforderung,
dem vollständigen Spurwechsel des Vorderfahrzeugs, sowie eine Übersicht zum Ende der
Übernahmeaufforderung. Die Abfolge zeigt dabei den zeitlichen Verlauf, falls der Pro-
band das Fahrzeug nicht schon während der Übernahmeaufforderung übernahm und zu
lenken anfing. In den Bildern ist das Fahrzeug der Probanden mit EGO und das Vor-
derfahrzeug mit LEAD gekennzeichnet.
Anders als bei den Testsituationen zuvor, war der Start der letzten Testsitua-
tion nicht an einen bestimmten Zeitpunkt während der Fahrt gekoppelt. Hintergrund
90
(a) Start der Übernahmeaufforderung
(b) Ende des Spurwechsels des Vorderfahrzeug
(c) Situation am Ende der Übergabezeit ohne vorzeitige Fahrzeugüber-
nahme
Abbildung 6.13.: Übersicht der Kistensituation
91
war, dass diese Testsituation zu einem Zeitpunkt eingesetzt werden sollte, zu dem die
Probanden ihr höchstes Müdigkeitsniveau erreicht hatten. Dieses ist individuell zu un-
terschiedlichen Zeitpunkten der Fall (Nilsson, Nelson & Carlson, 1997). Der individuelle
Start wurde durch eine Kopplung des Beginns der Testsituation an eine verpasste Re-
aktionsabfrage erreicht. Dabei wurde folgende Logik implementiert:
1. Im Anschluss an die vierte Testsituation wurde die Anzahl der verpassten Reakti-
onsabfragen gezählt. Sobald ein Proband die zweite Reaktionsabfrage nach Über-
schreiten einer Fahrtzeit von 97 min verpasst hatte, wurde die fünfte Testsituation
direkt nach den fünf Sekunden der Reaktionsabfrage automatisch gestartet. In
diesem Fall mussten die Probanden direkt auf die letzte Testsituation reagieren.
2. Nach Überschreiten der Fahrtzeit von 120 min reichte lediglich ein einmaliges Ver-
passen der Reaktionsabfrage, um die letzte Testsituation zu starten. Diese begann
ebenfalls direkt im Anschluss an die Reaktionsabfrage.
3. Die gesamte Zeit der Studie sollte vier Stunden nicht überschreiten. Dies beinhal-
tete neben der eigentlichen Fahrt der Studie das Ausfüllen des Vor- und Nach-
befragungsbogens, das Lesen der Instruktionen, sowie das Anbringen und die In-
betriebnahme der Messtechnik. Aus diesem Grund wurde die letzte Testsituation
manuell vom Studienleiter spätestens 160 - 180 min ab Start der Fahrt gestartet,
falls der Proband alle vorhergehenden Reaktionsabfragen bestätigte.
Eine Übersicht der gesamten Fahrt und den Testsituationen befindet sich in Abbil-
dung 6.14.
Abbildung 6.14.: Übersicht des Verlaufes der Studie
Während der gesamten Studie wurde sichergestellt, dass die KSS-Abfragen, Reaktionsab-
fragen und Testsituationen nicht gleichzeitig auftraten. Die Reaktionsabfragen konnten
lediglich bei aktiviertem HAFS auftreten. Aufgrund dessen war ein Konflikt zwischen
den Reaktionsabfragen und den Testsituationen nach Beginn letzterer ausgeschlossen.
92
Wäre eine KSS-Abfrage innerhalb eines Zeitfenster von drei Minuten vor bis eine Mi-
nute nach einer der ersten vier Testsituationen gestartet worden, wurde der Beginn der
KSS-Abfrage verschoben und erst eine Minute nach Start der Testsituation gestartet.
Reaktionsabfragen wurden immer in Zeitpunkten zurückgehalten, in denen die KSS ein-
geblendet war und konnten erst nach Deaktivierung der Skala durch den Studienleiter
wieder starten. Somit galt die oberste Priorität den Testsituationen, gefolgt von den
KSS-Abfragen. Die niedrigste Priorität hatten die ä, da sie im Gegensatz zu den KSS-
Abfragen und Testsituationen häufig auftraten. Sie wurden maximal von Start bis Ende
einer KSS-Abfrage verzögert.
Im Anschluss an die letzte Testsituation endete die Fahrt der Studie und die Pro-
banden beantworteten schriftlich verschiedene Fragen zur Fahrt. Die Teile des Nach-
befragungsbogen, die in dieser Studie ausgewertet wurden sind dem Anhang beigefügt
(siehe Anhang B).
Aufgrund eines eingeschränkten Zugriffs auf den Simulator und die Zeit für die Stu-
die war es nicht möglich weitere Fahrsimulatorfahrten durchzuführen um die Gruppen
gleich zu verteilen. Die gesamte Studie fand zwischen dem 23.3.2015 und 24.4.2015 an
23 Abenden in einem statischen Fahrsimulator der Daimler AG am Standort Sindelfingen
statt.
93
7. Müdigkeitsentwicklung in Studie 1,
2 und hochautomatisiertes
Fahrverhalten 4
In diesem Kapitel werden die Ergebnisse der Auswertungen der Fahrten aus den in
Kapitel 6 vorgestellten Studien berichtet. Aus Studie 1 wird hierzu die Müdigkeitsent-
wicklung der Probanden näher untersucht. Der Studienaufbau hatte das Ziel, Müdigkeit
durch die lange Fahrtdauer und monotonen Fahrbedingungen zu induzieren. Dasselbe
Ziel wurde auch in Studie 2 durch vergleichbare Umgebungsbedingungen angestrebt.
Hinzu kam allerdings mit dem hochautomatisierten Fahren ein Fahrstil, der die Fahrer
zusätzlich entlastet. Fraglich ist deshalb, ob es eine ähnliche Müdigkeitsentwicklung wie
beim manuellen Fahren gibt. Da es das Hauptziel von Studie 2 war, die Probanden auf
einem hohen Müdigkeitslevel mit einer anspruchsvollen Testsituation zu konfrontieren,
wird der Müdigkeitszustand während der finalen Testsituation mit den übrigen Testsi-
tuationen verglichen. Eine Auswertung der Reaktionszeiten auf die Reaktionsabfragen
sollte zeigen, ob die Zeit zur Bestätigung der Abfrage mit fortlaufender Versuchszeit und
ansteigender Müdigkeit zunimmt.
Die letzte anspruchsvolle Testsituation wurde an ein Verpassen der Reaktionsab-
frage gekoppelt. Grund hierfür ist die Annahme, dass die Probanden mit zunehmender
Müdigkeit die Reaktionsabfrage nicht mehr bestätigen können. Speziell wenn dies pas-
siert, ist davon auszugehen, dass die Probanden einen Müdigkeitszustand erreicht ha-
ben, der sich auf ihre Fahrfähigkeit auswirkt. Aufgrund des monotonen Versuchsablaufs
und des hohen Müdigkeitsniveaus wurde damit gerechnet, dass die letzte anspruchsvolle
Testsituation häufig an eine verpasste Reaktionsabfrage gekoppelt ist. Durch den zu er-
wartenden Anstieg der Müdigkeit wird ferner erwartet, dass sich die Übernahmezeiten
in den fünf Testsituationen trotz der unterschiedlichen Situationen erhöhen. Durch die
Kopplung der Kistensituation an verpasste ä, sollten die Übernahmezeiten speziell durch
diese Konstellation durch die Müdigkeit beeinflusst sein. Angenommen wurden in diesem
Fall längere Übernahmezeiten. In einem Vergleich der Übernahmezeiten von müden mit
wachen Fahrern sollte darüber hinaus der Einfluss der Müdigkeit deutlich werden. Eine
Detailanalyse der Übernahmezeiten auf alle weiteren verpassten Reaktionsabfragen soll-
te zudem zeigen, wie schnell die Probanden in diesen Testsituationen reagierten. Um die
Güte der Fahrleistung der Probanden nach der Übernahme des Fahrzeugs zu untersu-
chen, wurde die Fahrleistung anhand von mehreren Kennzahlen untersucht. Im Vergleich
4Auszüge des Kapitels wurden und werden von J. Schmidt, Stolzmann und Karrer-Gauß (2016),
J. Schmidt und Stolzmann (o. J.) und Schittenhelm und Schmidt (2018) veröffentlicht
94
zu gesetzlichen Vorgaben in der Straßenverkehrsordnung kann so auf eine sichere Über-
nahme geschlossen werden. Bei der Auswertung wurde ein Fokus auf die Handlung in der
Kistensituation gelegt. Ein Vergleich der Unfallsituation mit der Kistensituation sollte
zudem Aufschlüsse über das Verhalten der Probanden bei den Übernahmen und Hand-
lungen in den nötigen Spurwechseln geben. In den Vor- und Nachbefragungen sollten die
Probanden zudem ihren Zustand vor der Fahrt und ihr Verhalten während dieser reflek-
tiert beschreiben. Von Interesse ist dabei, wie häufig die Probanden Sekundenschlafereig-
nisse gehabt hatten und ob sie sich aufgrund der Müdigkeit noch für fahrtüchtig hielten.
Mit Rückfragen zu den Testsituationen sollte von den Probanden die Schwierigkeit, der
zeitliche Handlungsbedarf und die Kritikalität der letzten Testsituation bestätigt wer-
den. Ausgewertet wurde zudem, ob die Reaktionsabfragen die Müdigkeit beeinflussten
und wie verständlich das Bedien- und Anzeigekonzept war. Zusätzlich wurde im Groß-
teil der Fragestellungen untersucht, ob die unterschiedlichen Startzeiten des Versuchs
(18 Uhr und 22 Uhr) und Intervalle zwischen den Reaktionsabfragen (30 s und 180 s)
einen Einfluss auf die jeweiligen Auswertevariablen haben.
7.1. Müdigkeitsentwicklung in Studie 1
Da das Abbruchkriterium für Studie 1 nicht an eine minimale Länge des Versuches ge-
koppelt war, wurde lediglich die subjektiv geschätzte KSS der 13 Probanden, die länger
als 90 min fuhren ausgewertet. So gab es einen Probanden, dessen Versuchsdauer ge-
ringer als eine Stunde war und dessen Versuch aufgrund des hohen Müdigkeitseinflusses
bei einer KSS von acht bereits abgebrochen wurde. Alle übrigen Probanden fuhren je-
weils länger als 90 min. Von der Auswertung der Müdigkeitsentwicklung wurden die
Fahrphasen zu Beginn und zum Ende des Versuches in denen die Fahrer weniger als
30 km/h fuhren ausgeschlossen. Zusätzlich wurde eine Eingewöhnungsphase von 10 min
nach erstmaligem Überschreiten von 30 km/h bei Beginn der Fahrt aus der Auswertung
ausgeschlossen. Nach einigen KSS-Abfragen folgten Sprachaufgaben. Aus diesem Grund
wurden Abschnitte von zweiminütiger Länge ab Beginn der KSS-Abfragen ebenfalls aus
den Auswertungen ausgeschlossen. Die einzelnen Ausgangswerte der zurückgemeldeten
Müdigkeitszustände der Probanden wurden mit Hilfe des Median in Abschnitten von
zehn Minuten berechnet und sind in Abbildung 7.1 dargestellt. Die Standardabweichung
ist in der Abbildung in Form von Fehlerbalken dargestellt. Durch den Ausschluss von
Datenabschnitten entsprachen die ausgewerteten Abschnitte von zehn Minuten in etwa
der Häufigkeit der KSS-Abfragen. Sie können sich aufgrund der ausgeschnittenen Zeit-
fenster aus einem Teil vor und nach einem ausgeschlossenen Intervall zusammensetzen.
t1 in Abbildung 7.1 fasst die Angaben aus den ersten 10 Minuten der Fahrt nach der
Eingewöhnungsphase zusammen. Die Werte t2 bis t9 fassen jeweils die weiteren 10 min
Abschnitte zusammen. Der Wert in t10 entspricht dem mittleren KSS-Wert der Rück-
meldungen in den letzten 10 Minuten der Fahrt jedes Probanden. Die Abtrennung von
t10 in Abbildung 7.1 zu den übrigen Werten zeigt den variablen Zeitraum zwischen t9
und t10 für die Probanden.
Die Auswertung der KSS Werte der 13 Probanden, die länger als 90 Minuten
95
9
8
7
6
5
4
3
2
1
t t t t t t t t t t
1 2 3 4 5 6 7 8 9 10
Ausgewerteter Abschnitt
Abbildung 7.1.: Mittlere KSS-Rückmeldungen und Standardabweichungen über der Ver-
suchszeit in den zehn Auswerteabschnitten t1 bis t10 von Studie 1
fuhren, war signifikant unterschiedlich in einer ANOVA mit Messwiederholungen im
Hinblick auf die Versuchszeit [F (2.817, 33.805) = 36.03, p < .001, η2p = .75]. Darüber
hinaus war ein linearer Trend [F (1,12) = 70.32, p < .001, η2p = .85], sowie ein qua-
dratischer Trend [F (1,12) = 3.11, p = .048, η2p = .29] bei der Trendanalyse der KSS-
Rückmeldungen signifikant. Für diese und alle weiteren Berechnungen wurde als Signi-
fikanzniveau α = .05 gewählt. Ebenfalls wurden Ergebnisse in dieser und aller folgender
Auswertungen, falls nötig mit der Bonferroni-Methode korrigiert. War Mauchly’s Sphe-
rizitätstest wie in diesem Fall signifikant, wurden die Ergebnisse mit der Greenhouse-
Geisser Korrektur angepasst. Für weitere Auswertungen des Versuches hinsichtlich der
Fahrparameter und Fragestellungen zu Problemen bei der Spurhaltung, wird auf die
Ergebnisse in Kapitel 7 der Dissertation von Ebrahim (2016) verwiesen.
7.2. Müdigkeitsentwicklung in Studie 2
Die Abbildung 7.2 zeigt den mittleren Verlauf der KSS Werte in 10 min Abschnitten in
Studie 2 in Relation zum Start der Versuchsfahrt. Einzelne KSS Werte in einem Fahrab-
schnitt eines Probanden wurden mit dem Median des entsprechenden Auswerteintervalls
bestimmt.
Die Daten der Probanden aus Studie 2 wurden je nach Intervalllänge zwischen den
einzelnen Reaktionsabfragen und der Startzeit ihres Versuches unterteilt. In blau sind
die Angaben der Probanden der Gruppe FK. In grün sind die Werte aller Probanden
der Gruppe SK. Die Probanden der Gruppe FL sind in rot und die der Gruppe SL in
türkis dargestellt.
96
KSS
9  
8
7
6
5
4
30s & 18 Uhr
3 30s & 22 Uhr
180s & 18 Uhr
180s & 22 Uhr
2
1  
t t t t t t t t
1 2 3 4 5 6 7 8
Ausgewerteter Abschnitt
Abbildung 7.2.: Mittlere KSS-Rückmeldungen und Standardabweichungen über der Ver-
suchszeit in den acht Auswerteabschnitten t1 bis t8 von Studie 2
Vor der Berechnung wurden manuelle Fahrabschnitte, die Zeitabschnitte während
der Testsitationen (Start Übernahmeaufforderung bis zur Übergabe der Fahraufgabe
vom Fahrer zurück an das Fahrzeug), die Eingewöhnungsphase für das hochautomati-
sierte Fahren (erste zehn Minuten) sowie die Zeit während der KSS und den Reaktions-
abfragen ausgeschnitten. Hierdurch können einzelne Auswerteabschnitte aus Daten vor
und nach ausgeschnittenen Versuchsteilen bestehen. Die Unterteilung in zehn Minuten
Abschnitte entsprach auch in diesem Versuch in etwa der Häufigkeit der auftretenden
KSS-Abfragen, da die Fahrabschnitte durch den Ausschluss der oben genannten Ab-
schnitte gekürzt wurden. Die Darstellung endet bei sieben Werten, da die Kistensitua-
tion bei einem Probanden bereits nach 100 Minuten und 15 Sekunden ausgelöst wurde
und deshalb die Anzahl der Messwerte der 40 Probanden aufgrund der ausgelösten Kis-
tensituationen abnahm.
Die Verläufe der subjektiven Müdigkeitseinschätzungen zeigen einen kontinuierli-
chen Anstieg während der gesamten hochautomatisierten Fahrt für alle Probandengrup-
pen. Die Analyse der Daten mit einer zweifaktoriellen Varianzanalyse mit Messwieder-
holungen (ANOVA) war wie bei Studie 1 signifikant für den Faktor KSS im Hinblick auf
die Versuchszeit [F (3.332, 119.959) = 109.25, p < .001, η2p = .752]. Der Interaktionseffekt
zwischen der Versuchszeit und der Startuhrzeit auf den Faktor KSS war nicht signifi-
kant [F (3.332, 119.959) = 1.23, p = .29, η2p = .03]. Ebenfalls war der Interaktionseffekt
zwischen der Versuchszeit und dem Intervall der Reaktionsabfragen nicht signifikant
[F (3.332, 119.959) = 1.25, p = .29, η2p = .03]. Die Analyse des Interaktionseffektes zwi-
schen der Versuchszeit, dem Intervall der Reaktionsabfragen und der Startuhrzeit auf
die subjektiven KSS-Rückmeldungen war nicht signifikant [F (3.332, 119.959) = 0.24,
97
KSS
p = .89, η2p = .01].
Bei einer Analyse der Verläufe der KSS-Rückmeldungen jeder einzelnen der vier
Untergruppen gab es einen signifikanten linearen Trend in jeder der Gruppen [FK:
F (1,9) = 91.09, p < .001, η2p = .91; SK: F (1,8) = 48.23, p < .001, η2p = .86; FL:
F (1,9) = 71.68, p < .001, η2p = .89; SL: F (1,10) = 59.01, p < .001, η2p = .86]. Zusätzlich
gab es einen signifikanten quadratischen Trend des Verlaufes der KSS-Rückmeldungen
für die Probanden der Gruppe FL [F (1,9) = 8.74, p = .016, η2p = .49). Einen signifi-
kanten kubischen Trend des Verlaufes der KSS-Rückmeldungen gab es zusätzlich für die
Probanden FK [F (1,9) = 13.50, p = .005, η2p = .60] und auch zu einem Polynom vierter
Ordnung [F (1,9) = 5.53, p = .043, η2p = .38]. Zu einem Polynom vierter Ordnung waren
ebenfalls die Rückmeldungen der Probanden SL signifikant [F (1,10) = 8.03, p = .018,
η2p = .45].
Das Verhalten der Probanden in der letzten anspruchsvollen Testsituation zu tes-
ten und zu analysieren war das Hauptziel des Versuches. So sollten die Probanden zu
dieser Zeit ein hohes Müdigkeitslevel erreicht haben und mit dem Fahrzeug und Sys-
tem vertraut sein. Die subjektiven Rückmeldungen aller Probanden auf Basis der KSS
direkt vor der Kistensituation sind in Abbildung 7.2 im Punkt t8 dargestellt. Da der
Versuch für die Probanden zu unterschiedlichen Zeitpunkten endete, ist in t8 die mittle-
re KSS-Rückmeldung der letzten zehn Minuten der Probanden gezeigt. Im Vergleich der
einzelnen Gruppen gab es keinen signifikanten Unterschied zwischen den Personen mit
unterschiedlichen Intervallen zwischen den Reaktionsabfragen [F (1,36) = 0.08, p = .78,
η2p < .01], einer unterschiedlichen Startuhrzeit des Versuches [F (1,36) = 2.18, p = .15,
η2p = .06] oder dem Interaktionseffekt zwischen diesen beiden Faktoren [F (1,36) = 1.04,
p = .36, η2p = .03].
In Tabelle 7.1 sind die mittleren KSS-Bewertungen der Probanden in den Testsitua-
tionen Bremsen (bremsendes Vorderfahrzeug), Unfall (Unfallsituation), Kurve (Durch-
fahrt einer Kurve), Panne (Pannenfahrzeug) und Kiste (finale Kistensituation) gezeigt.
Da es keine signifikanten Unterschiede zwischen den subjektiven Müdigkeitsbewertun-
gen im Versuchsverlauf zwischen den Gruppen und zur Zeit der Kistensituation t8 gab,
wurden die Werte mit allen Rückmeldungen gemittelt. Hierbei deuten die KSS-Werte in
der Kistensituation auf ein sehr hohes Müdigkeitsniveau hin. Bei der Analyse der Müdig-
keitseinschätzungen mit einer ANOVA mit Messwiederholungen gab es einen signifikan-
ten Unterschied der Bewertungen bei den fünf Testsituationen [F (2.358,91.948) = 94.54,
p < .001, η2p = .71]. Post-hoc Tests mit Bonferroni-Korrektur zeigten zudem signifikante
Unterschiede bei dem direkten Vergleich zwischen den einzelnen Testsituationen (siehe
Tabelle 7.1).
7.3. Reaktionsverhalten bei ä
Je nach Gruppenzugehörigkeit mussten die Probanden während dem hochautomatisier-
ten Fahren die Reaktionsabfragen in 30 oder 180-sekündigen Abständen bestätigen.
Äquivalent zu den Auswertefenstern für die KSS, sind in Abbildung 7.3 die Rückmelde-
zeiten auf die Reaktionsabfragen abgebildet. Hierzu wurde die Zeit zwischen dem Start
98
Tabelle 7.1.: KSS Werte bei den Testsituationen und statistische Ver-
gleiche (post-hoc Tests)
Testsituation KSS Testsituationen
Bremsen Unfall Kurve Panne
Bremsen 3.95 ± 1.54 - - - -
Unfall 5.70 ± 1.81 p < .001 - - -
Kurve 6.15 ± 1.72 p < .001 p < .001 - -
Panne 6.83 ± 1.63 p < .001 p < .001 p < .001 -
Kiste 8.08 ± 1.42 p < .001 p < .001 p < .001 p = .001
der Reaktionsabfragen bis zum Drücken der OK-Taste auf dem Lenkrad ausgewertet.
Gemittelt wurde über die Anzahl der Probanden und nicht über der Anzahl der ä.
Von der Berechnung ausgeschlossen wurden alle zehn Situationen, in denen die
Probanden am Ende des Versuches keine Rückmeldung auf die Reaktionsabfragen ga-
ben und es in Folge dessen zu einer Übernahmeaufforderung mit Kistensituation kam.
Insgesamt gab es darüber hinaus lediglich 18 Übernahmeaufforderungen nach den Ein-
gewöhnungsphasen, die aus einer nicht bestätigten Reaktionsabfrage (ohne Start der
Kistensituation) resultierten. Diese Situationen verteilen sich auf lediglich sieben Ver-
suchsteilnehmer. Da die anschließenden Übernahmeaufforderungen auf das Verpassen
der Rückmeldung nicht nur durch einen kurzen akustischen Ton wie bei den Reaktions-
abfragen angezeigt wurden, sind die verpassten Rückmeldungen aus der Bewertung der
Reaktionszeiten ausgeschlossen. Die Auswertungen hierzu befinden sich im Kapitel zu
den Übernahmezeiten (Kapitel 7.4).
Bei der Analyse der Reaktionszeiten mit einer zweifaktoriellen Varianzanalyse mit
Messwiederholungen zeigten sich keine signifikanten Unterschiede im Hinblick auf die
Versuchszeit [F (4.052,149.928) = 1.16, p = .33, η2p = .03]. Die Interaktionseffekte zwi-
schen der Versuchszeit und Startuhrzeit, sowie Versuchszeit und Intervall auf die Reak-
tionszeit waren ebenfalls nicht signifikant [F (4.052,149.928) = 1.61, p = .18, η2p = .04;
F (4.052,149.928) = 0.89, p = .48, η2p = .02]. Es gab keinen signifikanten Interaktionsef-
fekt der Versuchszeit, dem Intervall der Reaktionsabfragen und der Startuhrzeit auf die
Reaktionszeiten [F (4.052,149.928) = 0.60, p = .66, η2p = .02].
Beim Vergleich der Reaktionszeiten auf die Rückmeldung der Reaktionsabfragen
zwischen den einzelnen Gruppen in den letzten 10 min vor der Kiste, gab es einen
signifikanten Unterschied zwischen 30 s- und 180 s-Intervallen zwischen den Reaktions-
abfragen [F (1,37) = 4.74, p = .036, η2p = .11]. So war die Reaktionszeit der Fahrer
mit 180 s zwischen zwei Abfragen (M = 2.3 ± 0.5 s) höher als der Probanden mit 30 s
(M = 1.9 ± 0.5 s). Der Vergleich zwischen den unterschiedlichen Startuhrzeiten des Ver-
suches [F (1,37) < 0.01, p = .99, η2p < .01] und dem Interaktionseffekt zwischen Intervall
und Startuhrzeit [F (1,37) = 2.49, p = .12, η2p = .06] waren allerdings nicht signifikant.
Im gesamten Versuch wurde die letzte dynamische Testsituation nur in zehn von
99
3.5  
3
2.5
2
1.5
1 30s & 18 Uhr
30s & 22 Uhr
180s & 18 Uhr
0.5 180s & 22 Uhr
0  
t t t t t t t t
1 2 3 4 5 6 7 8
Ausgewerteter Abschnitt
Abbildung 7.3.: Mittlere Reaktionszeiten und Standardabweichungen auf die Reaktions-
abfragen über der Versuchszeit in den acht Auswerteabschnitten t1 bis
t8 von Studie 2
41 Fällen durch fehlende Bestätigungen der Reaktionsabfragen ausgelöst. Es gab ledig-
lich zwei Probanden, die die Kistensituation durch mehrmalig fehlende Bestätigung der
Reaktionsabfrage auslösten (Gruppe 1). Dadurch endete der Versuch bei ihnen vor einer
gesamten Fahrtzeit von 120 min. Bei den anderen acht Probanden wurde die Kistensitua-
tion erst nach erstmalig fehlender Bestätigung der Reaktionsabfrage und einer Fahrtzeit
von 120 min ausgelöst (Gruppe 2). Bei allen übrigen 31 Probanden wurde die Kisten-
situation von dem Versuchsleiter aufgrund des nahenden Endes der Gesamtversuchszeit
von vier Stunden gestartet (Gruppe 3). Eine Übersicht der Gruppenzugehörigkeit der
Probanden aus den untersuchten Faktoren ist in Tabelle 7.2 aufgeführt.
Tabelle 7.2.: Ausgelöste Kistensituationen je nach Gruppe
Intervall Startzeit Gruppe
1 2 3
30 s 18:00 Uhr 0 2 9
22:00 Uhr 2 5 2
180 s 18:00 Uhr 0 0 10
22:00 Uhr 0 1 10
Da die Fahrtzeit der Probanden direkt vom Zeitpunkt der ausgelösten Kistensituation
abhängt, waren die Fahrtdauern in den Gruppen ebenfalls unterschiedlich und speziell
100
Reaktionszeit in s
bei den Probanden der Gruppe SK kürzer.
7.4. Übernahmezeiten bei Fahrzeugübernahmen aus
dem hochautomatisierten Fahren
7.4.1. Übernahmezeiten in den fünf Testsituationen
Zur Berechnung der Übernahmezeiten (messbare Erstreaktion nach der Übernahmeauf-
forderung, siehe Kapitel 3.1) wurde die Interaktion der Probanden mit dem Fahrzeug
ausgewertet. Als Referenz für die Berechnung wurde der Beginn der Übernahmeauffor-
derung genutzt. Der Zeitpunkt der Erstreaktion wurde durch die Analyse des Brems-,
Beschleunigungs-, oder Lenkeingriffes der Fahrer ermittelt. Zur Berechnung eines mess-
baren Lenkeingriffs wurde das Signal des Lenkmoments analysiert. Bei der Fahrt auf einer
geraden Strecke ist zur Bestimmung des Zeitpunktes eines signifikanten Lenkeingriffes ein
Schwellwert des Lenkradmoments von einem Newton ausreichend. Da das automatisierte
System in Kurven allerdings mit bis zu 2.6 Newton auf die Lenkung einwirkte, war es
nicht möglich, den Lenkeingriff in diesen Zeitpunkten durch einen einfachen Schwellwert
des Lenkradmoments zu ermitteln. Aus diesem Grund wurde das maximale Lenkmo-
mentensignal in einem Zeitfenster von drei Sekunden vor der Übernahmeaufforderung
ermittelt. Lag das Maximum des Lenkmomentensignals oberhalb eines Schwellwertes von
einem Newton, so wurde das Signal in dem dreisekündigen Zeitabschnitt differenziert.
Als Schwellwert für den Zeitpunkt der Erstreaktion wurde in diesem Fall das 2.5-fache
des Maximums des Differenzsignals bis zu einem maximalen Wert von einem Newton
pro 0.02 ms genutzt. Der obere Schwellwert der Lenkmomentendifferenz von einem New-
ton pro 0.02 ms wurde von dem automatisierten System im Bereich der Testsituationen
nicht eingestellt und konnte so lediglich durch den Lenkeingriff der Fahrer hervorgerufen
werden. Auf Basis dieser Kriterien war es möglich zu entscheiden, wann ein Fahrer das
Lenkrad ergriffen hatte.
Bei der durchgeführten Studie 2 kam es vor, dass einige Probanden bereits vor dem
Beginn der Übernahmeaufforderung die Fahraufgabe übernahmen. Grund hierfür waren
die frühzeitig sichtbaren Verkehrssituationen bei der Unfallsituation (drei frühzeitige
Übernahmen) und dem liegengebliebenen Fahrzeug auf der rechten Spur (elf frühzei-
tige Übernahmen). Aufgrund dem Aufbau der Testsituationen und der Intention einer
einfachen Übernahme war die frühzeitige Übernahme nicht auszuschließen. In einer an-
deren Studie von K. Zeeb et al. (2016) übernahmen beispielsweise in einer Testsituation
10 % der Probanden ebenfalls frühzeitig, weshalb diese Probanden aus der anschließen-
den Berechnung der Übernahmezeiten ausgeschlossen wurden. Bei diesem Ausschluss
wurde nicht berücksichtigt, dass die Reaktionszeit des Menschen keine Werte von na-
hezu null Sekunden betragen kann, falls die Aufnahme des Reizes und eine motorische
Antwort des Menschen erst nach Start der Übernahmeaufforderung beginnen. Ein Pro-
band könnte so die Arme bereits vor der Übernahmeaufforderung gehoben haben und
die Messung der Übernahmezeit in wenigen Millisekunden nach Beginn der Übernah-
meaufforderung ausgelöst haben. In einem solchen Fall entspräche die Reaktionszeit einer
101
Antizipationszeit (Wirtz et al., 2013, S. 1298). Aus diesem Grund wurden in der hier
durchgeführten Auswertung auch Probanden ausgeschlossen, deren Reaktionszeiten mit
einer hohen Wahrscheinlichkeit durch eine vorausschauende Handlung aufgrund einer
Erwartung (sogenanntes Priming vgl. Wirtz et al., 2013, S. 1216) vor dem Start der
Übernahmeaufforderung beeinflusst wurden. In der Literatur werden minimale Reakti-
onszeiten für visuelle und akustische Reize von 180 ms bzw. 140 ms berichtet (Wirtz et
al., 2013, S. 1298). Diese Werte beinhalten allerdings nicht den Anwendungsfall mit den
Übernahmekriterien im vorliegenden Versuch (situationsgerecht Bremsen, beschleunigen
oder Lenken). Aus diesem Grund wurde im ersten Schritt die minimale Übernahme-
zeit in einer der drei Testsituationen ermittelt, in denen ein Priming ausgeschlossen ist
(bremsendes Vorderfahrzeug, Kurvenfahrt und Kistensituation). Die minimale Zeit lag
bei insgesamt 123 ausgewerteten Testsituationen bei 480 ms. Alle Übernahmezeiten, die
in der Unfallsituation und der Testsituation mit dem Pannenfahrzeug zwischen 0 und
480 ms lagen wurden im zweiten Schritt aus der Berechnung der Übernahmezeiten ausge-
schlossen (Unfallsituation zwei Probanden mit 130 ms bzw. 200 ms und Pannenfahrzeug
drei Probanden mit 10, 200 und 340 ms). Auch wenn drei dieser Reaktionszeiten im
Vergleich zu den Werten aus der Literatur möglich wären, ist eine Reaktion ohne Pri-
ming durch den gesamten Wahrnehmungs- und Bewegungsablauf bei der Übernahme
des Fahrzeugs eher unwahrscheinlich. Bei allen weiteren Reaktionszeiten der Unfall- und
Pannensituation kann ein Priming nicht ausgeschlossen, allerdings auch nicht voraus-
gesetzt werden. Trotz der Abfrage des Priming in der Nachbefragung, wird auf eine
Nutzung dieser Information an dieser Stelle verzichtet. Grund hierfür ist, dass selbst
bei der Kistensituation fünf der 41 Probanden angaben, die Situation bereits vor Beginn
der Übernahmeaufforderung erkannt und vorausschauend gehandelt zu haben. Aufgrund
der Randbedingungen dieser Testsituation war dies allerdings nicht möglich. Unabhängig
von der Angabe von Priming ist nicht eindeutig, in welcher Form eine frühzeitige Reak-
tion die Übernahme unterstützte. Tabelle 7.3 zeigt die berücksichtigten Reaktionszeiten
in den einzelnen Testsituationen.
Tabelle 7.3.: Übernahmezeiten in den fünf Testsituationen
Testsituation 30 s Intervall 180 s Intervall Gesamter Max
18:00 Uhr 22:00 Uhr 18:00 Uhr 22:00 Uhr Mittelwert
Bremsen 2.7 ± 1.1 2.1 ± 0.7 2.3 ± 0.4 2.4 ± 0.7 2.4 ± 0.8 4.8
Unfall 1.2 ± 0.5 1.2 ± 0.9 1.4 ± 0.2 1.9 ± 0.4 1.4 ± 0.6 3.2
Kurve 2.0 ± 0.6 2.0 ± 0.8 2.0 ± 0.8 2.4 ± 0.8 2.1 ± 0.7 4.4
Panne 1.4 ± 0.2 2.4 ± 1.7 1.7 ± 0.6 1.6 ± 0.7 1.7 ± 0.9 5.2
Kiste 1.6 ± 0.3 1.9 ± 0.4 1.8 ± 0.3 1.9 ± 0.4 1.8 ± 0.3 2.6
Eine Innersubjektanalyse der verschiedenen Übernahmezeiten der 24 Probanden ohne
frühzeitige Reaktion zeigte einen signifikanten Unterschied der Übernahmezeiten zwi-
schen den Testsituationen [F (2.899,66.677) = 6.74, p < .001, η2p = .23]. Paarweise Ver-
102
gleiche über post-hoc Tests mit Bonferroni Korrektur waren signifikant zwischen dem
Bremsen und dem Unfall (p < .001), dem Bremsen und der Kiste (p = .012) und dem
Unfall und der Kurve (p = .006). Die berichteten Signifikanzwerte der paarweisen Ver-
gleiche sind bereits angepasst.
Jede der fünf einzelnen Testsituationen wurde zusätzlich mit Hilfe einer zweifak-
toriellen Varianzanalyse analysiert, um Effekte durch die Startuhrzeit und das Intervall
zwischen den Reaktionsabfragen zu untersuchen. Hierbei wurde bei der Kistensituati-
on nicht zwischen den Probanden unterschieden, bei denen die Testsituation aufgrund
einer verpassten Reaktionsabfrage gestartet wurde. Die Analysen lieferten lediglich bei
der Unfallsituation einen signifikanten Unterschied der Reaktionszeiten aufgrund des
unterschiedlichen Intervalls zwischen zwei ä. Alle übrigen Vergleiche im Hinblick auf die
Startuhrzeit, Intervall zwischen den ä, sowie der Interaktionseffekte waren nicht signifi-
kant wie Tabelle 7.4 zeigt.
Tabelle 7.4.: Ergebnisse der statistischen Vergleiche der Übernahmezei-
ten hinsichtlich von Gruppeneffekten
Testsituation Fragestellung Ergebnis des Vergleiches
Bremsen Startuhrzeit F (1,37) = 1.26, p = .27, η2p = .03
Intervall F (1,37) = 0.02, p = .88, η2p < .01
Interaktionseffekt F (1,37) = 2.04, p = .16, η2p = .05
Unfall Startuhrzeit F (1,31) = 1.81, p = .19, η2p = .06
Intervall F (1,31) = 6.60, p = .015, η2p = .18
Interaktionseffekt F (1,31) = 1.87, p = .18, η2p = .06
Kurve Startuhrzeit F (1,37) = 0.31, p = .46, η2p = .02
Intervall F (1,37) = 0.32, p = .45, η2p = .02
Startuhrzeit F (1,37) = 1.38, p = .25, η2p = .04
Panne Startuhrzeit F (1,24) = 1.49, p = .23, η2p = .06
Intervall F (1,24) = 0.73, p = .40, η2p = .03
Interaktionseffekt F (1,24) = 3.14, p = .09, η2p = .12
Kiste Startuhrzeit F (1,37) = 3.01, p = .09, η2p = .08
Intervall F (1,37) = 0.45, p = .51, η2p = .01
Interaktionseffekt F (1,37) = 0.72, p = .40, η2p = .02
Beim Vergleich der Übernahmezeiten zwischen den Probanden, bei denen die Kistensi-
tuation aufgrund einer verpassten Reaktionsabfrage ausgelöst wurde (M = 2.0 ± 0.4 s)
und der übrigen Probanden (M = 1.8 ± 0.30 s) gab es keinen signifikanten Unterschied
[t(39) = -1.66, p = .11].
Da die Bewertungen des Müdigkeitszustandes und der Reaktionszeiten der einzel-
nen Gruppen bis auf eine Ausnahme keine signifikanten Unterschiede zeigten, wurde
überprüft, ob der Müdigkeitszustand der Probanden unabhängig von der Startuhrzeit
und des Intervalls einen Einfluss auf die Übernahmezeiten hatte. Hierzu wurden die
103
Übernahmezeiten der Probanden in den Testsituationen mit einer KSS von kleiner sie-
ben (wach) mit denen verglichen, die sich selbst mit einer KSS von größer sieben ein-
stuften (müde). Diese Unterteilung entsprach den Beobachtungen des Fahrerzustandes
bei unterschiedlichen KSS Werten von Schramm et al. (2009) und der Instruktion an
die Probanden sich mit einer KSS von größer sieben zu bewerten, sobald sie sich auf-
grund ihres Müdigkeitszustandes als nicht mehr fahrtüchtig einstufen würden. Tabelle
7.5 zeigt die Anzahl der Fahrer in den entsprechenden Gruppen und das Ergebnis des
statistischen Vergleiches der Übernahmezeiten in den Testsituationen Unfall bis Kiste.
In dem Vergleich wurden Probanden in den Testsituationen Unfall und Panne mit einer
frühzeitigen Übernahme ausgeschlossen.
Tabelle 7.5.: Ergebnisse der statistischen Vergleiche der Übernahme-
zeiten hinsichtlich des Müdigkeitszustandes
Testsituation Wach Müde KSS = 7 Ergebnis des Vergleiches
Bremsen 37 0 3 -
Unfall 20 5 9 t(23) = 0.11, p = .91
Kurve 21 9 10 t(28) = -0.88, p = .39
Panne 9 7 11 t(16) = 1.44, p = .17
Kiste 7 31 2 t(36) = 0.86, p = .40
7.4.2. Übernahmezeiten bei verpassten ä
Bei der genauen Analyse der 18 Übernahmezeiten auf die Übernahmeaufforderung nach
dem Verpassen der Reaktionsabfrage zeigte sich, dass die Probanden das Lenkrad in
vier Fällen bereits vor Beginn der Übernahmeaufforderung ergriffen hatten. Von den
restlichen verpassten Rückmeldungen von fünf Probanden ohne Auslösung der Kistensi-
tuation befanden sich zwei vor der ersten Testsituation, zwei zwischen erster und zweiter,
eine zwischen zweiter und dritter, fünf zwischen dritter und vierter Testsituation und
vier in dem Fahrabschnitt vor der Kistensituation. In Tabelle 7.6 sind die Zeiten der
Übernahmen der Probanden entsprechend der oben definierten Kriterien einer Erstreak-
tion dargestellt. Hierbei sind die Zeiten durch Nummern den fünf Personen zugeordnet:
Gruppe FK drei Probanden mit je einer Aufforderung (Nummer 1, 2 und 3) und Gruppe
SK mit einem Probanden mit vier Aufforderungen (Nummer 4) und einem mit sieben
Aufforderungen (Nummer 5).
104
Tabelle 7.6.: Übernahmezeiten nach verpassten Reaktionsabfragen in s
Proband Vor 1 1 - 2 2 - 3 3 - 4 4 - 5
1 - - - 0.3 -
2 - - - - 0.1
3 - - - - 1.5
4 - - - 2.6; 1.9; 2.4; 1.8 -
5 2.7; 2.2 2.5; 0.4 3.7 - 2.8; 3.1
Anmerkung. 1 = Bremsen, 2 = Unfall, 3 = Kurve, 4 = Panne, 5 = Kiste
7.5. Fahrverhalten in den Testsituationen der Studie 2
7.5.1. Auswertung der wichtigsten Kenngrößen zur Fahrausführung
Die ersten vier Testsituationen in Studie 2 waren so parametriert, dass sie für die Fah-
rer einfach zu meistern waren. So hatten die Fahrer bei all diesen Testsituationen viel
Zeit zu reagieren und ihr Verhalten an die Testsituation anzupassen. Dies zeigte sich
auch in den Auswertungen der Fahrparameter, die während der Testsituationen aufge-
zeichnet wurden. Exemplarisch sind in Tabelle 7.7 die wichtigsten Kennwerte aus diesen
Testsituationen aufgelistet. Mit dem minimalen Abstand zu der Kiste aus der letzten
anspruchsvollen Testsituation (siehe Tabelle 7.8) ist zusätzlich die wichtigste Kennzahl
aus dieser Testsituation aufgeführt.
Tabelle 7.7.: Wichtigste Kennzahlen der Testsituationen (M ± SD; Min)
Intervall Startzeit ∆Bremsena in s ∆Unfallb in m ]Kurvec ∆Panned in m
30 s 18:00 Uhr 1.6 ± 0.2 ; 1.3 1.3 ± 0.4 ; 0.6 0 1.9 ± 0.3 ; 1.6
22:00 Uhr 1.7 ± 0.3 ; 1.2 1.2 ± 0.3 ; 0.9 0 2.3 ± 0.6 ; 1.0
180 s 18:00 Uhr 1.6 ± 0.3 ; 1.1 1.3 ± 0.1 ; 1.2 0 2.0 ± 0.6 ; 1.0
22:00 Uhr 1.7 ± 0.3 ; 1.1 1.3 ± 0.2 ; 1.0 0 2.1 ± 0.4 ; 1.4
Anmerkung. a ∆Bremsen = Minimale Zeitdifferenz zum Vorausfahrer bei der Bremssitua-
tion.
b ∆Unfall = Minimale Distanz zu den Unfallfahrzeugen.
c ]Kurve = Anzahl der Probanden, die von der Spur abkamen.
d ∆Panne = Minimale Distanz zu dem Pannenfahrzeugen.
Aus der ersten Testsituation mit dem bremsenden Vorausfahrer wurde als wichtigste
Kennzahl zur Bewertung der Fahrausführung die geringste Distanz zwischen dem Fahr-
zeug der Probanden zu dem Vorausfahrer ausgewählt. Die Auswertungen zeigen, dass die
mittlere minimale Zeitdifferenz zum Vorausfahrer nur 0.2 s kleiner war, als der Abstand
zum Vorausfahrer vor dem Start der Übernahmeaufforderung (Zeitdifferenz 1.8 s). Die
105
Tabelle 7.8.: Wichtigste Kennzahlen der Kistensituation (M ± SD; Min)
Intervall Startzeit ∆Kistea in m ∆t bstart Kiste in s ∆tende Kistec in s
30 s 18:00 Uhr 1.7 ± 0.2; 1.1 3.1 ± 0.2; 2.8 1.6 ± 0.6; 0.2
22:00 Uhr 1.5 ± 0.2; 1.0 2.8 ± 0.3; 2.2 1.1 ± 0.6; 0.2
180 s 18:00 Uhr 1.9 ± 0.1; 1.5 3.1 ± 0.3; 2.8 1.7 ± 0.4; 1.1
22:00 Uhr 1.7 ± 0.1; 0.9 2.7 ± 0.4; 1.9 1.2 ± 0.7; 0.0
Anmerkung. a ∆Kiste = Minimale Distanz zur Kiste.
b ∆tstart Kiste = Zeitdifferenz zur Kiste bei Initiierung des Spurwechsels.
c ∆tende Kiste = Zeitdifferenz zur Kiste bei Abschluss des Spurwechsels.
kleinste Zeitdifferenz zum Vorausfahrer aller 40 Probanden betrug in der Testsituation
1.1 s. Von der Berechnung wurde ein Proband ausgeschlossen, der die Spur in dieser
Testsituation wechselte und das bremsende Vorderfahrzeug zu überholen begann. Im
Vergleich der vier Gruppen gab es keinen signifikanten Effekt hinsichtlich der Startuhr-
zeit [F (1,36) = 0.51, p = .48, η2p = .01], des Intervalls zwischen den Reaktionsabfragen
[F (1,36) = .05, p = .82, η2p = .001] oder des Interaktionseffekts zwischen den beiden
Faktoren [F (1,36) = .02, p =.89, η2p < .001].
Aus der zweiten Testsituation wurde als wichtigster Wert der kleinste Abstand
zwischen den Fahrzeugen aus dem nachgestellten Unfallszenario und dem Fahrzeug der
Probanden ausgewählt. Bei dem Vergleich der Abstände zwischen den einzelnen Grup-
pen gab es auch in dieser Testsituation keinen signifikanten Unterschied für den Effekt
der Startuhrzeit [F (1,37) = 0.70, p = .41, η2p = .02], des Intervalls zwischen den Reak-
tionsabfragen [F (1,37) = 0.10, p = .75, η2p < .001] und des Interaktionseffekts zwischen
den beiden Faktoren [F (1,37) = .02, p = .9, η2p < .001]. Der absolut kleinste Abstand zu
der gesamten Unfallsituation war 0.63 m. Dieser Wert liegt oberhalb des gesetzlich gefor-
derten Sicherheitsabstandes im Straßenverkehr zu geparkten Fahrzeugen von 0.5 m und
zeigt eine verantwortungsbewusste Fahrweise aller Probanden (§6 StVO, 2016 ). Auf-
grund des begrenzten Raumes innerhalb der linken Fahrspur (Fahrzeugbreite 2.13 m,
Spurbreite 3.7 m) hielt sich der Fahrer mit dem geringsten Abstand zudem nahe der
Mitte der freien Fahrspur auf.
Bei der Auswertung der dritten Testsituation war es wichtig, ob die Probanden die
Spur hielten und dem Kurvenverlauf folgten. Aus diesem Grund wurde analysiert, wie
viele Probanden das Fahrzeug nicht in der Spur hielten. Insgesamt gab es zwei Personen,
die auf die linke Spur wechselten und zum Überholen des vorausfahrenden Fahrzeugs an-
setzten. Außer diesen gab es keine Person, die die rechte oder linke Spurmarkierung mit
den Rädern überquerten.
Aus der vierten Testsituation wurde als Kennzahl der minimale Abstand zu dem
Pannenfahrzeug gewählt. In dieser Testsituation waren die mittleren Abstände zu dem
Pannenfahrzeug auf dem Standstreifen größer, als die Abstände während der zweiten
106
Testsituation. Sieben der 41 Probanden führten sogar einen Spurwechsel auf die linke
Spur aus, um den Abstand zu dem Pannenfahrzeug zu erhöhen. Diese wurden aus der
Berechnung der Abstände in Tabelle 7.7 ausgeschlossen. Der kleinste Abstand aller Pro-
banden zu dem Pannenfahrzeug betrug 1.06 m. Auch in dieser Testsituation gab es keine
signifikanten Unterschiede der Probanden im Bezug zur Startuhrzeit [F (1,30) = 2.52,
p= .12, η2p = .08], dem Intervall zwischen den Reaktionsabfragen [F (1,30) = 0.21, p= .65,
η2p = .01] oder bei dem Interaktionseffekt zwischen den beiden Faktoren [F (1,30) = 0.80,
p = .38, η2p = .03].
Neben den relevanten Parametern in Tabelle 7.7 gab es in übrigen Kennzahlen
wie der Querbeschleunigung, Geschwindigkeit etc. in den einzelnen Testsituationen kei-
ne Auffälligkeit, weshalb sich die Auswertung auf die gezeigten Parameter beschränkt.
Weitere Kennwerte zu der Fahrausführung der Probanden in den Testsituationen sind
in Anhang C zu finden.
Im Hinblick auf die Distanz zwischen der Kiste und dem Fahrzeug der Proban-
den, war diese in Studie 2 mit einem absoluten Minimum von 0.91 m relativ groß. Da
der Abstand für den äußeren Rand des Außenspiegels berechnet wurde, der sich ober-
halb von 75 cm über dem Boden befindet, hätten die Fahrer im Ernstfall zusätzliche
11.6 cm Platz gehabt. Alle Abstände waren somit jeweils größer als der Mindestabstand,
der in Deutschland zu einem parkenden Fahrzeug eingehalten werden sollte, obwohl es
sich im Versuchsszenario lediglich um eine Kiste auf der Fahrbahn handelte (StVO,
2016). Der Vergleich der Abstände in Abhängigkeit der Startuhrzeit [F (1,37) = 1.59,
p = .22, η2p = .04] und des Intervalles zwischen den Reaktionsabfragen [F (1,37) = 1.96,
p = .17,η2p = .05] war ebenso wie der Interaktionseffekt zwischen den beiden Faktoren
[F (1,37) = 0.08, p = .78, η2p = .002] nicht signifikant.
7.5.2. Detaillierte Auswertung des Fahrverhaltens in der letzten
Testsituation
Betrachtet man die Kistensituation näher, so zeigen die Spurverläufe des äußeren Ran-
des des rechten Außenspiegels der Fahrzeuge in Abbildung 7.4 eine frühzeitige Reaktion
und einen frühzeitigen Start des Ausweichmanövers. Die Position der Kiste ist in der
Abbildung rot markiert. Die unterschiedlichen Farben der Verläufe entsprechen der vier
Gruppen des Versuches (FK = blau, SK = grün, FL = rot, SL = türkis). Die Über-
nahmeaufforderung begann 184 m vor der Kiste. Die Kiste ist rot mit schwarzem Rand
im Nullpunkt der Abbildung 7.4 verhältnistreu dargestellt. Bei den Spurverläufen ist
zu sehen, dass alle Probanden einen Spurwechsel auf die linke Spur ausführten, um der
Kiste auszuweichen.
Zusätzlich zu dem seitlichen Abstand der Fahrer in der Kistensituation im voraus-
gehenden Kapitel 7.5.1 sind in Tabelle 7.8 die zeitlichen Abstände zwischen der Kiste
und den einzelnen Teilschritten des Spurwechsels der Probanden auf die linke Spur auf-
gelistet. Ein Kennwert hierfür war die Zeit bis zur Initiierung des Spurwechsels in Form
des Überfahrens der linken Spurmarkierung zwischen der ersten und zweiten Spur mit
dem linken Rad der Vorder- und Hinterachse. Der zweite Wert gibt den zeitlichen Ab-
107
5  
4
3
2
1
0
−1
−2
−3  
−200 −150 −100 −50 0 50 100
LateraLlearte Arablestr aAnbds tzaunrt zKuisr tKei sinte  min m
Abbildung 7.4.: Fahrverlauf der Probanden in der Kistensituation in Studie 2
stand zur Kiste an, als der Spurwechsel abgeschlossen war. Zu diesem Zeitpunkt befand
sich das Fahrzeug der Probanden vollständig auf der linken Spur. Alle zeitlichen Be-
rechnungen zur Kiste basieren auf der als konstant angenommenen Geschwindigkeit des
Probanden zum Zeitpunkt der Fahrzeugübernahme.
Bei der Analyse der zeitlichen Abstände der Fahrzeugposition bei der Initiierung
des Spurwechsels gab es keine signifikanten Unterschiede des Intervalls zwischen zwei Re-
aktionsabfragen [F (1,37) = 0.16, p = .69, η2p < .01] und des Interaktionseffekts zwischen
Intervall und Startuhrzeit [F (1,37) = 0.07, p = .80, η2p < .01]. Einzig die Startuhr-
zeit hatte einen signifikanten Einfluss auf den Zeitpunkt des initiierten Spurwechsels
[F (1,37) = 9.36, p = .004, η2p = .20]. Hierbei unterschied sich die Zeit zur Initiierung der
Probanden, die die Kistensituation aufgrund einer verpassten Reaktionsabfrage auslös-
ten (M = 2.9 ± 0.3 s) nicht signifikant von den anderen (M = 2.9 ± 0.3 s); [t(39) = 0.45,
p = .66].
Bezüglich des Endzeitpunktes des Spurwechsels gab es ebenfalls einen signifikanten
Unterschied hinsichtlich der unterschiedlichen Startuhrzeiten [F (1,37) = 8.03, p = .007,
η2p = .18]. Der Gruppenvergleich hinsichtlich des Intervalls zwischen den Abfragen war
auch hier ebenso wie der Interaktionseffekt zwischen den Faktoren nicht signifikant
[F (1,37) = 0.36, p = .55, η2p = .01; F (1,37) = 0.01, p = .92, η2p < .001].
7.5.3. Vergleich der Unfall- und Kistensituation
Da sich die Unfallsituation und Kistensituation darin glichen, dass die Probanden je-
weils die Spur wechseln mussten, um dem Hindernis auf der eigenen Spur zu entgehen,
wurde das Spurwechselverhalten der Probanden in beiden Testsituationen hinsichtlich
der individuellen Müdigkeit der Probanden genauer verglichen. Bei der Unfallsituation
konnte kein signifikanter Unterschied des Zeitpunktes des initiierten Spurwechsels zwi-
schen wachen und müden Fahrern [t(23) = -0.90, p = .38] gefunden werden. Bei der
Kistensituation konnte ebenfalls kein signifikanter Unterschied des initiierten Spurwech-
108
Longitudinaler Abstand zur Kiste in m
sels und der Müdigkeit gefunden werden [t(36) = 0.25, p = .80]. Ausgewertet wurden
jeweils alle Probanden mit einer KSS ungleich sieben.
Mit Hilfe einer Korrelationsanalyse wurde überprüft, ob die Übernahmezeiten der
Probanden in der Unfall- und Kistensituation korrelierte. Dies war nicht der Fall [Ken-
dall’s τ = .12, p = .33, N = 35]. Ebenfalls gab es keine Korrelation zwischen der benötig-
ten Zeit zwischen der Übernahme und dem Zeitpunkt des Starts des Spurwechsels durch
das Überfahren der Spurmarkierung in den beiden Testsituationen [Kendall’s τ = .02,
p = .85, N = 35]. Bei der Analyse der Übernahme- und Handlungszeit in der Unfallsitua-
tion gab es allerdings eine signifikante negative Korrelation [Kendall’s τ = -.36, p = .002,
N = 35], wie auch bei der Kistensituation [Kendall’s τ = -.55, p < .001, N = 41].
7.6. Rückmeldungen der Probanden
In der Vorbefragung beantworteten die Probanden die Fragen des Epworth-Tests zur Ta-
gesschläfrigkeit. Die summierten Rückmeldungen hatten einen Mittelwert von 8.7 ± 3.8
Punkten.
Im Anschluss an den Versuch wurden die Fahrer gebeten, ihr Verhalten zu be-
werten. 34 der 41 Probanden gaben nach dem Versuch an, während der Fahrt Sekun-
denschlafereignisse erlebt zu haben. Da lediglich ein Proband mit einer Startzeit um
22 Uhr angab, kein Sekundenschlafereignis erlebt zu haben gab es hinsichtlich des Fak-
tors Startuhrzeit einen signifikanten Unterschied [F (1,37) = 4.21, p = .047, η2p = .10]
gegenüber mehreren Probanden, die um 18 Uhr starteten und kein Sekundenschlafer-
eignis erlebten. Der Faktor Intervall und der Interaktionseffekt zwischen Intervall und
Startuhrzeit waren nicht signifikant [F (1,37) = 0.25, p = .62, η2p = .01; F (1,37) = 0.07,
p = .79, η2p < .01]. Die geschätzte Anzahl der Sekundenschlafereignisse durch die Pro-
banden lag zwischen einem bis zu 50 Ereignissen. Dabei gab es auch ungenaue Angaben
mit Beschreibungen wie: sehr oft, mindestens 20, weshalb keine weitere Analyse dieser
Rückmeldungen vorgenommen wurde. Von den sieben Rückmeldungen, die auf eine hohe
Anzahl an Sekundenschlafereignissen (20 oder mehr) hindeuten, gab es in jeder der vier
Gruppen mindestens eine (FK: 1, SK: 2, FL: 1 und SL: 3). Von den 41 Probanden gaben
28 Probanden an, am Ende der Fahrt aufgrund von Müdigkeit nicht mehr fahrtüchtig
für eine Weiterfahrt zu sein. Hierbei gab es keine signifikanten Unterschiede zwischen
der Startuhrzeit [F (1,37) = 0.11, p = .75, η2p < .01), Intervall [F (1,37) = 2.42, p = .13,
η2p = .06], und Interaktionseffekt zwischen den beiden Faktoren [F (1,37) = 0.36, p = .55,
η2p = .01]. Von den 13 Probanden, die sich nach dem Versuch für weiterhin fahrtüch-
tig hielten, hatten zehn in der vorausgegangenen Frage angegeben, während der Fahrt
Sekundenschlafereignisse gehabt zu haben. So hielten sich vier Probanden auch ohne
erlebte Sekundenschlafereignisse aufgrund der Müdigkeit nicht mehr für fahrtüchtig.
Die Probanden bewerteten darüber hinaus die einzelnen Testsituationen hinsicht-
lich mehrerer Kriterien auf einer vierstufigen Skala. Die gestellten Fragen bezogen sich
auf die zeitliche Handlungsanforderung in den Testsituationen, eine Bewertung der eige-
nen Reaktion und die Schwierigkeit sowie Kritikalität der Übernahme. Der Wert vier auf
der Skala entsprach jeweils einer hohen Anforderung/Schwierigkeit/Kritikalität/schlech-
109
Tabelle 7.9.: Rückmeldungen zur zeitlichen Handlungsanforderungen
Testsituation 30 s Intervall 180 s Intervall Gesamter
18:00 Uhr 22:00 Uhr 18:00 Uhr 22:00 Uhr Mittelwert
Bremsen 1.8 ± 0.7 1.7 ± 0.8 1.6 ± 0.7 1.3 ± 0.5 1.6 ± 0.7
Unfall 1.4 ± 0.7 1.5 ± 0.5 1.6 ± 0.7 1.7 ± 0.5 1.5 ± 0.6
Kurve 1.6 ± 0.7 1.5 ± 0.5 1.6 ± 0.5 1.4 ± 0.7 1.5 ± 0.6
Panne 1.4 ± 0.7 1.7 ± 0.5 1.3 ± 0.5 1.6 ± 0.8 1.5 ± 0.7
Kiste 1.9 ± 0.9 2.3 ± 0.9 2.7 ± 1.1 2.1 ± 1.2 2.3 ± 1.1
Tabelle 7.10.: Rückmeldungen zur Bewertung der Ausführungen
Testsituation 30 s Intervall 180 s Intervall Gesamter
18:00 Uhr 22:00 Uhr 18:00 Uhr 22:00 Uhr Mittelwert
Bremsen 2.0 ± 0.9 2.8 ± 0.9 1.9 ± 0.6 1.6 ± 0.5 2.0 ± 0.8
Unfall 1.4 ± 0.7 1.5 ± 0.5 1.6 ± 0.5 1.7 ± 0.7 1.5 ± 0.6
Kurve 1.6 ± 0.7 1.5 ± 0.5 1.7 ± 0.7 1.4 ± 0.7 1.6 ± 0.7
Panne 1.5 ± 1.0 1.7 ± 0.5 1.3 ± 0.5 1.6 ± 0.8 1.5 ± 0.8
Kiste 1.9 ± 0.9 2.3 ± 0.9 2.7 ± 0.9 2.2 ± 1.1 2.3 ± 1.0
te Ausführung. Tabellen 7.9, 7.10, 7.11 und 7.12 zeigen die einzelnen Bewertungen der
Testsituationen durch die Probanden für die zeitliche Handlungsanforderung, Bewertung
der Ausführung, Schwierigkeit und Kritikalität. Ausgeschlossen von den Berechnungen
sind je nach Fragestellung acht bis zehn Probanden, die nicht alle fünf Testsituationen
bewerteten.
Eine Innersubjektanalyse der Rückmeldungen zeigte einen signifikanten Unter-
schied in der zeitlichen Handlungsanforderung zwischen den verschiedenen Testsitua-
tionen [F (2.566,71.852) = 9.43, p < .001, η2p = 0.25]. Paarweise Vergleiche der Rückmel-
dungen anhand von post-hoc Tests mit Bonferroni Korrektur waren signifikant unter-
schiedlich zwischen dem Bremsen und der Kiste (p = .009), dem Unfall und der Kiste
(p = .014), der Kurve und der Kiste (p = .007) sowie der Panne und der Kiste (p < .001).
Die berichteten Signifikanzwerte der paarweisen Vergleiche sind bereits angepasst. Bei
dem Vergleich der Bewertungen der Fahrausführung gab es einen signifikanten Unter-
schied zwischen den Testsituationen [F (2.924,81.871) = 12.81, p < .001, η2p = .31]. In
paarweisen Vergleichen der Rückmeldungen gab es einen signifikanten Unterschied der
subjektiven Bewertungen der Ausführung zwischen den Testsituationen Bremsen und
Unfall (p = .004), Bremsen und Kurve (p = .013), Bremsen und Panne (p = .005), Kiste
und Unfall (p = .001), Kiste und Kurve (p = .004), sowie Kiste und Panne (p = .001).
Auch die Unterschiede der Rückmeldungen auf die Frage nach der Schwierigkeit waren
110
Tabelle 7.11.: Rückmeldungen zur Schwierigkeit der Übernahmen
Testsituation 30 s Intervall 180 s Intervall Gesamter
18:00 Uhr 22:00 Uhr 18:00 Uhr 22:00 Uhr Mittelwert
Bremsen 1.5 ± 1.0 2.2 ± 0.7 1.4 ± 0.7 1.4 ± 0.5 1.6 ± 0.8
Unfall 1.3 ± 0.7 1.3 ± 0.5 1.6 ± 0.5 1.5 ± 0.7 1.4 ± 0.6
Kurve 1.5 ± 0.7 1.5 ± 0.5 1.6 ± 0.7 1.4 ± 0.7 1.5 ± 0.7
Panne 1.4 ± 1.0 1.7 ± 0.5 1.4 ± 0.5 1.7 ± 0.8 1.6 ± 0.8
Kiste 1.8 ± 1.0 2.3 ± 0.9 2.6 ± 0.9 2.4 ± 1.2 2.3 ± 1.1
Tabelle 7.12.: Rückmeldungen zur Kritikalität der Testsituationen
Testsituation 30 s Intervall 180 s Intervall Gesamter
18:00 Uhr 22:00 Uhr 18:00 Uhr 22:00 Uhr Mittelwert
Bremsen 1.6 ± 1.0 1.7 ± 0.8 1.7 ± 0.8 1.5 ± 0.5 1.6 ± 0.8
Unfall 1.1 ± 0.3 1.8 ± 0.7 1.6 ± 0.7 1.7 ± 0.8 1.6 ± 0.7
Kurve 1.3 ± 0.4 1.3 ± 0.5 1.4 ± 0.7 1.5 ± 0.8 1.4 ± 0.7
Panne 1.4 ± 1.0 1.5 ± 0.5 1.1 ± 0.3 1.6 ± 0.8 1.4 ± 0.7
Kiste 2.0 ± 0.9 2.3 ± 0.9 2.4 ± 0.7 2.2 ± 1.1 2.2 ± 0.9
111
Tabelle 7.13.: Ergebnisse der statistischen Vergleiche der zeitlichen
Handlungsanforderung
Testsituation Fragestellung Ergebnis des Vergleiches
Bremsen Startuhrzeit F (1,28) = 0.39, p = .54, η2p = .01
Intervall F (1,28) = 1.16, p = .29, η2p = .04
Interaktionseffekt F (1,28) = 0.08, p = .78, η2p < .01
Unfall Startuhrzeit F (1,28) = 0.26, p = .61, η2p = .01
Intervall F (1,28) = 0.57, p = .46, η2p = .02
Interaktionseffekt F (1,28) < 0.01, p = .98, η2p < .01
Kurve Startuhrzeit F (1,28) = 0.57, p = .46, η2p = .02
Intervall F (1,28) = 0.26, p = .61, η2p = .01
Interaktionseffekt F (1,28) = 0.04, p = .84, η2p < .01
Panne Startuhrzeit F (1,28) = 1.07, p = .31, η2p = .04
Intervall F (1,28) = 0.01, p = .76, η2p < .01
Interaktionseffekt F (1,28) = 0.02, p = .89, η2p < .01
Kiste Startuhrzeit F (1,28) = 0.02, p = .90, η2p < .01
Intervall F (1,28) = 0.50, p = .48, η2p = .02
Interaktionseffekt F (1,28) = 1.60, p = .22, η2p = .05
signifikant [F (2.867, 77.400) = 11.82, p < .001, η2p = .31]. Bei anschließenden post-hoc
Tests mit Bonferroni Korrektur gab es jeweils einen signifikanten Unterschied zwischen
den Rückmeldungen bei der Kiste und den übrigen Testsituationen (Bremsen: p = .005,
Unfall: p < .001, Kurve: p = .002, Panne: p < .001). Die Rückmeldungen hinsichtlich
der Kritikalität waren ebenfalls signifikant unterschiedlich [F (2.728,79.100) = 11.50,
p < .001, η2p = .28] und waren in post-hoc Tests ebenfalls jeweils signifikant zwischen
der Kiste und den anderen Testsituationen (Bremsen: p < .001, Unfall: p = .003, Kur-
ve: p = .003, Panne: p < .001).
Drei der Fragestellungen für die fünf einzelnen Testsituationen (zeitliche Hand-
lungsanforderung, Schwierigkeit und Kritikalität) wurde zusätzlich mit Hilfe einer zwei-
faktoriellen Varianzanalyse analysiert, um Effekte durch die Startuhrzeit und das Inter-
vall zwischen den Rückmeldungen zu untersuchen. Hiermit sollte analysiert werden, ob
die Fahrer die Testsituationen aufgrund der Randbedingungen ihrer Gruppe Intervall
und Startuhrzeit unterschiedlich bewerteten. Die Ergebnisse hierzu sind in den Tabellen
7.13, 7.14 und 7.15 aufgeführt. Keiner der Vergleiche zeigte signifikante Unterschiede in
der subjektiven Einschätzung der Testsituationen durch die unterschiedlichen Gruppen.
Da die Bewertung der eigenen Leistung von sehr vielen Faktoren wie einer frühzeiti-
gen Übernahme, den lateralen und longitudinalen Abständen sowie der Spurführung
abhängt, wurden diese Rückmeldungen nicht im Vergleich der einzelnen Gruppen un-
tersucht. Zu jeder der Testsituationen wurden die Fahrer gefragt, wie sie ihre Leistung
rückblickend auf die Anforderung in der Testsituation einschätzten. Bei allen Testsitua-
112
Tabelle 7.14.: Ergebnisse der statistischen Vergleiche der Schwierigkeit
Testsituation Fragestellung Ergebnis des Vergleiches
Bremsen Startuhrzeit F (1,27) = 1.21, p = .28, η2p = .04
Intervall F (1,27) = 2.09, p = .16, η2p = .07
Interaktionseffekt F (1,27) = 1.44, p = .24, η2p = .05
Unfall Startuhrzeit F (1,27) < 0.01, p = .98, η2p < .01
Intervall F (1,27) = 1.09, p = .31, η2p = .04
Interaktionseffekt F (1,27) = 0.11, p = .74, η2p <.01
Kurve Startuhrzeit F (1,27) = 0.11, p = .74, η2p < .01
Intervall F (1,27) < 0.01, p = .96, η2p < .01
Interaktionseffekt F (1,27) = 0.11, p = .74, η2p < .01
Panne Startuhrzeit F (1,27) = 0.94, p = .34, η2p = .03
Intervall F (1,27) = 0.02, p = .88, η2p < .01
Interaktionseffekt F (1,27) < 0.01, p = .97, η2p < .01
Kiste Startuhrzeit F (1,27) = 0.26, p = .61, η2p = .01
Intervall F (1,27) = 1.21, p = .28, η2p = .04
Interaktionseffekt F (1,27) = 0.87, p = .36, η2p = .03
Tabelle 7.15.: Ergebnisse der statistischen Vergleiche der Kritikalität
Testsituation Fragestellung Ergebnis des Vergleiches
Bremsen Startuhrzeit F (1,29) = 0.05, p = .83, η2p < .01
Intervall F (1,29) = 0.05, p = .83, η2p < .01
Interaktionseffekt F (1,29) = 0.13, p = .72, η2p < .01
Unfall Startuhrzeit F (1,29) = 2.99, p = .09, η2p = .09
Intervall F (1,29) = 0.36, p = .55, η2p = .01
Interaktionseffekt F (1,29) = 1.31, p = .26, η2p =.04
Kurve Startuhrzeit F (1,29) = 0.08, p = .78, η2p < .01
Intervall F (1,29) = 0.56, p = .46, η2p = .02
Interaktionseffekt F (1,29) < 0.01, p = .96, η2p < .01
Panne Startuhrzeit F (1,29) = 1.30, p = .26, η2p = .04
Intervall F (1,29) = 0.09, p = .76, η2p < .01
Interaktionseffekt F (1,29) = 0.46, p = .50, η2p = .02
Kiste Startuhrzeit F (1,29) = 0.02, p = .90, η2p < .01
Intervall F (1,29) = 0.21, p = .65, η2p = .01
Interaktionseffekt F (1,29) = 0.71, p = .41, η2p = .02
113
Tabelle 7.16.: Positiver Einfluss der ä
Intervall Startzeit nein ein wenig spürbar deutlich
30 s 18:00 Uhr 0 3 6 2
22:00 Uhr 1 4 2 2
180 s 18:00 Uhr 0 5 3 2
22:00 Uhr 0 5 5 1
tionen war dies der longitudinale Abstand zum Vorderfahrzeug. Im speziellen ist diese
Rückmeldung bei der Testsituation Bremsen interessant. Im Vergleich der Personen,
die die Distanz als zu gering einschätzten mit den Personen, die diese als ausreichend
erachteten, gab es keine signifikanten Unterschiede in den real gemessenen Abständen
[t(38) = 0.70, p = .49]. Bei den Testsituationen Unfall, Panne und Kiste wurde zusätzlich
der absolute Abstand zu den Objekten auf der Fahrbahn abgefragt. Die realen Abstän-
de waren im Vergleich der Probanden die sich selbst als zu nah einschätzten in den
Testsituationen Unfall [t(39) = -0.41, p = .68] und Panne [t(37) = 0.49, p = .63] nicht
signifikant unterschiedlich. Lediglich die realen Abstände zu der Kiste der Probanden,
die sich selbst als zu nah einschätzten, war signifikant unterschiedlich zu den Abständen
der Probanden, die den Abstand für ausreichend hielten [t(39) = -2.78, p = .008]. So
sind die Abstände der Probanden kleiner, die diesen als ausreichend empfanden (Ab-
stand ausreichend: M = 1.5 ± 0.3 m, Abstand zu klein: M = 1.9 ± 0.5 m).
Im Hinblick auf ein Priming der Übernahme bei der Unfallsituation, gaben 21 Pro-
banden an, die Situation vor der Testsituation erkannt zu haben und vorausschauend auf
die Übernahmeaufforderung reagiert zu haben. Dies zeigt sich auch durch signifikante
Unterschiede bei den Reaktionszeiten zwischen den Probanden die angegeben hatten,
vorausschauend reagiert zu haben, gegenüber denen, die selbst einschätzten nicht vor-
ausschauend gehandelt zu haben [t(39) = 3.42, p = .001]. Bei dem Vergleich derselben
Fragestellung bei der Pannensituation gab es allerdings keinen signifikanten Unterschied
in den Reaktionszeiten der Probanden [t(37) = 0.04, p = .97]. Bei beiden Auswertungen
wurden auch die Übernahmen vor Beginn und direkt nach der Testsituation berücksich-
tigt.
Tabelle 7.16 zeigt die subjektive Einschätzung der Beeinflussung der Reaktionsab-
fragen auf die Müdigkeit. Bis auf eine Person empfanden alle Personen die Reaktions-
abfragen als positive Wirkung auf die Müdigkeit.
Bezüglich der konkreten Beeinflussung der Reaktionsabfragen wurde zehnmal an-
gegeben, dass die Abfrage nur zu Anfang der Fahrt wacher hielt. Achtmal wurde ange-
geben, dass die Abfrage vor allem gegen Ende wach hielt. Neunzehnmal wurde angeben,
dass die Abfrage jedes Mal wenn sie kam kurz und dreimal dass die lange wacher hielt.
Fünfmal wurde angegeben, dass sie immer gleich wach hielt. Zu beachten ist, dass Mehr-
fachnennungen der Probanden möglich waren.
Von den 41 Probanden bewerteten 39 die Verständlichkeit des Bedien- und An-
114
zeigekonzept als sehr verständlich. Die zwei übrigen Probanden bewerteten das System
mit verständlich auf der 4-stufigen Skala zwischen sehr verständlich und überhaupt nicht
verständlich.
7.7. Diskussion der Ergebnisse
In der manuellen Studie wurde das Versuchsziel eines Müdigkeitsanstiegs im Versuchs-
verlauf erreicht. Dies zeigen die Auswertungen der KSS-Rückmeldungen der Fahrer über
die Zeit. So stieg das Müdigkeitslevel von KSS-Werten von kleiner als sieben zu Beginn
der Fahrt über die Versuchszeit an. Bei Fahrtende des Versuches gab es lediglich eine
Person, die den eigenen Müdigkeitszustand nicht mit einer KSS von acht oder neun
bewertete. Fahrphasen mit KSS-Werten dieser Höhe implizieren einen Einfluss der Mü-
digkeit auf die Fahrtüchtigkeit (Schramm et al., 2009). Aus diesem Grund ist davon
auszugehen, dass die Versuchsdaten das Verhaltensmuster der Fahrer während des wa-
chen und müdigkeitsbeeinflussten manuellen Fahrens enthalten.
Das hochautomatisierte Fahren unterstützt den Fahrer, indem es ihm die Fahr-
aufgabe abnimmt. So hat er die Freiheit sich zurückzulehnen und chauffieren zu lassen.
Gleichzeit ändert sich seine Aufgabe, da er in dieser Zeit die Aufgabe des Fahrers le-
diglich auf Abruf ausüben muss. Diese Entlastung könnte zu einer Verbesserung des
Müdigkeitszustandes des Fahrers beitragen. Dies sollte sich speziell bei Probanden zei-
gen, die die Fahrt nach einem regulären Arbeitstag durchführten und vor Fahrtbeginn
bereits für mehr als elf Stunden wach waren. Nichtsdestotrotz zeigen die steigenden
KSS-Rückmeldungen in Studie 2, dass die Kombination aus monotonen Fahrbedingun-
gen, langer Fahrtdauer, Untätigkeit, Testsituationen und Reaktionsabfragen trotzdem
zu einem Anstieg der Müdigkeit bis hin zur subjektiven Fahruntüchtigkeit führte. Zu-
sätzlich zu den Versuchsbedingungen hat sicher auch die Anfälligkeit der Probanden
für Schläfrigkeit zu dem müden Zustand zum Versuchsende beigetragen. So hatten die
Probanden hohe Summen im Epworth-Test, obwohl keinem eine Schlafkrankheit be-
kannt war. Ein Proband hatte sogar einen Wert von 16, was Johns (1991) lediglich bei
Testpersonen mit ausgeprägten Schlafkrankheiten fand. Darüber hinaus berichtet Johns
auch, dass Schlafkrankheiten in seiner Studie bei Personen mit einer Summe oberhalb
von sieben aufgetreten sind. Von den 41 Probanden des Versuches hatten lediglich 14
eine Summe unterhalb von acht. Auch wenn die hohen Summen keine Voraussetzung
für eine Schlafkrankheit sind, zeigen sie die Anfälligkeit der Probanden für Müdigkeit
speziell bei Untätigkeit. Die signifikant steigenden KSS-Werte zeigen zudem, dass das
Ziel, Müdigkeit mit Hilfe von langen monotonen Bedingungen zu induzieren, auch in
hochautomatisierten Fahrten äquivalent zu der Induzierung in manuellen Fahrstudien,
wie Studie 1, funktioniert. So gab es 31 von 41 Probanden, die sich zum Ende des
Versuches mit einer KSS von acht oder neun bewerteten, jedoch alle unterhalb dieses
Müdigkeitsniveaus gestartet waren. Auf Basis der KSS-Rückmeldungen war der Großteil
der Probanden in einem kritischen Müdigkeitszustand, als sie die abschließende Testsi-
tuation mit der Kiste erlebten. Das Müdigkeitsniveau zu dieser Zeit war dabei signifikant
115
höher als in den vorausgehenden Testsituationen. Ein weiteres Indiz ist die hohe Zahl an
Sekundenschlafereignissen bis zu diesem Zeitpunkt. Die subjektiv bewertete Müdigkeit
zwischen den Vergleichsgruppen mit unterschiedlichen Abfrageintervallen und Startzei-
ten war dabei nicht signifikant unterschiedlich.
Das hohe Müdigkeitsniveau wurde zusätzlich durch die Rückmeldungen der Pro-
banden in der Befragung nach der Fahrt bestätigt. In dieser gaben 28 der 41 Probanden
an, sich nicht mehr für fahrtüchtig zu halten. Dies war unabhängig von Startuhrzeit
oder Intervall zwischen den Reaktionsabfragen und bekräftigt die Unterteilung der Pro-
banden mit unterschiedlichen KSS-Werten unabhängig von ihrer Gruppenzugehörigkeit.
Von den Probanden, die sich zur Zeit der Kistensituation mit einer KSS von acht oder
neun bewerteten, gaben sechs Probanden am Ende der Fahrt trotzdem an, fahrtüchtig
zu sein. Gründe hierfür könnten sein, dass der Versuch abgebrochen wurde und die Pro-
banden zur Zeit der Frage nicht mehr fuhren. Weitere Gründe könnten in der kurzen
Interaktion mit dem Versuchsleiter, dem angeschalteten Licht im Raum oder dem Gang
auf die Toilette vor Beginn der Beantwortung der Fragen der Nachbefragung liegen.
Ebenfalls könnte die Rückmeldung dadurch beeinflusst gewesen sein, dass die Proban-
den selbst im Anschluss an den Versuch heimfahren wollten und deshalb nicht zugeben
wollten, wirklich fahruntüchtig zu sein. Alle Versuchsleiter legten den Probanden die
kostenlose Möglichkeit ein Taxi zur Heimfahrt zu nutzen nahe, doch manche Proban-
den nahmen das Angebot nicht an. Das Angebot erhielten die Probanden unabhängig
ihrer Rückmeldungen zur Fahruntüchtigkeit. Die Motivation der Heimfahrt könnte auch
dazu beigetragen haben, dass zehn Personen zugaben Sekundenschlafereignisse erlebt
zu haben, aber trotzdem davon ausgingen, weiterfahren zu können. Da nicht spezifi-
ziert wurde, ob die Weiterfahrt automatisiert oder manuell erfolgen sollte, könnte diese
fehlende Spezifikation ebenfalls einen Einfluss auf die Rückmeldung gehabt haben. So
wurde den Probanden in dem Versuch eventuell deutlich, dass sie trotz starker Fahr-
beeinträchtigungen problemlos auf eine anspruchsvolle Fahrsituation reagieren konnten,
was ihre Einschätzung im Bezug zur Fahrtüchtigkeit positiv beeinflusst haben könnte.
Von den Probanden mit einer KSS kleiner als sieben gab es zwei Probanden, die sich
trotz der niedrigen KSS nicht mehr für fahrtüchtig hielten. Ein Faktor hierfür könnte die
Anspannung und Reaktion in der Testsituation mit der Kiste gewesen sein, durch die
sie ihre Fahrtüchtigkeit im Anschluss eventuell anzweifelten. Auch wurde nicht explizit
nach der Müdigkeit als Grund für die Fahruntüchtigkeit gefragt. Ebenfalls bot die Frage
einen Interpretationsspielraum, da die hypothetische Weiterfahrt ohne Fahrtlänge oder
Fahrtzeit abgefragt wurde.
Die kurzen Reaktionszeiten bei den Rückmeldungen auf die Reaktionsabfragen
über den gesamten Versuch zeigen, dass es den Probanden unabhängig von der Mü-
digkeit nicht schwer fiel, eine Lenkradtaste auf Aufforderung zu drücken. Durch den
langen Versuch könnten sich die Fahrer auf die Abfragen eingestellt haben, um auf diese
wie im Schlaf zu reagieren. Dieser Gewöhnungseffekt wurde auch über Lokführer im
Schienenverkehr (Lal, Lal, Fisher, Penzel & Agbinya, 2011) und in anderen vergleich-
baren Versuchen berichtet (Peter, 1980). Interessant ist, dass die Probanden mit einem
Intervall von 180 s zwischen zwei Abfragen nicht signifikant langsamer auf diese rea-
gierten als die Probanden mit sechsmal häufigeren Abfragen. Ein Grund hierfür könnte
116
sein, dass die Kontinuität der Abfragen trotz der Verlängerung zu einer Vorkonditionie-
rung und schnellen Reaktion führte. Erst kurz vor der Kistensituation gab es signifikant
unterschiedliche Reaktionszeiten zwischen den Probanden mit unterschiedlichen Abfra-
geintervallen. Ursache hierfür könnte sein, dass das Abfrageintervall von 180 s bei hohen
Müdigkeitsniveaus zu lang für die Erwartung einer Aufforderung zur Bestätigung ist.
Nahezu alle Probanden gaben an, dass die Reaktionsabfragen ihre Müdigkeit po-
sitiv beeinflusst hatte und sie durch sie wacher waren. Dies und die geringen Effekte
der Müdigkeit auf die Reaktionszeiten ist konsistent mit den Ergebnissen von Baulk,
La Reyner und Horne (2001). So ist es möglich, dass durch die Abfragen weitere Se-
kundenschlafereignisse oder längere Schlafphasen verhindert wurden. Eventuell hängen
auch die sicheren Fahrzeugübernahmen im gesamten Versuch von den Abfragen ab, was
auch L. Buck (1968) in seiner Studie schlussfolgerte. Da keine Unterschiede bei den un-
tersuchten Fragestellungen zwischen den beiden verglichenen Intervalllängen gefunden
werden konnte, scheint das zeitliche Intervall der Abfragen keinen signifikanten Einfluss
gehabt zu haben.
Die unterschiedliche Anzahl an Probanden in den einzelnen Gruppen, die die Kis-
tensituation automatisch ausgelöst hatten, legt eine Abhängigkeit hinsichtlich des Ver-
suchsbeginns und des Intervalls zwischen den Reaktionsabfragen nahe. Eine Erklärung
für die höhere Anzahl an Probanden bei den 30 s Intervallen könnte die höhere Frequenz
und größere Anzahl an Reaktionsabfragen sein. So wurden die Probanden mit 30 s In-
tervallen sechsmal häufiger gebeten, die Reaktionsabfrage zu bestätigen. Dadurch ist
die Chance eine Reaktionsabfrage zu verpassen ebenfalls um den Faktor sechs erhöht.
Durch die niedrige Zahl an verpassten Abfragen bei den Probanden mit 180 s Intervallen
konnte kein Indiz dafür gefunden werden, dass die höhere Gefahr des Einschlafens für
diese Probanden durch längere unbelästigte Zeitabschnitte eine Auswirkung auf die er-
folgreiche Rückmeldung von Reaktionsabfragen hatte. Eine weitere Erklärung, weshalb
die Probanden mit einer höheren Abfragefrequenz die einzelnen Abfragen häufiger nicht
bestätigten, könnte darin liegen, dass die Probanden es leid waren ständig gestört zu
werden und deshalb absichtlich eine Fahrzeugübernahme herbeiführten. Dieser Effekt
wurde in ähnlicher Form auch von Peter, Fuchs, Langanke, Meinzer und Pfaff (1983) als
physiologischer Stress der konstanten Abfragen und nötigen Rückmeldungen beschrie-
ben. Interessant ist, dass nur wenige Probanden die Reaktionsabfragen während der
Fahrt verpassten zu bestätigen. Die Auswertung der Übernahmen zeigte, dass die ver-
passten Reaktionsabfragen zum Teil beabsichtigt waren, da die Leute bereits die Hände
am Lenkrad hatten. Bei den übrigen fünf Probanden gab es zwei Probanden, die Reak-
tionszeiten auf die Übernahmeaufforderung von lediglich 120 und 320 ms hatten. Da die
Reaktion so schnell war und sie ansonsten keine verpassten Reaktionsabfragen hatten,
ist davon auszugehen, dass auch sie die Übernahme beabsichtigten oder lediglich zu spät
bei der Rückmeldung waren und in dieser Bewegung anschließend das Lenkrad ergriffen.
Von den übrigen drei Personen lösten zwei die Kistensituation auch durch eine verpasste
Reaktionsabfrage aus. Die Übernahmezeiten dieser drei Probanden auf die Übernah-
meaufforderungen nach Verpassen der Reaktionsabfrage liegen zwischen 1.5 und 3.7 s.
Dies ist am besten mit den Reaktionszeiten der Kurvensituation vergleichbar, deren An-
forderung sich mit denen einer verpassten Reaktionsabfrage ähnelte. Bei dem Vergleich
117
der Übernahmezeiten in der Kistensituation zeigte sich, dass die Übernahmezeiten in
der Testsituation nicht signifikant von den Zeiten der Probanden ohne verpasste Reak-
tionsabfrage vor Start der Testsituation abwichen. Dies legt den Schluss nahe, dass sich
die Übernahmezeiten hauptsächlich am Start der Übernahmeaufforderung orientieren.
So könnten der zugehörige Ton und die visuelle Aufforderung eine Signalwirkung ha-
ben, die sogar Probanden anspricht, die auf Reaktionsabfragen nicht mehr fortlaufend
reagierten. Die Übernahmeaufforderung könnte somit insgesamt trotz verpasster Reak-
tionsabfrage die Reizschwelle der müden Probanden überschritten haben.
Auch wenn es keinen Unterschied der subjektiven Müdigkeitsbewertungen zwi-
schen den Probanden, die früh und spät starteten, gab, legt die häufigere Auslösung
der Kistensituation den Schluss nahe, dass eine spätere Startuhrzeit zu einer Abnah-
me der Fähigkeit führte, auf die Reaktionsabfragen zu reagieren. Diese Ergebnisse sind
vergleichbar mit den Ergebnissen einer Studie von Verhaegen und Ryckaert (1986). So
fanden auch Verhaegen und Ryckaert eine erhöhte Anzahl an verspäteten Rückmeldun-
gen auf Reaktionsabfragen von Lokführern zu denselben Uhrzeiten wie in Studie 2. Die
vereinzelt auftretenden verspäteten Rückmeldungen führten dann in Studie 2 zu einer
Auslösung der Kistensituation. Diese Zusammenhänge könnten durch den Einfluss des
zirkadianen Rhythmus bedingt sein. Auch sind die KSS Stufen von acht oder neun even-
tuell nicht detailliert genug zwischen weiteren Unterkategorien der müdigkeitsbedingten
Fahruntüchtigkeit und ihrer Auswirkungen auf das Fahrerverhalten zu unterscheiden.
Im Vergleich der Übernahmezeiten auf eine Übernahmeaufforderung zeigte sich ein
Unterschied zwischen den verschiedenen Testsituationen, der so erwartet wurde. So er-
griffen die Probanden in der Unfallsituation das Lenkrad am schnellsten. Aufgrund des
sichtbaren Polizeiautos mit aktivem Blaulicht durch die Scheibe des vorausfahrenden
Fahrzeugs war dies zu erwarten. Gleiches gilt für die frühzeitig sichtbare Pannensituati-
on. Bei den Übernahmezeiten der anderen Testsituationen ist zusätzlich der Lerneffekt
der Probanden zu beachten. So war die Reaktion in der Testsituation mit dem brem-
senden Vorderfahrzeug allgemein am langsamsten. Da die Probanden die Bewertung
ihrer Leistung in dieser Testsituation allgemein signifikant schlechter sahen als die Aus-
führungen in den drei Folgesituationen, könnten sie die Zeit ihrer Reaktion angepasst
haben. Speziell durch die Übernahmezeiten bei der letzten anspruchsvollen Testsituation
zeigt sich, dass die Probanden die Fähigkeit einer schnellen Übernahme bei benötigter
schneller Reaktion trotz hoher Müdigkeit abrufen konnten. Besonders an der geringen
Standardabweichung und der kleinsten maximalen Reaktionszeit sieht man, dass es kei-
ne Person gab, die sich lange Zeit bis zur Reaktion ließ. Dies unterscheidet sich von den
vorhergehenden Testsituationen. Die weiteren Vergleiche zwischen den verschiedenen
Intervallen der Reaktionsabfragen und der Startzeit des Versuches implizieren keinen
Unterschied dieser Einflüsse auf die Übernahmezeiten und Bestätigen die Ergebnisse
von Wimmer (2014, Kapitel 5). Die Ursache für die einzige Signifikanz zwischen den
unterschiedlichen Intervallen bei der Unfallsituation könnte eher durch das Priming in
der Testsituation und entsprechend frühe Reaktionen begründet sein. So hatten 12 der
20 Probanden, die angaben vorausschauend gehandelt zu haben ein Intervall von 30 s
zwischen den Abfragen und lediglich acht ein Intervall von 180 s.
Der Vergleich der Übernahmen zwischen den müden und wachen Versuchsperso-
118
nen zeigt, dass die subjektive Müdigkeit der Fahrer keinen signifikanten Einfluss auf die
Reaktionsfähigkeit in Testsituationen hat. Dies bestätigt die Aussage von I. D. Brown
(1994), dass Müdigkeit und Leistung nicht zwingend zusammenhängen. Dies unterschei-
det sich von der Zunahme der Übernahmezeiten in Vigilanztests mit fortschreitender
Versuchsdauer. Allerdings könnte es sein, dass es eine Zunahme in der Übernahmezeit
und der Handlungszeit gab, die aufgrund eines fehlenden vergleichbaren Szenarios im
wachen bzw. müden Zustand der Fahrer nicht messbar war. Anders als bei Vigilanztests
gab es in der Studie 2 nur fünf Testsituationen, in denen der Proband wirklich gefordert
war. Dies könnte dazu beigetragen haben, dass die Probanden die Fahrzeugübernahmen
höher priorisierten und dadurch intuitiver und schneller als bei häufig aufeinanderfol-
genden Abfragen reagierten.
Im Gegensatz zu Vigilanztests oder allgemeinen Reaktionstests hat eine falsche
oder späte Reaktion auf Übernahmen aus dem hochautomatisierten Fahren in Form ei-
nes Unfalls ernste Folgen. Hierdurch erhöht sich die Anforderung zusätzlich. In allen fünf
Testsituationen gab es unterschiedliche Verkehrssituationen. Dies könnte zusätzlich einer
Gewöhnung und Langeweile der Probanden auf eine Reaktion von Abfragen anderer Art
vorgebeugt haben. Bei der letzten Kistensituation kommt hinzu, dass das nahe Hinder-
nis auf der Fahrspur der Probanden zusätzlich Adrenalin freigesetzt und den Probanden
einen Energieschub gegeben haben könnte. Trotz des müden Zustandes könnte dies die
Probanden kurzzeitig aus dem müden Zustand geholt und zu den gemessenen Reak-
tionen befähigt haben. Zusätzlich möglich ist, dass sich die Probanden speziell auf die
akustische und visuelle Aufforderung vor den Testsituationen verlassen und sich darauf
eingestellt haben. Dieser Fokus könnte eine unbewusste und intuitive Reaktion ausgelöst
haben, die dadurch schneller war.
Zur Bewertung der anschließenden Handlung nach der Übernahme und Einschät-
zung der Fahrleistung hinsichtlich einer guten und sicheren Übernahme wurde die deut-
sche Straßenverkehrsordnung (StVO, 2016) als Referenz zum sicheren Abstand zu Objek-
ten auf der Fahrbahn genutzt (siehe Kapitel 3.1). So war der Abstand zu allen Objekten
auf der Strecke stets größer als gefordert. Bezüglich dem zeitlichen Abstand zu einem
Vorderfahrzeug gibt die Straßenverkehrsordnung lediglich an, dass der Abstand so groß
sein muss, dass angehalten werden kann wenn das Vorderfahrzeug plötzlich bremst. So
gilt als allgemeine Faustformel außerhalb von Ortschaften: Abstand zum Vordermann
gleich halber Tachowert. Aufgrund des dynamischen Flusses und der Dichte im realen
Straßenverkehr ist es in der Praxis häufig nicht möglich, diese Faustformel während län-
gerer Fahrten stets einzuhalten. So werden in der Realität höhere Durchfahrtszahlen von
Fahrzeugen auf Fahrspuren gemessen, als es im Idealfall bei einem Sicherheitsabstand
von zwei Sekunden geben sollte (Drösser, 2003). Zusätzlich scheren speziell bei Überhol-
vorgängen häufig Fahrzeuge innerhalb des Sicherheitsabstandes ein und aus, ohne dass
ein Fahrer dies beeinflussen kann. Aus den daraus häufig resultierenden Erfahrungen mit
kleineren Abständen als zwei Sekunden auf Autobahnen wurde ein zeitlicher Abstand
zum Vorderfahrzeug von zwei Sekunden nicht als Grenze zum sicheren und unsicheren
Fahren gezogen. Hinzu kam, dass der zeitliche Abstand zum Vorderfahrzeug während
des hochautomatisierten Fahrens 1.8 s betrug und deshalb bereits so ohne negative Fol-
gen unterschritten wurde. Da der minimale Abstand zum Vorderfahrzeug im gesamten
119
Versuch 1.05 s betrug, ist diesbezüglich von einer sicheren Fahrzeugführung auszugehen.
Bei der subjektiven Einschätzung der Testsituationen bestätigten die Probanden,
dass die ersten vier Testsituationen eher eine geringe Kritikalität aufwiesen. Von den
ersten vier Testsituationen wurde lediglich die erste Übernahme inklusive Bremssitua-
tion schwieriger als die drei folgenden Übernahmen empfunden. Dies kann zum einen
daran liegen, dass die Probanden von dem Bremsen überrascht wurden oder sich bei der
Übernahme noch nicht so sicher waren. Dies wurde auch an der signifikant schlechteren
Bewertung ihrer Leistung in dieser Testsituation deutlich. Ein Einfluss der Müdigkeit
auf die Handlung konnte nicht gefunden werden. Die Auswertungen zeigten, dass das
Gefühl von Sicherheit von den Probanden unterschiedlich wahrgenommen wird. So gab
es keine signifikanten Differenzen im Abstand zum Vorderfahrzeug in der Bremssituation
von den Probanden, denen der Abstand zu nah war, gegenüber den weiteren Probanden,
die diesen als ausreichend empfanden.
Aufgrund der unterschiedlichen Sichtweisen der Fahrer wurden die ersten vier Über-
nahmen nicht an das Sicherheitsempfinden der Fahrer gekoppelt und jeweils als sicher
eingestuft, da in diesen der Abstand zu den Objekten auf der Fahrbahn laut der Straßen-
verkehrsordnung eingehalten wurde. Darüber hinaus wäre in keinem Fahrmanöver der
Testsituationen eine Unterstützung eines Assistenzsystems (Antiblockiersystem, elek-
tronisches Stabilitätsprogramm oder aktiver Bremsassistent) benötigt worden. Dies un-
terstreicht die sichere Beherrschung des Fahrzeugs außerhalb des Grenzbereiches. Da
in den ersten vier Testsituationen genau dies beabsichtigt war und diese hauptsächlich
zum Lernen des Ablaufes in einer Testsituation ausgelegt und parametriert waren, ist
dies nicht verwunderlich. Bei keinem der Gruppenvergleiche (unterschiedliche Startzei-
ten und Abfrageintervalle) zeigte sich zudem ein signifikanter Unterschied.
Im Hinblick auf die Kistensituation gab es einen signifikanten Unterschied des
Zeitpunktes des Spurwechsels der Probanden in Abhängigkeit zum Zeitpunkt zu dem
die Fahrt der Probanden begonnen hatte. Im Gegensatz hierzu gab es allerdings keinen
signifikanten Unterschied der einzelnen Gruppen bei der ersten Reaktion auf die Auffor-
derung zur Fahrzeugübernahme. Anders als beim Ergreifen des Lenkrades mussten die
Probanden für den Spurwechsel die Straßensituation realisieren, ihre Reaktion planen
und entsprechend eine angepasste Handlung ausführen. Der gesamte Entscheidungs- und
Handlungsprozess ist von der individuellen Situationswahrnehmung und der Einstufung
der Kritikalität der Testsituation abhängig und scheint bei der anspruchsvollen letzten
Testsituation von der Startzeit des Versuches beeinflusst worden zu sein. Obwohl ein
Großteil der Probanden, die die Kistensituation aufgrund einer verpassten Reaktionsab-
frage auslösten ebenfalls in der Gruppe mit der späten Startuhrzeit fuhren, handelten
diese in der Testsituation nicht signifikant später als die übrigen Probanden. Die spä-
tere Handlung war nicht auf Probanden zurückzuführen, die sich selbst aufgrund einer
hohen KSS als fahruntüchtig einstuften. Trotz der späteren Handlungen gelang es allen
Fahrern auch in der Kistensituation sicher und gut anhand der beschriebenen Kriterien
zu reagieren. Insgesamt wäre auch bei Fahrten auf der Straße keine Unterstützung durch
ein Assistenzsystem durch Erreichen des physikalischen Grenzbereiches benötigt worden.
Aufgrund der sicheren Übernahme kann nicht geschlussfolgert werden, ob die Probanden
mit späterem Versuchsbeginn lediglich später reagiert haben, weil sie die Testsituation
120
richtig abschätzten und wussten, dass eine spätere Reaktion trotzdem ausreichend war.
Erwartungsgemäß bewerteten die Probanden die Kistensituation im Vergleich zu
den vier vorhergehenden Testsituationen insgesamt als anspruchsvoller. So wurde die
zeitliche Anforderung der Handlung, Schwierigkeit und Kritikalität gegenüber allen an-
deren Testsituationen als höher bewertet. Da die letzte Testsituation speziell hierfür
ausgelegt war, bestätigt dies das Versuchskonzept. Betrachtet man die Rückmeldungen
allerdings in absoluten Zahlen, so bewerteten die Probanden auch die letzte Testsitua-
tion eher mit einer mittleren Schwierigkeit, Kritikalität und zeitlichen Handlungsanfor-
derung. Ein Grund hierfür könnte sein, dass die Testsituation durch den frühen Eingriff
der Probanden entschärft wurde und die Probanden dadurch den hohen Anspruch der
Testsituation im Falle eines Ersteingriffes am Ende der Übernahmezeit nicht erlebten.
Durch den Vergleich der Unfall- und Kistensituation zeigte sich, dass die Fahrer, die
in der einen Testsituation schnell reagierten, nicht zwangsläufig die waren, die auch in der
zweiten Testsituation schnell reagierten. Die negative Korrelation zwischen Übernahme
und Handlungszeit deutet allerdings darauf hin, dass sich Personen mit der eigentlichen
Handlung länger Zeit ließen, falls sie unter denen waren, die schneller übernahmen. Eine
Erklärung hierfür könnte sein, dass diese Personen prinzipiell schneller reagieren und
handeln könnten, die Testsituationen dies allerdings nicht erforderten. Dadurch ließen
sich die Probanden für die Handlung eventuell absichtlich länger Zeit. Andere Proban-
den, die später übernahmen, konnten nicht so viel Zeit verstreichen lassen und handelten
folglich schneller. Eine weitere Erklärung könnte sein, dass der grundsätzliche Entschei-
dungsprozess zur Handlung auch bei den Probanden die schneller übernahmen, genauso
lange dauerte wie bei den Probanden, die später übernahmen. So brachte die frühere
Übernahme des Fahrzeugs eventuell keinen Vorteil für eine schnellere Handlung.
Da prinzipiell kein Unterschied für die Handlungen der Probanden mit unterschied-
lichen Intervallen zwischen Reaktionsabfragen gefunden wurden, könnte man das Inter-
vall von 30 s im Schienenverkehr in Frage stellen. Dabei sollte beachtet werden, dass die
Aufgabe des Zugführers anders ist, als die des Fahrers eines Fahrzeugs mit hochauto-
matisiertem Fahren. So hat der Zugführer die Aufgabe die Schienen während der Fahrt
durchgängig zu beobachten und nötigenfalls sofort zu reagieren. Auch sichern die kur-
zen Abfrageintervalle im Schienenverkehr ab, dass der Zugführer nicht die Möglichkeit
hat, den Führerstand während der Fahrt zu verlassen, um beispielsweise auf die Toilette
oder ins Bistro zu gehen. Es ist schwieriger den Fahrzeugsitz eines Fahrzeugs zu verlas-
sen als den Führerstand in einem Zug oder das Cockpit im Flugzeug. Gleichzeitig stellt
das kurze Abfrageintervall sicher, dass ein Zug möglichst schnell zum Stillstand kommt,
sobald der Zugführer ernsthafte Gesundheitsprobleme hat und auf die Abfragen nicht
mehr reagiert. Anders als im Kraftfahrzeug sind in diesem Fall keine Assistenzsysteme
aktiv. Diese Punkte unterscheiden sich grundlegend von der Zielsetzung der Abfragen
im Führerstand eines Zuges und den Reaktionsabfragen im hochautomatisierten Fahren
in Fahrzeugen.
Ein Grund für die sichere Übernahme der Fahrer in dieser Studie könnte auch ge-
wesen sein, dass die Probanden das Bedien- und Anzeigekonzept sehr gut verstanden
hatten. Hierzu beigetragen hat sicher auch die Eingewöhnungsphase, in der die Pro-
banden jede einzelne Funktion und Bedingung des Systems testen konnten und so das
121
Vertrauen in dieses verstärkten.
Im Hinblick auf den hohen Anspruch der Testsituation gepaart mit einem hohen
Müdigkeitslevel, war die sichere und gute Reaktion der Fahrer so nicht zu erwarten. Die
Ergebnisse legen den Schluss nahe, dass Fahrer trotz hoher Müdigkeitslevel in der La-
ge sind, entsprechende Situationen zu meistern. Insgesamt implizieren alle Handlungen,
dass die Probanden trotz Müdigkeit in der Lage sind, für kurze Sequenzen sicher und
gut auf unterschiedliche Situationen zu reagieren. Insgesamt deuten die Ergebnisse zu-
dem darauf hin, dass die Häufigkeit der beiden Frequenzen der Reaktionsabfragen keinen
Einfluss auf die Übernahmefähigkeit in vergleichbaren Testsituationen hat.
122
8. Lidschlagdetektion in Studie 1 und
2 5
Ausgehend von einer Analyse des Lidschlusses der Fahrer während des manuellen und
hochautomatisierten Fahrens, sollten Unterschiede in der Verhaltensänderung während
des automatisieren Fahrens unter Müdigkeit festgestellt werden. Dies sollte es ermögli-
chen einen Ansatz für eine Klassifikation in reaktionsbereit und nicht reaktionsbereit zu
liefern. Im Hinblick auf die Nutzung einer Lidschlagdetektion hierfür ist es notwendig,
ein Verfahren und einen Algorithmus zu nutzen, die in beiden Fahrphasen den Öffnungs-
grad der Augen gut erkennen. Diese Kombination ist notwendig, da es dem Fahrer in
manchen Streckenabschnitten freigestellt ist, hochautomatisiert oder manuell zu fahren
und es zusätzlich Fahrabschnitte gibt, in denen eine manuelle Fahrt des Fahrers nötig
ist.
In diesem Kapitel werden deshalb verschiedene Verfahren zur Lidschlagdetektion
vorgestellt, die zur Auswertung der Studien 1 und 2 genutzt wurden. Als Grundlage
wird zu Beginn eine eigene genaue Definition eines Lidschlages als Basis für die Bestim-
mung der Detektionsgüte seiner Erkennung aufgezeigt. So muss festgelegt sein, welche
Abläufe zwingend zu einem Lidschlag gehören und welchen Mindestabstand die Lider
bei einem Lidschlag voneinander haben müssen. Erst im Anschluss können verschiedene
Verfahren zur Lidschlagdetektion hinsichtlich ihrer Erkennungsleistung in Referenz zu
den definierten Kriterien eingestuft werden.
In einem weiteren Schritt wird die Genauigkeit der Lidschlagdetektion mit ver-
schiedenen Verfahren verglichen und erläutert. Als Datenbasis für die Lidschlagdetektion
dienen die Aufnahmen mit der EOG-Messtechnik und den Kameraaufnahmen mit dem
Head-mounted Eye Tracker in Studie 1 und 2. Der Vergleich der beiden unterschiedlichen
Messverfahren soll einen Überblick über die Vor- und Nachteile der unterschiedlichen
Messtechniken in unterschiedlichen Fahr- und Fahrerzuständen geben. Hierzu werden
verschiedene Aufnahmefrequenzen des EOG-Signals (f1 und f2) und verschiedene kame-
rabasierte Algorithmen verglichen. Da die Analyse der Fahrer während langer manueller
und hochautomatisierter Fahrten das Ziel ist, soll eine möglichst optimale Detektion der
Lidschläge in verschiedenen Müdigkeitszuständen der Fahrer eine gute Grundlage zur In-
terpretation des Lidschlagverhaltens schaffen. Aus diesem Grund wird die Detektion von
Lidschlägen in verschiedenen Fahrerzuständen (wach und müde) verglichen. Diese Er-
gebnisse geben einen Anhaltspunkt darüber, welche Messverfahren und Auswertungen
in zukünftigen Studien zum hochautomatisierten Fahren unter denselben Randbedin-
gungen eingesetzt werden sollten, um das Fahrerverhalten optimal zu beobachten und
5Auszüge des Kapitels wurden von J. Schmidt, Laarousi et al. (2017) veröffentlicht
123
den Lidschlag der Fahrer automatisiert zu bestimmen. Da die Erkennungsleistung von
Lidschlagalgorithmen von anderen Forschergruppen während des hochautomatisierten
Fahrens bisher nicht publiziert wurden, geben die Auswertungen einen zusätzlichen Hin-
weis auf die Erkennungsleistung von Lidschlägen im direkten Vergleich zu bekannten
Auswertungen in manuellen Fahrten.
8.1. Eigene Definition einer Lidbewegung als Lidschlag
Aufgrund der großen Zahl an Einflussfaktoren (Rauschen, Umgebungsbedingungen, Stör-
faktoren) auf die messtechnische Aufnahme ist es im Allgemeinen nicht möglich eine
100 %ige Erkennung von Lidschlägen in Aufzeichnungen eines Fahrers zu erzielen (siehe
Kapitel 5.5). Aus diesem Grund sollte in Fahrstudien immer untersucht werden, wie hoch
die Erkennungsleistung der eingesetzten Messtechnik in aktuellen oder vergleichbaren
Aufnahmen zur durchgeführten Studie ist. Eine eindeutige Definition von Lidschlägen
soll es im ersten Schritt möglich machen, Lidschläge für Verfahren zur Lidschlagdetek-
tion zu labeln und vergleichbare Ergebnisse zu erhalten.
Bei der Analyse von Lidbewegungen eines Fahrers erkennt man bei detaillierten
Auswertungen deutliche Unterschiede. In Abbildung 8.1 sind hierzu beispielhaft verschie-
dene aufgezeichnete Phasen von vier Lidschlägen aus den Studien im Fahrsimulator zu
sehen. Die Bilder zeigen das aufgenommene Bild des Auges jeweils in Intervallen von 40
ms. Alle vier Sequenzen beinhalten eine deutliche Schließbewegung der Lider in relativ
kurzer Zeit, eine Phase mit verringertem Abstand zwischen oberem und unterem Lid
und eine anschließende Phase, in der sich die Lider wieder öffnen bzw. voneinander ent-
fernen. Im direkten Vergleich unterscheiden sich die vier Sequenzen allerdings stark im
minimalen Abstand zwischen dem oberen und unteren Lid während der Lidbewegungen.
Bei der Schließbewegung in Abfolge 1 von Abbildung 8.1 senkt sich das obere Lid,
bis es fast das untere Lid berührt. In dieser Abfolge ist das obere Lid soweit gesenkt,
dass die Pupille und die Iris des Probanden nicht mehr zu sehen sind. Trotzdem berührt
das obere Lid das untere Lid in keinem der aufgezeichneten Bilder. In der Bildabfolge 2
senkt sich das obere Lid ähnlich weit und berührt ebenfalls nicht das untere Lid. Im
Gegensatz zu Bildabfolge 1 ist die Blickrichtung des Probanden vor und nach der Lidbe-
wegung allerdings nach unten gerichtet. Dadurch wird maximal die Pupille während der
Lidbewegung verdeckt. Die Iris bleibt in der gesamten Abfolge sichtbar. In Bildabfolge 3
senkt sich das obere Lid nicht so weit wie bei den anderen beiden Lidbewegungen. Da-
durch bleibt ein geringer Teil der Pupille in den Bildern der Kamera sichtbar. Ähnlich
verhält sich dies in Bildabfolge 4, in der der verdeckte Teil der Pupille allerdings kleiner
ist als in den anderen zuvor beschriebenen Lidbewegungen.
Die vier Bildabfolgen verdeutlichen die starken Unterschiede bei Lidbewegungen
in Zusammenhang mit Lidschlägen und dem Verdeckungsgrad von Iris und Pupille. Eine
teilverdeckte Pupille während eines Lidschlages wurde bereits in anderen Untersuchun-
gen beobachtet (Kennard & Glaser, 1964; Kennard & Smyth, 1963). Je nach Definition
der Lidschlagdetektion durch verschiedene Forschergruppen werden so eventuell signi-
fikante Lidbewegungen ausgeschlossen, die andere Forscher zur Algorithmenevaluation
124
Abbildung 8.1.: Vier Bildverläufe zu Lidbewegungen
hinzuziehen. Speziell bei der Untersuchung des Müdigkeitszustandes eines Menschen
könnte eine eindeutige Kategorisierung von Lidschlägen je nach Lidspalte zusätzliche
Indizien liefern. So stellten W. O. Lee et al. in einer Studie fest, dass „ältere Männer
ihre Lider selten gesamt schlossen“ (W. O. Lee et al., 2010, S. 368). Die Häufigkeit und
die Unterschiede zu Lidschlägen mit Lidberührungen wurde in der Studie von W. O. Lee
et al. allerdings nicht quantifiziert. Eine Aufteilung der Lidschläge je nach Lidspalten-
abstand und ein Vergleich mit weiteren Faktoren, wie dem Müdigkeitszustand der Pro-
banden, wurde auch in weiteren Untersuchungen nicht durchgeführt.
Vergleicht man die Definitionen für Lidschläge aus Kapitel 5.5 mit Ergebnissen von
Untersuchungen zum Verlust der Sicht und visuellen Reizwahrnehmung, so sollte nicht
nur eine vollständig verdeckte Pupille als Lidschlag interpretiert werden. Wibbenmeyer,
Stern und Chen (2009) untersuchten in einer Studie, ab welcher Lidstellung zehn Pro-
banden die Außenwelt nicht mehr visuell wahrnahmen. Hierzu wurden die Probanden
angewiesen, bei einem akustischen Signal einen willentlichen Lidschlag so schnell wie
möglich auszuführen. Gleichzeitig hatten sie die Aufgabe im Nachhinein an den Lid-
schlag anzugeben, welche Zahl sie in einem zu beobachtenden Bildschirm gesehen hatten,
ob in diesem nichts angezeigt wurde oder sie nicht genau sagen konnten was angezeigt
wurde. Die Anzeige wurde dabei zeitlich nah zum Start des akustischen Signals geän-
dert. In der Studie konnten die Probanden bereits ab einem Zeitfenster von 60 - 70 ms
vor dem Minimum im aufgenommenen Lidschlagsignal nicht genau sagen, was in dem
Bildschirm zu sehen war. Als Bezugspunkt für den Lidschlag wurde das lokale Minimum
einer Spannungsänderung in einem EOG Signal nach der Aufforderung zum Lidschlag
benutzt. Obwohl die Studie keine Aussage über die reale Position des Lids in dem Zeit-
fenster liefert, legen die Ergebnisse eine Ausblendung der visuellen Reize der Außenwelt
trotz einer Sichtbarkeit der Pupille von außen nahe. So ist die Wahrscheinlichkeit hoch,
dass die Pupille 60 - 70 ms vor dem Minimum im EOG Signal noch zu sehen war, da die
125
Abbildung 8.2.: Die Unterteilung in vier Augenbereiche
Probanden die Aufgabe hatten so schnell wie möglich zu blinzeln. Diese Aufgabe lässt
eine relativ schnelle Lidschließphase vermuten. Dies bestätigt Ergebnisse aus der Studie
von Volkmann, Riggs, Ellicott und Moore (1982), die ebenfalls feststellten, dass insbe-
sondere während der Lidschließphase bereits visuelle Reize blockiert werden. Auf Basis
der Studie von Karson et al. (1981) mit einer mittleren Lidschlagdauer von insgesamt
200 ms und der Kenntnis, dass die Schließdauer allgemein schneller als die Öffnungsdauer
ist (Collewijn et al., 1985, Hargutt, 2003, Kapitel 7, Meinold, 2005, Kapitel 6) sollte die
Schließphase deutlich weniger als 100 ms betragen. Aus diesem Grund kann man schluss-
folgern, dass im Gehirn eine visuelle Information bereits fehlt, sobald eine Person eine
Bewegung der Lider vor einer Pupillenverdeckung startet. Obwohl ein Nachweis dieser
Ergebnisse in spontanen Lidschlägen nicht überprüft werden kann, wird angenommen,
dass die Ergebnisse auch auf diese Form des Lidschlages übertragbar sind.
Als Referenzpunkte für den Lidschlag und seine richtige Erkennung mit einem Al-
gorithmus zur Lidschlagdetektion, wurden deshalb die Mitte und der Rand der Pupille
im aufgenommenen Bild des Auges genutzt. Hiermit wurde das Auge während eines Lid-
schlages in vier Regionen unterteilt (Abbildung 8.2).
Um als Lidschlag zu gelten, musste eine Lidbewegung folgende Voraussetzungen erfüllen:
1. Die Lidspalte musste zu Beginn der Lidbewegung schrittweise kleiner werden, ein
lokales Minimum erreichen und wieder größer werden.
2. Das obere Lid musste die Pupille bei einer Lidbewegung so stark verdecken, dass
die Sicht des Probanden zum Großteil eingeschränkt ist. Dies ist sicher der Fall,
wenn die untere Kante des oberen Lids die Region R1 oder R2 (siehe Abbildung
8.2) erreicht.
3. Die Pupille musste zu Beginn und Ende der Lidbewegung vollständig oder zum
größten Teil sichtbar sein. Das obere Lid musste sich deshalb in R4 oder R3 befin-
den.
Bei der algorithmischen Detektion von Lidschlägen sollte das detektierte Fenster, in dem
ein Lidschlag vom Algorithmus prognostiziert wurde, ein Bild des Auges mit dem oberen
126
Lid in den Regionen R1 oder R2 enthalten. Auf Basis der Untersuchungen zu Lidschlägen
wurde dabei angenommen, dass eine fehlende visuelle Information an das Gehirn auch
ohne vollständige Pupillenverdeckung vorliegt. Aus diesem Grund wurden Lidschläge in
dieser Arbeit auch als Lidbewegungen ohne komplette Verdeckung der Pupille eingestuft
(Region R2). Als Kriterium für einen Lidschlag wurde lediglich eine Verdeckung der Pu-
pille von mehr als 50 % genutzt, da so der Großteil der Informationen im Bereich der
Fovea Centralis auf der Retina und somit des scharfen Sehens unterdrückt ist.
Damit die Detektion eines Algorithmus auch als wirklicher Lidschlag gelabelt wur-
de, sollte der exakte Start und Ende des Lidschlages nicht detektiert werden und lediglich
zusätzlich die oben beschriebenen Kriterien eins und drei erfüllt werden. Grund hierfür
ist, dass der genaue Beginn und das Ende eines Lidschlages schwierig festzustellen und
zu definieren sind. Details hierzu sind in Kapitel 5.2 und 5.5 erläutert.
In Abhängigkeit der geringsten Lidspalten während einer Lidbewegung, wurden
detektierte Lidschläge in zwei Gruppen unterteilt. Lidbewegungen, in denen das obere
Lid bis in die Region R1 kam, werden im Folgenden Aa, Lidbewegungen, in denen das
obere Lid lediglich R2 erreicht hatte werden Ab genannt.
Alle detektierten Lidbewegungen eines Algorithmus, die die drei geschilderten Kri-
terien eines Lidschlages nicht erfüllen, wurden wiederum in weitere Unterkategorien
unterteilt:
Ac Alle Lidbewegungen, in denen das obere Lid im Zeitraum zwischen detektiertem
Start und Ende der Lidbewegung lediglich in der Region R3 war, wurden als Ac
kategorisiert.
Ad Alle Lidbewegungen, die Kriterium zwei erfüllten, jedoch die Bedingungen eins und
drei nur innerhalb eines zusätzlichen Zeitfensters vor und nach dem detektierten
Start und Ende des Algorithmus erfüllten, wurden in diese Kategorie unterteilt.
Hierzu musste zusätzlich folgende Bedingung erfüllt sein:
4.: Die Bedingungen eins bis drei mussten alle innerhalb des detektierten Zeitfens-
ters durch den Algorithmus inklusive 200 ms vor und nach dessen detektiertem
Start und Ende erfüllt sein.
Ae Alle Lidbewegungen, in denen das obere Lid innerhalb des detektierten Starts und
Ende in der Region R1 oder R2 waren, allerdings die Zusatzbedingung vier nicht
erfüllten, wurden in diese Kategorie unterteilt.
Af Alle anderen Lidbewegungen, die in keine der bisher erwähnten Kategorien ein-
geteilt werden konnten, wurden in dieser Kategorie als Lidbewegungen ohne Lid-
schlagbezug zusammengefasst.
8.2. Lidschlagdetektion auf Basis von EOG-Aufnahmen
EOG ist eines der meistgenutzten Lidschlagdetektionsverfahren (Meinold, 2005, Kapi-
tel 4) und wurde deshalb neben den Kameraaufnahmen als zusätzliche Messtechnik zur
127
Fahrerbeobachtung eingesetzt. Abbildung 8.3 zeigt hierzu beispielhaft den Signalverlauf
eines Lidschlages im aufgezeichneten EOG-Signal (zwischen Sekunde 0.1 und 0.7).
400
300
200
100
0
0 0.2 0.4 0.6 0.8 1
Zeit in s
Abbildung 8.3.: Signalverlauf eines Lidschlages im EOG-Signal
Aufgrund seiner verbreiteten Anwendung und der guten Detektionsraten in Studien mit
manuellen Fahrten (Ebrahim, 2016, Kapitel 5, Jammes et al., 2008), sollte die Lidschlag-
detektion auf Basis von EOG genaue Informationen zum Lidschlagverhalten ermögli-
chen. Wegen der guten Ergebnisse mit der genutzten manuellen Fahrstudie für wache
und müde Probanden in Studie 1, kam das von Ebrahim et al. entwickelte Lidschlag-
detektionsverfahren zum Einsatz. Der Algorithmus zur Auswertung der EOG-Signale
bestand grob aus folgenden Schritten:
1. Die Ableitung des vertikalen EOG-Signals wurde mit einem Schwellwert verglichen,
um Phasen mit hohen Amplituden im Spannungssignal zu detektieren.
2. In der Ableitung des vertikalen EOG-Signals wurde nach einer Abfolge von drei
Vorzeichenwechseln gesucht, die (1) im Zusammenhang mit dem Start des Lidschla-
ges, (2) dem Maximum im Signal während des Lidschlusses und (3) dem Ende der
Öffnungsphase auftreten.
3. Auf Basis von Schritt zwei wurde das Minimum zwischen der Differenz von ers-
ter und zweiter Nullstelle und der zweiten und dritten Nullstelle der Werte im
vertikalen EOG- Signal ermittelt.
4. Alle Minima aus Schritt drei wurden normalisiert und mit einem 3-means Cluster
Algorithmus in drei Gruppen unterteilt.
5. Die Minima, die sich in der Klasse mit den höchsten Spannungswerten befanden,
wurden als Lidschläge in der wachen Phase klassifiziert. Alle Werte in der mittleren
der drei Gruppen wurden als Lidschläge in der müden Phase klassifiziert. Als
Grund für die geringeren Differenzen der Spannungswerte in der dritten Klasse
kamen Sakkaden und lange Lidschlüsse in Frage.
6. Für alle Minima aus Schritt drei, die die geringsten Spannungsdifferenzen der drei
Gruppen im vorhergehenden Schritt hatten, wurde die Amplitude zwischen Start
128
Spannungsdifferenz in µV
und Ende der Detektionen berechnet. Diese Amplituden wurden anschließend mit
einem 2-means Cluster Algorithmus geteilt, um Sakkaden von langen Lidschlüssen
zu trennen. Falls es nicht möglich war, die Amplituden in zwei Klassen zu tei-
len, wurden die Amplituden auf Basis des 95. Perzentils aller Amplituden in zwei
Gruppen geteilt.
7. Die Amplituden des Spannungssignals zwischen Beginn und Ende aller potentiel-
len Lidschläge wurden mit einem 2-means Cluster Algorithmus in zwei Gruppen
unterteilt, um Lidschläge zu unterscheiden, die gekoppelt mit Sakkaden oder ohne
Blickwechsel stattfanden.
8. Horizontale Sakkaden wurden äquivalent zu Schritt eins auf Basis des horizontalen
EOG-Signals detektiert und die Detektionen aus der Menge potentieller Lidschläge
ausgeschlossen.
Eine detaillierte Beschreibung und Hintergründe zum Vorgehen innerhalb der einzelnen
Schritte sind in der Veröffentlichung von Ebrahim et al. (2013) beschrieben.
8.3. Bildverarbeitung der Videos des Head-mounted Eye
Trackers
Die Lidschlagdetektion mit Hilfe des Head-mounted Eye Trackers besteht im Gegensatz
zur Detektion mit EOG durch die Bildverarbeitung aus einem zusätzlichen Schritt. Dies
erhöht zum einen die Komplexität, bietet allerdings auch die Möglichkeit, Lidschläge
über unterschiedliche bildverarbeitende Ansätze zu detektieren. Durch die Aufnahmen
des Eye Trackers, die beispielhaft in Abbildung 8.1 zu sehen sind, liegen sehr hochauf-
gelöste Ausgangsbilder vor. Positiv ist zusätzlich, dass die Lidschlagdetektion durch das
Tragen der Kamera auf einem Brillengestell nicht durch Kopfbewegungen des Trägers
beeinflusst wird. Hinzu kommt, dass die Augenregion im Gegesatz zu einem Remote Eye
Tracker nicht aus einem Ausgangsbild der Aufnahme des gesamten Gesichts detektiert
werden muss.
Als Basis für die Lidschlagdetektion mit Hilfe des Head-mounted Eye Trackers
kamen insgesamt drei bildverarbeitende Verfahren zum Einsatz. Diese lieferten jeweils
ein Ausgangssignal für die weitere Signalanalyse. Die drei Bildverarbeitungsalgorith-
men wurden alle auf Basis von aufgenommenen Kamerabildern des Head-mounted Eye
Trackers Dikablis von der Forschergruppe für Technische Informatik an der Universität
Tübingen entwickelt. Da in den Studien 1 und 2 ebenfalls dieselbe Messtechnik einge-
setzt wurde und in der Beschreibung der bildverarbeitenden Verfahren gute Ergebnisse
berichtet wurden, bot sich eine Verwendung dieser Algorithmen an. Zusätzlich wurden
von der Forschergruppe bei der Entwicklung und zum Test Bilder aus realen Fahrstudien
verwendet, was dem eigenen Anwendungsfall mit Fahrten im Fahrsimulator nahe kam.
129
Verfahren zur Detektion der Lidspalte
Eines der eingesetzten Verfahren zur Bildverarbeitung wurde von Fuhl et al. (2016)
entwickelt. Ziel des Verfahrens ist es, einen Wert für die Größe der Lidspalte in einem
aufgenommenen Bild des Auges zu detektieren. Zur Lidspaltendetektion wird folgende
Vorgehensweise genutzt:
1. Umskalierung des Bildes unter Berücksichtigung dunkler Bildabschnitte zur Re-
duktion von Rauschen und Rechenleistung.
2. Filterung des Bildes und Ausgabe einer Likelihood-Karte für die Position der Au-
genlider.
3. Detektion der Kante des oberen und unteren Lides.
4. Curve-Fitting der oberen und unteren Kante mit einer Bézier Kurve und den End-
punkten der gegenüberliegenden Kante als Kontrollpunkte.
5. Berücksichtigung eines Smearing-Artefakts und Kombination der Kurven durch
eine Ellipsendetektion.
6. Berechnung des Nebenscheitels der Ellipse.
Der berechnete Nebenscheitel entspricht der geschätzten Lidspalte zum Zeitpunkt des
aufgenommenen Bildes. Der Wert der Lidspalte wird dabei in Relation zur Auflösung des
Kamerabildes in Pixeln ausgegeben. Die Höhe eines sehr weit geöffneten Auges im Video
der Augenkamera hatte dabei etwa eine Größe von 144 Pixel. In einem Vergleich mit
einem weiteren Verfahren von Y. Lee, Micheals, Filliben und Phillips (2013) konnte von
Fuhl et al. gezeigt werden, dass der Fehler bei der Schätzung der Lidspalte in einem Ver-
gleich von 1100 Bildern um bis zu 40 % reduziert ist. Für eine ausführliche Beschreibung
des eingesetzten Verfahrens wird auf die Veröffentlichung von Fuhl et al. (2016) verwie-
sen. Im Folgenden wird das resultierende Signal aus der Bildverarbeitung zur Angabe
der Größe der Lidspalte L1 genannt. Abbildung 8.4 zeigt beispielhaft den Signalverlauf
desselben Lidschlages im Bereich 0.1 bis 0.7 s wie Abbildung 8.3 im L1-Signal. Zu beach-
ten ist, dass der Signalwert trotz geschlossenen Lides in diesem Fall nicht 0 Pixel wird.
Grund hierfür ist, dass die Bildverarbeitung bei geschlossenen Lidern Schwierigkeiten
hat, die Kante des oberen und unteren Lides zu detektieren, weshalb Lidschläge häufig
nicht einen Lidabstand von 0 Pixeln erreichen.
Verfahren zur Detektion der Pupille
Das zweite Verfahren zur Bildverarbeitung wurde von Fuhl, Kübler, Sippel, Rosenstiel
und Kasneci (2015) entwickelt. Ziel des Verfahrens war es, die Position, Größe und
Existenz der Pupille im Kamerabild zu detektieren. Hierzu wurden folgende Teilschritte
genutzt:
130
100
80
60
40
20
0
0 0.2 0.4 0.6 0.8 1
Zeit in s
Abbildung 8.4.: Signalverlauf eines Lidschlages im L1-Signal
1. Normalisierung und Analyse des Grauwerthistogramms zur Detektion eines dunklen
Bereiches im Kamerabild.
2. Falls das Histogramm ein eindeutiges Maximum im Grauwerthistogramm enthielt,
wurde weiter wie folgt vorgegangen:
3. Filterung des Bildes mit einem Kantenfilter (Canny, 1986).
4. Ausschluss aller Pixel im gefilterten Bild, die nicht auf einer längeren Linie mit
mehr als ein Pixel Dicke oder einer Krümmung lagen.
5. Ausschluss einzelner Linien und Separierung der übrigen Linien durch Prüfung des
Winkels in den Schnittpunkten.
6. Verbindung einzelner Linien mit umliegenden Linien und Ausschluss gerader Linien
durch Berechnung des geometrischen Schwerpunktes.
7. Auswahl der längsten Linie, die an der Innenseite ihrer Kurvenform den geringsten
euklidischen Abstand zum geometrischen Schwerpunkt des dunkelsten Bereiches im
Kamerabild aufwies.
8. Ellipsendetektion auf Basis der Linie aus dem vorhergehenden Schritt mit der
Direct Least Square Methode.
Wurde im Histogramm nach dem ersten Schritt kein einzelnes, eindeutiges Maximum
gefunden, wurde ein alternatives Vorgehen gewählt:
2b. Separierung der dunklen Bereiche mit Hilfe eines Schwellwertes für die Grauwerte
der Pixel.
3b. Analyse der Separierungen mit der Angular Integral Projection Function (AIPF;
Mohammed, Hong & Jarjes, 2012) und Berechnung von vier jeweils 45◦ zueinander
gedrehten Linien.
4b. Wahl der Mitte der Pupille als Schnittpunkt zweier orthogonaler Linien oder als
Mitte zwischen mehreren Schnittpunkten.
131
Lidabstand in Pixel
5b. Wurde mindestens ein Schnittpunkt gefunden, so wurden die Grauwerte in der
lokalen Umgebung untersucht und je nach Verteilung die geschätzte Position der
Pupillenmitte angepasst.
6b. Separierung eines lokalen Bereiches um die geschätzte Pupillenmitte mit Hilfe eines
von Schritt 2b. abweichenden Schwellwertes.
7b. Berechnung des Randes der Fläche aus dem vorhergehenden Schritt.
8b. Anwendung der Schritte drei bis fünf.
9b. Schnittpunktberechnung zwischen vier Linien auf Basis der geschätzten Pupillen-
mitte und der Kante aus Schritt 8b.
10b. Ellipsendetektion mit Hilfe des Ergebnisses aus Schritt 9b.
Die Schritte 2b. - 10b. wurden ebenfalls ausgeführt, wenn das Ergebnis der Ellipsende-
tektion nicht zu dem Ergebnis der Analyse des Grauwerthistogrammes in den Schritten
zwei bis sieben passte. Konnten mit dem alternativen Weg bei Schritt 4b keine Schnitt-
punkte in den einzelnen Analyserichtungen gefunden werden, so wurden die Schritte zwei
bis sieben durchgeführt. Führte keine der beiden Analysewege zu einer Detektion der
Pupille, so wurde eine aktuelle Verdeckung der Pupille durch das Lid angenommen. Auf
Basis der Pupillendetektion kann mit dem Algorithmus die Position der Pupillenmitte
im Kamerabild, die Höhe und Breite der Pupille sowie die Rotation der Ellipse ermittelt
werden. Zusätzlich gab ein Signal an, ob die Pupille und Pupillengröße detektiert wurde
oder nicht. In einem Vergleich des Algorithmus auf Basis von 39000 Bildern mit zwei
weiteren Verfahren (Li, Winfield & Parkhurst, 2005 und Świrski, Bulling & Dodgson,
2012) konnte eine deutlich bessere Detektion der Pupille gezeigt werden. Weitere Einzel-
heiten zu dem Verfahren sind in der Veröffentlichung von Fuhl et al. (2015) beschrieben.
Das binäre Signal des Algorithmus, das angab, ob die Pupille oder Teile dieser erkannt
wurden, wird im Folgenden L2 genannt.
Helligkeits- und bewegungsbasiertes Verfahren
Das Verfahren von Appel et al. (2016) nutzte als Basis für eine Lidschlagdetektion die
Helligkeit und deren Änderung im Kamerabild der Augen. Folgendes Vorgehen wurde
dabei angewendet:
1. Von jedem Einzelbild wurde ein Grauwert auf Basis eines festen Perzentilwertes
Pw und der Grauwerte der Einzelpixel berechnet. So wird beispielsweise bei einer
Wahl von Pw = 50 der Median der aktuellen Grauwerte aller einzelnen Pixel be-
rechnet. Entsprechend berechnet Pw = 0 oder 100 den minimalen bzw. maximalen
Grauwert im aktuellen Bild.
2. Die einzelnen Aufnahmen des Auges wurden verzerrt, um Rauscheinflüsse zu mi-
nimieren.
132
3. Jedes einzelne Pixel zwischen zwei aufeinanderfolgend Bildern wird verglichen und
die absolute Änderung der Grauwerte der einzelnen Pixel berechnet. Anschließend
wird die Summe der absoluten Änderungen aller einzelnen Pixel zwischen zwei
Bildern gebildet.
Durch diese Schritte entstanden zwei Signale, die den Zustand der Helligkeit im Bild
und die Zustandsänderung dieser im Kamerabild beschreiben. Das Signal basierend auf
der Perzentilberechnung aus Schritt eins wird im Folgenden L3 und das zur Helligkeits-
änderung aus Schritt drei L4 genannt.
8.4. Lidschlagdetektion mit Verfahren aus der Literatur
Alle vorgestellten bildverarbeitenden Verfahren lieferten die Ausgangssignale L1, L2, L3
und L4, die zur Detektion von Lidschlägen verwendet werden können. Im Gegensatz
zum Signal L1 des ersten Verfahrens können Lidschläge mit einer Analyse der anderen
Signale lediglich indirekt erkannt werden. Durch die direkte Messung der Augenöffnung
steht das Signal des ersten Verfahrens somit ebenfalls im Gegensatz zur Detektion von
Lidschlägen mit dem Spannungssignal bei EOG, da Lidschläge mit EOG ebenfalls nur
indirekt detektiert werden können.
Mit Hilfe einfacher signalverarbeitender Verfahren wie der Nutzung eines Schwell-
wertes war es nicht möglich, Lidschläge bei verschiedenen Probanden mit den Signalen
L1, L2, L3 und L4 zu erkennen. Grund hierfür könnten Signalrauschen, fehlerbehaftete
Detektionen der Algorithmen und hohe inter- und intraindividuellen Unterschiede bei
den Probanden sein. Aus diesem Grund war eine verbesserte Signalverarbeitung notwen-
dig. In einem ersten Schritt wurden hierzu mehrere signalverarbeitende Verfahren aus
der Literatur implementiert.
Verfahren von Bergasa et al.
Das Ziel von Bergasa et al. (2006) war es, Lidschläge von Fahrern zu detektieren. Hierzu
extrahierten sie die Augenregion eines Fahrers in einem Kamerabild. In diesem Bild-
ausschnitt detektierten sie die Form der Pupille durch eine Ellipsendetektion. Mit Hilfe
des Verhältnisses zwischen Neben- und Hauptachse entstand ein Signal, dass den Ver-
deckungsgrad der Pupille beschrieb. Darüber hinaus wurde mit einem binären Signal
aufgezeichnet, ob die Pupille erkannt wurde oder nicht. Da die Pupille aufgrund der
Position der Augenkamera des Head-mounted Eye Tracker in den eigenen Studien auch
ohne Verdeckung der Pupille fast nie ein Verhältnis von eins zwischen Halb- und Ne-
benachse hatte, wurde eine Bildverarbeitung zur Erzeugung dieses Signals nicht imple-
mentiert. Mit den Signalen L1 und L2 wurden stattdessen äquivalente Ausgangssignale
genutzt. Zur Lidschlagdetektion auf Basis der beiden Signale wurde der von Bergasa et
al. (2006) vorgestellte Zustandsautomat genutzt. Je nach aktuellem Signalzustand wird
die Position und Sichtbarkeit des Auges in sechs Zustände kategorisiert. Mit Hilfe der
Zeitpunkte des Überganges zwischen zwei Zuständen (Closing state bzw. Opening state
zu Tracking OK, siehe Bergasa et al., 2006) kann anschließend der Beginn und das Ende
133
eines Lidschlages bestimmt werden. Für den Übergang zwischen einzelnen Zuständen im
Zustandsautomat nutzen Bergasa et al. (2006) 80 % geschlossene bzw. geöffnete Augen.
Da nicht klar definiert ist, wann ein Auge komplett offen bzw. geschlossen war, wurden
komplett geöffnete Augen vereinfacht als Durchschnittswert aller Werte oberhalb des
94 %-Perzentils des L1-Signals in einem Intervall von zwei Minuten berechnet. Komplett
geschlossene Augen entsprachen dem 2 %-Perzentil des L1-Signals. Entsprechend wurden
die Schwellwerte von 80 % geschlossenen bzw. geöffneten Augen mit Hilfe dieser zwei
Werte bestimmt. Für weitere Details zum Zustandsautomat und den Übergängen wird
auf die Beschreibung von Bergasa et al. (2006) verwiesen.
Verfahren von Sukno et al.
Für ihre Lidschlagdetektion mit einem Remote Eye Tracker nutzten Sukno et al. (2009)
den Abstand von Landmarks auf dem oberen und unteren Lid. Der Abstand der Land-
marks beider Augen wurde gemittelt und bildete ein Signal äquivalent zu L1. Zur Lid-
schlagdetektion wurde anschließend wie folgt vorgegangen:
1. Der Lidabstand wurde in einem Zeitfenster mit drei Quantilen (25, 50 und 75 %)
unterteilt. In dieser Studie wurde als Zeitfenster zwei Minuten gewählt. Die drei
Werte, die diese Quantile unterteilen, werden im Folgenden Q1, Q2 und Q3 genannt
wobei Q3 < Q2 < Q1 gilt.
2. Zur Bestimmung von Lidschlägen wurde Aout = Q3 - 1.5·(Q1 - Q3) gebildet.
3. Der Mittelwert A100 aller Extrema unterhalb von Aout wurde ermittelt.
4. A80 = 0.8·(Q2 - A100) wurde berechnet.
5. Aus der Menge aller Extrema aus Schritt drei wurden alle Werte unterhalb von
A80 entfernt und als detektierte Lidschläge gewertet.
6. Schritt drei, vier und fünf wurden iterativ mit den Extrema wiederholt, die nicht
als detektierte Lidschläge gewertet wurden. Die Iteration wurde fortgesetzt, bis in
Schritt fünf kein weiteres Extremum als Lidschlag gewertet wird.
Für weitere Details zu den einzelnen Schritten wird auf die Beschreibung von Sukno et
al. (2009) verwiesen. Als Start und Ende eines Lidschlages wurden die Schnittpunkte
mit Aout genutzt.
Verfahren von Appel et al.
In der Veröffentlichung von Appel et al. (2016) wurde neben der Beschreibung zur Er-
mittlung von L3 und L4 ebenfalls ein Verfahren zur Lidschlagerkennung auf Basis dieser
beiden Signale vorgestellt. Anders als die beiden Verfahren von Bergasa et al. (2006) und
Sukno et al. (2009) basierte die Lidschlussdetektion nicht auf einem deterministischen
Ansatz. Stattdessen wurde ein Random Forest Klassifikator (Ho, 1995) trainiert, um
Lidschläge aufgrund einer gelernten Signalcharakteristik in den Signalen zu erkennen.
Das Vorgehen war dabei wie folgt:
134
1. Ein Labelling Experte markierte Lidschläge in einem Video der Augenkamera.
2. Der Random Forest Klassifikator mit 100 Bäumen wurde mit mehreren Signal-
abschnitten einer festen Framelänge fl des Signals L3, L4 und der gelabelten In-
formation, ob ein Lidschlag in den Abschnitten vorliegt oder nicht, trainiert. Die
Anzahl der Signalabschnitte mit Lidschlägen war beim Training dabei gleich groß
wie die Anzahl der Abschnitte ohne Lidschläge. Der Perzentilwert Pw des Signals
L3 wurde hierzu für alle Signalabschnitte auf einen festen Wert zwischen fünf und
90 gesetzt.
Dem trainierten Klassifikator konnte nach dessen Training ein Signalabschnitt derselben
Länge fl übergeben werden. Für diesen gab der Klassifikator einen Wert zur Einschät-
zung eines Lidschlages zwischen 0 und 1 aus, wobei 1 ein sicher klassifizierter Lidschlag
ist. Das resultierende Signal wird im Folgenden L5 genannt. Abbildung 8.5 zeigt beispiel-
haft den Signalverlauf desselben Lidschlages wie in Abbildung 8.3 und 8.4 im Bereich
0.1 bis 0.7 s im L5-Signal. Speziell die Lidschließ- und öffnungsphase hatten einen hohen
Klassifikationswert.
1
0.8
0.6
0.4
0.2
0
0 0.2 0.4 0.6 0.8 1
Zeit in s
Abbildung 8.5.: Signalverlauf eines Lidschlages im L5-Signal
8.5. Test der Lidschlagdetektion mit den Verfahren aus
der Literatur
Alle genutzten Detektionsverfahren für Lidschläge aus der Literatur (Appel et al., 2016;
Bergasa et al., 2006; Ebrahim et al., 2013; Sukno et al., 2009), berichten über sehr gu-
te Erkennungsraten mit Hilfe ihrer Verfahren. Die Forschungsergebnisse der einzelnen
Arbeiten sind in Kapitel 4 beschrieben. In keiner der Veröffentlichungen zu den Algo-
rithmen ist allerdings die Definition der gelabelten Lidschläge und die Kategorisierung
in wahre Lidschläge und falsche Detektionen detailliert beschrieben. Dadurch sind die
Detektionsraten in den durchgeführten Tests der Forscher lediglich als Indiz für die Per-
formance in den eigenen Aufnahmen und der detaillierten Lidschlagdefinition in dieser
Arbeit zu sehen. Da die Datenbasis und Anwendung der Algorithmen in dieser Studie
zudem anders als in den vorgestellten Veröffentlichungen ist, wurden die unterschied-
lichen Verfahren mit eigenen Aufnahmen getestet. Durch die Nutzung der Messdaten
135
Klassifikationswert eines Lidschlusses
von verschiedenen Fahrmodi (hochautomatisiertes und manuelles Fahren), unterschied-
lichen Aufnahmefrequenzen (f1 gegenüber f2), unterschiedlichen Fahrerzuständen (müde
gegenüber wach) und Algorithmen auf Basis unterschiedlicher Aufnahmetechniken und
Signalverarbeitungen (EOG gegenüber mehreren kamerabasierten Verfahren), wurden
verschiedene Fahrabschnitte aus den Studien 1 und 2 analysiert. Aufgrund des hohen
Aufwandes des Labelns von Videos durch die Labelling Experten musste der Test auf
kürzere Fahrabschnitte aus den Studien beschränkt werden, weshalb nicht die gesamten
Fahrten analysiert werden konnten.
Für die Auswertung der Messdaten mit verschiedenen Fahrerzuständen wurden aus
beiden Studien exemplarisch Fahrphasen mit dem Zustand wach aus Zeitabschnitten ge-
wählt, in denen die Probanden sich mit einer KSS kleiner sieben bewerteten. Für den
Zustand müde wurden Zeitabschnitte mit einer KSS gößer sechs gewählt. Dies basierte
auf der zweiklassigen Unterteilung von Ebrahim et al. (2014). Zusätzlich wurden die
Probanden vor der Fahrt angewiesen, ihren Müdigkeitszustand lediglich mit einer KSS
von acht oder neun zu bewerten, wenn sie sich selbst aufgrund ihrer Müdigkeit nicht
mehr als fahrtüchtig einstufen würden. Aus diesem Grund ist anzunehmen, dass die
Probanden mit einer KSS gleich sieben in der Übergangsphase zur müdigkeitsbedingten
Fahruntüchtigkeit bereits ein Müdigkeitslevel erreicht hatten, welches sich auf die Lid-
schlagcharakteristik auswirken könnte. Durch die Bewertung der Lidschlagalgorithmen
in dieser Übergangsphase zusammen mit zu müden Probanden, wurden eventuell auf-
tretende Effekte der ersten Anzeichen von Müdigkeit somit ebenfalls ausgewertet. Die
vier Auswertungsphasen werden im Folgenden mit MW (manuell, wach), MM (manuell,
müde), HW (HAF, wach) und HM (HAF, müde) abgekürzt.
Da einer der Probanden aus der manuellen Fahrstudie 1 seine Müdigkeit während
der Fahrt nicht mit einer KSS von sieben oder höher bewertete, konnte von diesem ledig-
lich ein Abschnitt in der wachen Phase bewertet werden. Aus diesem Grund wurde die
Lidschlagerkennung in Studie 1 für 14 Probanden in der wachen und 13 Probanden in
der müden Phase durchgeführt. Um eine vergleichbare Anzahl an Probanden aus Studie
2 auszuwerten, wurden zufällig 16 Probanden mit validen EOG Aufnahmen zu gleichen
Anteilen aus den vier Untergruppen der Studie 2 gewählt (FK; SK; FL; SL). Alle zufäl-
lig gewählten Probanden aus Studie 2 bewerteten sich mit einer KSS kleiner und größer
bzw. gleich sieben. Aus den Zeitabschnitten mit müden und wachen Bewertungen der
Probanden in beiden Studien wurden jeweils zwei zusammenhängende Fahrminuten mit
Hilfe des Zufallsalgorithmus von Wong und Easton (1980) gewählt. Hierbei wurde si-
chergestellt, dass die Fahrphasen aus der manuellen Studie nicht aus einem Abschnitt
während einer KSS-Abfrage, einer Sprachaufgabe oder eines zweiminütigen Abschnittes
im Anschluss an eine KSS-Abfrage gewählt wurden. Bei der Wahl der Abschnitte aus
Studie 2 wurde sichergestellt, dass HAF während des gesamten Intervalls am Stück ak-
tiviert war und dass kein Zeitabschnitt aus einem zweiminütigen Fenster während und
nach einer KSS-Abfrage oder einer Testsituation gewählt wurde. Aufgrund der häufigen
Reaktionsabfragen (zum Teil 30-sekündige Frequenz), wurden Fahrphasen mit Reakti-
onsabfragen nicht ausgeschlossen. Insgesamt wurden so Daten von 118 Minuten Fahrt
in der Evaluation ausgewertet.
In den untersuchten Fahrabschnitten gab es insgesamt 2941 Lidschläge der Ka-
136
Tabelle 8.1.: Überblick der Ground-Truth Daten
Überblick Manuelle Fahrt HAF
Wach Müde Wach Müde
2-minütige Abschnitte 14 13 16 16
Lidschläge (GTa und GTb) 655 875 737 674
Anteil von GTa 487 (74.4 %) 718 (82.1 %) 641 (87.0 %) 674 (83.4 %)
Anteil von GTb 168 (25.6 %) 157 (17.9 %) 96 (13.0 %) 112 (16.6 %)
tegorie Aa und Ab, die auf Basis des Videos des Head-mounted Eye Trackers und der
Kriterien in Kapitel 8.1 bestimmt wurden. Die detektierten Lidschläge wurden unabhän-
gig von der Länge der Lidschlüsse betrachtet und im ersten Schritt ohne Start und Ende
gelabelt. Im Folgenden werden diese Ground-Truth-Daten in Abhängigkeit der beiden
Kategorien Aa und Ab als GTa und GTb beschrieben. Tabelle 8.1 gibt einen Überblick
über die gesamte Anzahl der einzelnen Lidschläge in den unterschiedlichen Intervallen.
Zur Verifikation der zugrunde liegenden Ground-Truth-Daten wurden diese von vier
Labelling Experten unabhängig voneinander gelabelt. Die Übereinstimmung der Bewer-
tungen des Labelling betrug im Mittel 98.5 % für die manuellen und 95.6 % für die
hochautomatisierten Fahrten. Als Basis für die weiteren Bewertungsschritte wurde je-
weils das Ergebnis der Mehrheit der Labeller bzw. eine zufällige Wahl zwischen den
Einzelbewertungen bei gleicher Verteilung deren Anzahl genutzt.
Bei einem Vergleich der Anzahl der Lidschläge der Kategorie GTa mit einem t-Test
für abhängige Stichproben und GTb mit einem Wilcoxon-Test für abhängige Stichpro-
ben zwischen der wachen und müden Phase, konnten keine signifikanten Unterschiede
festgestellt werden [GTa: t(28) = -1.27, p = .21; GTb: z = -1.03, p = .31]. Gleiches gilt
auch für die Anzahl der Lidschläge der Kategorie GTa im Vergleich zwischen manueller
und hochautomatischer Fahrt [t(57) = 1.04, p = .31]. Im Vergleich der Häufigkeiten der
Lidschläge der Kategorie GTb gab es allerdings einen signifikanten Unterschied (exakter
Mann-Whitney U-Test: z = -3.11, p = .002).
Für den Vergleich der Güte der Algorithmen auf Basis der Ground-Truth-Daten,
Kapitel 5.5 und der Definition von Lidschlägen in Kapitel 8.1, wurden drei Gütemaße
berechnet: Die True-Positive-Rate (TPR, Gleichung 8.1), die lidschlagabhängige False-
Detection-Rate (FDRBR, Gleichung 8.2) und die False-Detection-Rate ohne Teil eines
Lidschlages (FDRNBR, Gleichung 8.3).
= |Aa|+ |Ab|TPR
|GTa|+
· 100% (8.1)
|GTb|
137
= |Ac|+ |Ad|+ |Ae|FDRBR + · 100% (8.2)|Aa| |Ab|+ |Ac|+ |Ad|+ |Ae|+ |Af |
= |Af |FDRNBR · 100% (8.3)|Aa|+ |Ab|+ |Ac|+ |Ad|+ |Ae|+ |Af |
|Ai| beschreibt die Anzahl der detektierten Lidbewegungen, die der Algorithmus detek-
tierte und die durch ein Label der Kategorie Ai mit i = a, b, c, d, e, f kategorisiert wurden.
Äquivalent gilt dies auch für |GTi|. Die falschen Detektionen der Algorithmen auf Basis
der verschiedenen Unterteilungen in Kapitel 8.1 wurden in fehlerhafte lidschlagabhängige
Detektionen und fehlerhafte Detektionen, die nicht lidschlagabhängig waren, unterteilt.
Grund hierfür ist, dass die fehlerhaften lidschlagabhängigen Detektionen sehr ähnlich zu
richtig detektierten Lidschlägen waren. So detektierten die Algorithmen in den Gruppen
Ad und Ae nicht den richtigen Start oder das Ende. Ebenfalls sollte die Unterteilung der
Daten in mehrere Untergruppen einen zusätzlichen Aufschluss über das Ergebnis der
Algorithmen, spezifische Detektionsprobleme und eventuell auch Ursachen der Falsch-
detektion aufgrund des Lidschlagverhaltens der Fahrer zeigen. Zusätzlich konnte eine
Zugehörigkeit der Detektionen aus Gruppe Ac zu Gruppe Ab aufgrund der Abtastrate
der Kamera zum Labeln von 25 Hz nicht komplett ausgeschlossen werden. Nimmt man
eine Belichtungszeit der Augenkamera von zwei Millisekunden an, so wird das Auge im
Video der Augenkamera für einen Zeitraum von 38 ms nicht aufgenommen. Durch die
schnellen Lidbewegungen bei einem Lidschlag kann deshalb eine stärkere Verdeckung
der Pupille gerade im Randbereich zwischen R2 und R3 nicht ausgeschlossen werden
und nur bedingt durch die Nutzung einer Kamera mit einer höheren Aufnahmefrequenz
ausgeglichen werden.
Gleichzeitig stellt sich die Frage, ob das Zeitintervall zwischen zwei einzelnen Bil-
dern der Augenkamera so groß ist, dass eine Lidbewegung der Kategorie Af mit dem
oberen Lid in der Region R4 nicht ebenfalls ein Lidschlag der Kategorie Ab sein könn-
te. Aus diesem Grund wurde dies auf Basis physiologischer Gegebenheiten untersucht.
Die Größe der Pupille wurde wie von Young und Sheena (1975) berichtet in einem
Bereich zwischen zwei und acht Millimeter angenommen. Eine maximale Lidgeschwin-
digkeit beim Lidschließen erreicht laut Collewijn et al. (1985) 280 mm/s und beim Öffnen
100 mm/s. Bei dieser Betrachtung wird die Position der Kamera zur Detektion vernach-
lässigt. Würde man die Lidbewegung mit den maximalen Geschwindigkeiten als konstant
über den gesamten Vorgang des Lidschließens und -öffnens annehmen, so würde die mi-
nimale Dauer für eine Lidbewegung des oberen Lides von der oberen Kante der Pupille
bis über die Hälfte der Pupille und zurück bei einer Pupillengröße von zwei Millimetern
circa 13.6 ms betragen (Weg von einem Millimeter mit 280 mm/s + Weg von einem
Millimeter mit 100 mm/s). Da die Muskeln des Lides allerdings keine Geschwindigkeits-
sprünge der Bewegung von der einen in die andere Bewegungsrichtung vollziehen können,
ist diese Zeit nicht realistisch. So wird die Lidbewegung bis zum geringsten Lidabstand
erst gebremst und anschließend wieder entgegengesetzt beschleunigt. Für die bremsen-
de Geschwindigkeitsänderung von 280 mm/s auf 0 mm/s kann man basierend auf den
138
Angaben von Collewijn et al. (1985) einen Zeitraum von minimal 30 ms annehmen. Im
Folgenden wird mit demselben Zeitraum auch für die Beschleunigung des Lides von 0
auf 100 mm/s gerechnet.
Unter der Annahme, dass die Summe der Kräfte der Lidmuskeln die Bewegung die-
ser beeinflusst, wird die Beschleunigung der Lider als konstant angenommen. Mit diesen
Randwerten kann eine realisitische Abschätzung für den Verlauf der Lidbewegung gege-
ben werden. Da die beiden Bewegungen unterschiedlich schnell sind, müssen hierzu zwei
unterschiedliche Funktionen erstellt werden. Für die Position des Lides im Verlauf der
Lidschließung im Ursprung si0 = 0 mm als Tiefpunkt beim Lidschluss zum Zeitpunkt
t0 = 0 ms und t−1 = -30 ms als maximale Geschwindigkeit von vimax = 280 mm/s davor
ist dies:
si(ti) =
1
2 · a
2
i0 · ti + vi0 · ti + si0 (8.4)
Für den Verlauf der Lidöffnung mit dem Zeitpunkt tj = 0 ms als geringsten Lidabstand
sj0 = 0 mm und einer maximalen Geschwindigkeit vjmax = 100 mm/s zum Zeitpunkt
t1 = 30 ms als maximale Geschwindigkeit bei der Öffnung ist dies:
sj(tj) =
1
2 · a
2
j0 · tj + vj0 · tj + sj0 (8.5)
Ausgehend von diesen zwei Funktionen in Abhängigkeit der Zeit kann man die minimale
Zeit berechnen, die nötig ist, um das obere Lid ein Millimeter nach unten und wieder zu-
rück zu bewegen. Im Folgenden wird der Worst Case der Pupillengröße (zwei Millimeter)
angenommen. Zusätzlich nutzt man die bekannten Zusammenhänge:
si(t0) = sj(t0) = si0 = sj0 = 0 mm (8.6)
Gleichzeitig muss die Geschwindigkeit des Lides zum Zeitpunkt t0 jeweils 0 mm/s sein,
wodurch folgt:
mm
s′i(t0) = s′j(t0) = vi0 = vj0 = 0 (8.7)s
Mit den beiden Größen vimax und vjmax sowie den beiden Ableitungen der Gleichungen
8.4 und 8.5 folgen:
mm 28000 mm
s′i(t−1) = ai0 · −30 ms = 280 ⇔ ai0 =s 3 2 (8.8)s
und
139
s′j(t−1) = aj0 · 30 ms = 100
mm ⇔ = 10000 mmaj0 3 2 (8.9)s s
Setzt man diese Zahlen in die Gleichungen 8.4 und 8.5 ein, kann man die minimale
Zeit timin und tjmin für die Lidbewegung über eine Strecke von einem Millimeter durch
Umformen nach ti und tj berechnen:
1 = 28000 mmmm 6 2 · t
2
imin ⇔ t2
6
imin = 28000 2 ⇔ timin = 14.6 ms (8.10)s s
und
1 = 10000 mmmm 6 2 · t
2 2 6
s imin
⇔ tjmin = 10000 2 ⇔ tjmin = 24.5 ms (8.11)s
Die Summe dieser Zeiten beträgt 39.1 ms. Abbildung 8.6 zeigt den betrachteten Fall in
einer Übersicht. Angenommen wird eine Augenaufnahme zum Zeitpunkt der gestrichel-
ten Linien. Berechnet wurden die Zeiten timin und tjmin.
Abbildung 8.6.: Übersicht des betrachteten Worst Case Falls einer Lidschlagaufnahme
Zu beachten ist, dass die Annahmen lediglich eine Näherung auf Basis der Angaben
von Collewijn et al. (1985) und konstanter Beschleunigungen sind. Trotzdem zeigen
die Ergebnisse, dass eine Aufnahmefrequenz der Kamera von 25 Hz aufgrund der Be-
lichtungszeit ausreichen sollte, um eine eindeutige Unterscheidung der Lidbewegungen
zwischen den beiden Regionen R4 und R2 und somit Af und Ab vorzunehmen. Gleiches
gilt für die Lidbewegungen der Gruppen Ac und Aa. Die Annahmen und Berechnungen
stellen den Worst-Case Fall dar und werden in der Realität speziell in den Fahrstudien
und dunklen Umgebungsbedingungen durch eine größere Pupillengröße und langsamere
Lidbewegungen mit hoher Wahrscheinlichkeit nicht auftreten.
Der Einfluss der verschiedenen geschilderten Faktoren aus Kapitel 5.5 sollten bei
dem Vergleich der beiden Studien gering sein. Hard- und Softwareeinflüsse sind bis auf
140
den Vergleich zwischen Kamera und EOG durch die Verwendung derselben Messtechnik
in den Studien vernachlässigbar. Bei den umwelt- und studienbedingten Einflüssen sind
die äußeren Bedingungen bis auf den Unterschied im Fahrstil vergleichbar. Somit sollten
Unterschiede im Lidschlagverhalten zu einem Großteil auf die unterschiedlichen Fahrstile
und das Verhalten der Probanden zurückgehen. Andere subjekt- und verhaltensabhän-
gige Unterschiede (Make-up, Augenphysiognomie) sind ebenfalls vernachlässigbar.
8.5.1. Ergebnisse der Lidschlagdetektion mit dem EOG-Verfahren
Zur Überprüfung der Detektionsrate der Algorithmen wurde mit dem Labelling der
detektierten Lidbewegungen mit dem EOG Signal der Frequenz f1 (Algorithmus a1) an-
gefangen. Bei der Einstufung von detektierten Lidschlägen wurde das Video des Auges
zwischen Start- und Endbild (Zeitpunkte sl und el) der Detektionen auf Einzelbildbasis
betrachtet und so die Lidbewegung und der geringste Abstand zwischen oberem und un-
terem Lid ermittelt. Hierbei wurden alle Abschnitte, die der Algorithmus als Lidschlag
ausgab, anhand der Kriterien in Kapitel 8.1 bewertet. Der Algorithmus erkannte einen
Großteil der Lidschläge richtig (siehe Tabelle 8.2). Aufgrund dessen und des sehr aufwän-
digen Labelling Prozesses, wurden die detektierten Bereiche, die das Label Aa und Ab
hatten, bei detektierten Abschnitten mit demselben Algorithmus bei einer geringeren Si-
gnalfrequenz (Algorithmus a2: EOG mit einer Aufnahmefrequenz von f2) mit den bereits
gelabelten Bereichen verglichen. Bei einer vollständigen Überlappung der detektierten
Intervalle wurde das gelabelte Ergebnis des Algorithmus a1 übernommen. So wurde das
Ergebnis von 62 % aller detektierten Intervalle aufgrund einer vollständigen Überlap-
pung in der manuellen und 68 % in der hochautomatisierten Studie übernommen und
musste nicht erneut gelabelt werden. Zu beachten ist, dass sich diese Werte lediglich auf
Lidschläge beziehen, die mit dem Algorithmus a1 als Aa und Ab gelabelt wurden.
Lag der detektierte Bereich des Algorithmus a2 zu mindestens P1 = 80 % im sel-
ben Bereich eines als Lidschlag (Aa oder Ab) gelabelten Bereiches des Algorithmus a1 bei
einer Gesamtlänge der Detektion von ∆t = el−sl ≤ 500 ms, wurde das Label für den De-
tektionsabschnitt des Algorithmus a2 ebenfalls übernommen. In diesem Fall wurde das
Video nicht erneut angeschaut. Falls der Zeitabschnitt ∆t zwischen sl und el länger als
500 ms war, musste die Schnittmenge zwischen einer Detektion mit dem Algorithmus a2
und dem als Lidschlag berechneten Bereich größer sein als = (1 - 100 msP2 ∆ )·100 %. Dast
Label wurde übernommen falls P2 eingehalten wurde und der Detektionsabschnitt nicht
erneut angeschaut. Dieses Vorgehen basierte auf den Messungen von Stern et al. (1984)
zur Dauer des Schließvorganges der Lider und der Dauer der Lidöffnung für längere Lid-
schlüsse, sowie Beobachtungen während des Labelns (Überprüfung der gesamten Daten
von fünf Probanden und weiteren Stichproben). Durch die prozentuale Überlappung der
Intervalle und der Aufnahmefrequenz der Augenkamera, konnte ein Abschnitt von a2,
der nicht erneut betrachtet wurde und P1 oder P2 erfüllte, maximal 80 ms kürzer sein als
der Referenzabschnitt auf Basis von a1. Alle detektierten Lidbewegungen der Algorith-
men a2, die eine kleinere Schnittmenge als P1 oder P2 hatten oder komplett außerhalb
von den als TP gelabelten Abschnitten waren, wurden jeweils einzeln angeschaut und
141
gelabelt. Bei der manuellen Studie waren dies 10 % und bei der hochautomatisierten
Studie 6 % der detektierten Intervalle.
Falls innerhalb des Starts und Ende im Video einer detektierten Lidbewegung mehr
als ein realer Lidschlag vorkam, wurde lediglich ein Lidschlag innerhalb der Kategorie mit
dem kleinsten Lidabstand als detektiert gewertet. Im Vergleich mit der gesamten Anzahl
an Ground-Truth Lidschlägen wird der zweite Lidschlag somit als nicht detektiert gewer-
tet. Dieser Fall trat pro evaluiertem Algorithmus mit EOG oder auch in Auswertungen
mit der Kamera jeweils in weniger als 44 Fällen auf. Dies entspricht einem Einfluss von
maximal 1.5 %.
Tabelle 8.2 enthält alle richtig detektierten Lidbewegungen der Kategorie TPR
mit dem EOG-Algorithmus von Ebrahim et al. (2013). Eine detaillierte Tabelle mit den
Ergebnissen der einzelnen Unterkategorien ist dem Anhang in Tabelle D.1 beigefügt. Zu
beachten ist, dass die Ergebnisse der Lidschlagdetektion in Tabelle 8.2 und aller folgender
Tabellen zu Ergebnissen der Lidschlagdetektion Mittelwerte und Standardabweichungen
zeigen, obwohl die Zahlen jeweils nicht normalverteilt sind. Begründung hierfür ist, dass
das Ergebnis von Lidschlagdetektionen in allen zitierten Arbeiten jeweils in dieser Form
berichtet werden und so eine rudimentäre Vergleichbarkeit besteht. Im Anhang in Ta-
belle D.3 befinden sich der Vollständigkeit halber auch die Mediane der Auswertungen.
Alle Beschreibungen zu den einzelnen Raten werden im folgenden Text immer in Bezug
auf den Mittelwert und die Standardabweichung gemacht.
8.5.2. Labelling mit der Signalverarbeitung von Bergasa et al.
Zur Bewertung des angepassten Algorithmus von Bergasa et al. (2006) (im Folgenden
a3 genannt) wurden die detektierten Bereiche ebenfalls mit dem Algorithmus a1 ver-
glichen. Dabei gab es nahezu keine Übereinstimmungen anhand der Kriterien P1 und
P2. Auch erfüllten die detektierten Intervalle nicht die Definitionen eines Lidschlages in
Kapitel 8.1, was das Verfahren von Bergasa et al. (2006) für eine Lidschlagdetektion
anhand der bisherigen Definition disqualifizierte. Auf Basis der angesetzten Kriterien
hätte das Verfahren somit nahezu keinen Lidschlag richtig erkannt. Ein naheliegender
Grund ist, dass der implementierte Algorithmus den Vorgaben der Lidschlagdefinition in
der Veröffentlichung entsprach. Zur Vergleichbarkeit der Ergebnisse in dieser Arbeit, mit
den Detektionsergebnissen aus der Veröffentlichung, wurden die potentiellen Lidschläge
deshalb in einem zweiten Schritt direkt auf Basis der individuellen Detektionskriterien
von Bergasa et al. (2006) bewertet. Die genaue Vorgehensweise war dabei wie folgt: Eine
Detektion wurde als korrekt gewertet, sobald lediglich ein Frame innerhalb der Zustands-
übergänge einer Detektion auch zu einem TPR auf Basis des Algorithmus a1 gehörte.
Zusätzlich wurden Detektionen als TPR gewertet, falls innerhalb der detektierten zeit-
lichen Grenzen ein Lidschlag auf Basis der Kriterien dieser Arbeit anfing oder endete.
Sobald mehrere Detektionen von Bergasa im Zeitraum eines einzelnen Lidschlages waren,
wurden diese als FDRBR gelabelt. Alle übrigen Detektionen die nicht den Definitionen
einer lidschlagabhängigen Detektion dieser Arbeit entsprachen und auch keine Über-
schneidung mit einem TP des Algorithmus a1 hatten, wurden bei der Berechnung der
FDRNBR berücksichtigt. Durch die angepasste Bewertung wurde das Detektionsergeb-
142
Tabelle 8.2.: Detektionsergebnis in % mit den Algorithmen a1 bis a4 (M ± SD)
Fahrstil Label a1 a2 a3 a4
Wach Müde Wach Müde Wach Müde Wach Müde
Manuell TPR 94±5 92±13 91±7 89±13 53±19 50±22 62±38 54±45
FDRBR 6±11 2±2 5±8 2±2 8±5 12±9 18±22 20±32
FDRNBR 2±2 1±1 4±4 2±2 51±28 37±25 19±27 13±20
HAF TPR 81±20 69±22 71±20 60±24 52±26 33±24 47±46 22±38
FDRBR 8±11 11±14 11±13 14±21 18±20 28±27 18±31 26±38
FDRNBR 4±6 4±6 5±8 2±4 36±19 34±27 12±20 9±26
nis mit dem Algorithmus aufgrund eines geänderten Bewertungsschemas im Vergleich
zu der Veröffentlichung nicht negativ beeinflusst. So sind die Ergebnisse des angepass-
ten Labelling direkt mit den Ergebnissen in der veröffentlichten Arbeit vergleichbar und
bieten trotzdem einen Anhaltspunkt für die Güte des Algorithmus auf Basis der eigenen
Daten. Die Detektionsraten auf Basis des Algorithmus sind in der Tabelle 8.2 aufge-
führt. Zu beachten ist, dass die Ergebnisse aufgrund des angepassten Labelling anders
als bei den Algorithmen a1 und a2 zustande kamen. Durch die individuelle Anpassung
des Labelling ist das Ergebnis dahingehend beeinflusst, dass die Ergebnisse für die bei-
den EOG-Algorithmen härteren Kriterien unterlagen. Da sich die True-Positive-Rate
bei dem Labelling durch die Anpassung änderte, wurden die detektierten Abschnitte
der Algorithmen nicht in den Unterkategorien der Definition in Kapitel 8.1 aufgelistet.
8.5.3. Labelling mit dem Verfahren von Sukno et al.
Bei der Bewertung der Lidschlagdetektion mit dem Verfahren von Sukno et al. (2009)
(im Folgenden a4 genannt) wurde äquivalent zum Vorgehen von Bergasa et al. (2006)
verfahren. Auch hier gab es nahezu keine Übereinstimmung der Detektionen mit den
Definitionen in Kapitel 8.1. Zur Vergleichbarkeit mit den Ergebnissen aus der Veröf-
fentlichung wurde deshalb gleich wie bei bei dem Labelling mit a3 vorgegangen. Als
Lidschläge wurden die Zeitabschnitte zwischen den Schnittpunkten mit Aout genutzt.
Die Detektionsraten mit dem Verfahren von Sukno et al. (2009) sind ebenfalls in
Tabelle 8.2 aufgelistet. Zu beachten ist, dass die Ergebnisse wie bei Algorithmus a3 auf
einer individuellen Anpassungen des Labelling basieren. Gegenüber den Kriterien für die
Algorithmen a1 und a2 sind die Kriterien für einen TP einfacher zu erfüllen.
8.5.4. Labelling mit dem Verfahren von Appel et al.
Anders als die anderen Algorithmen, ist das Verfahren von Appel et al. (2016) (im Fol-
genden a5 genannt) abhängig von Sequenzen mit und ohne Lidschlägen. Mit diesen wird
143
es im ersten Schritt trainiert. So kann das Verfahren nicht ohne trainiertes Vorwissen
angewendet werden. In der Veröffentlichung von Appel et al. (2016) ist nicht replizierbar
beschrieben, wie ein Lidschlag zum Trainieren und Testen definiert war und wie dessen
Start und Ende festgelegt wurde. Aus diesem Grund wurden der Start- und Endpunkt
der detektierten TP mit dem Algorithmus a1 innerhalb der zweiminütigen Abschnitte als
Ausgangsbasis für das Training benutzt. Alle weiteren Lidschläge, die der Algorithmus
a1 nicht oder nicht vollständig detektiert hatte, wurden einzeln manuell hinzugefügt.
Der Start- und Endpunkt der Lidbewegung wurde subjektiv von zwei unabhängigen
Labelling Experten festgelegt und miteinander abgeglichen. Als Kriterium wurde eine
vertikale Lidbewegung aus der Ruheposition oder nach einer Sakkade als Startpunkt und
ein Stoppen der Lidbewegung oder der Übergang in eine Sakkade nach dem Lidschlag
als Ende des Lidschlages festgelegt.
Vergleicht man die Länge der Lidschläge aus der Arbeit von Appel et al. (2016)
(M = 7.9, SD = 1.7, N = 2410) mit der Länge der Lidschläge aus den Intervallen
der wachen, manuellen Fahrt (M = 17.3, SD = 17.3, N = 655) in den ausgewerte-
ten Studien, so ist die Länge der Lidschläge in den eigenen Daten signifikant länger
[t(696.604) = -49.04, p < .001]. Die genaue Auflistung der Lidschlaglängen ist in Tabelle
8.3 zusammengefasst.
Der Vergleich der Lidschlaglängen wurde probandenunabhängig durchgeführt.
Aufgrund von Varianzheterogenität wurde der Test mit angepassten Freiheitsgraden
durchgeführt. Da die Detektionsrate mit EOG zwischen den vier einzelnen Intervallen
der Kombinationen müde/wach und manuell/hochautomatisiert nicht gleich ist und so-
mit unterschiedlich viele Sequenzen von den Labelling Experten hinzugefügt wurden,
wurde die Lidschlaglänge zwischen den einzelnen Intervallen statistisch nicht verglichen.
In einem zweiten Schritt wurden die gelabelten Lidschläge zum Training des Algo-
rithmus übernommen. Aufgrund der unterschiedlichen Lidschlaglänge und Beleuchtungs-
situation wurde die Fensterlänge fl und der Perzentilwert Pw für die Helligkeit aus der
Veröffentlichung von Appel et al. (2016) nicht ungeprüft übernommen. Zur Ermittlung
der optimalen Werte für die zwei Parameter auf Basis der eigenen Daten wurden die
Abschnitte mit enthaltenen Lidschlägen mit einer gleichen Anzahl zufällig gewählter
Abschnitte ohne Lidschläge mit dem von Appel et al. (2016) geschilderten Vorgehen
ergänzt. Mit Hilfe der Leave-one-out Kreuzvalidation auf Basis der gesamten Sequenzen
wurden anschließend verschiedene Perzentil- und Fensterlängen getestet. Als Perzentile
wurden gleich wie bei Appel et al. (2016) die Werte Pw = 5, 10, 15, 20, 25, 30, 35,
40, 50, 60, 70, 80 und 90 genutzt. Da die Länge der Lidschläge in den gelabelten Daten
länger war, wurden Fenster der Länge fl = 2 bis einschließlich 24 getestet. Nach dem
Training mit einer spezifischen Kombination aus Pw und fl wurden ereignisbasierte Er-
gebnisse mit den ausgewählten Sequenzen für verschiedene Perzentil- und Fensterlängen
ermittelt.
Ergebnis dieses Vergleiches war, dass zu jedem der vier unterschiedlichen Sequenz-
abschnitte (MW, MM, HW, HM) jeweils unterschiedliche Kombinationen aus Fenster-
länge und Perzentilwert passen. Zur Bestimmung der optimalen Kombination wurde der
F1-Wert aller 299 Kombinationen aus Fensterlänge und Perzentilwert für jede Menge an
Sequenzabschnitten bestimmt. Der F1 Wert berechnet sich wie folgt:
144
Tabelle 8.3.: Länge der Lidschläge in Appel et al. (2016) und eigenen Daten
Intervalllänge ]Lidschläge von Manuell HAF
in ms Appel et al. (2016) Wach Müde Wach Müde
Aa Ab Aa Ab Aa Ab Aa Ab
160 5 0 0 0 0 0 0 0 0
200 69 0 0 0 0 0 0 0 0
240 316 0 0 0 0 0 0 0 0
280 699 0 1 3 0 2 2 0 0
320 683 1 1 0 0 7 5 6 1
360 349 2 2 5 0 9 7 13 8
400 156 6 2 8 0 23 6 24 9
440 65 5 2 17 0 38 7 46 16
480 33 30 9 46 6 41 15 45 8
520 19 37 26 34 14 56 10 49 9
560 4 58 12 65 13 54 9 40 5
600 2 54 19 70 15 53 9 48 8
640 2 37 17 73 17 40 7 46 7
680 1 44 8 64 14 49 6 36 4
720 1 47 23 57 20 43 2 35 3
760 4 45 8 64 8 41 4 18 4
800 1 26 12 32 8 23 5 14 1
840 0 24 11 28 11 25 1 18 1
880 0 17 4 29 3 25 3 13 4
920 0 16 2 23 7 14 0 7 2
960 0 4 2 13 4 12 0 11 1
1000 0 9 2 14 3 13 0 7 1
>1000 1 25 5 73 14 75 1 88 20
145
F1 = 2 ·
TP
2 + + (8.12)· TP FP FN
Die besten F1-Werte für die verwendeten zweiminütigen Abschnitte wurden mit fl = 9
und Pw = 0.15 für MW (80.6 %), fl = 13 und Pw = 0.5 für MM (75.0 %), fl = 17 und
Pw = 0.4 für HW (82.2 %) und fl = 11 und Pw = 0.7 für HM (76.5 %) erzielt. Der
beste F1-Wert von Appel et al. (2016) betrug im Vergleich hierzu 96.4 %. Zu beachten
ist, dass zur Berechnung des Wertes analog zu Appel et al. (2016) eine Gewichtung mit
der Anzahl der gesamten Lidschläge und nicht der einzelnen Probanden erfolgte. Dies
verzerrt die Ergebnisse zu Gunsten der Probanden mit den meisten Lidschlägen.
Gewichtet man die einzelnen Probanden unabhängig von der Anzahl ihrer Lid-
schläge gleich, so ist der beste Wert bei den Kombinationen fl = 17 und Pw = 0.4 für
MW (82.8 %), fl = 11 und Pw = 0.7 für MM (79.3 %), fl = 9 und Pw = 0.15 für HW
(86.0 %) und fl = 13 und Pw = 0.5 für HM (85.7 %).
Zur einheitlichen Auswertung aller Abschnitte wurde fl = 10 und Pw = 0.5 ge-
wählt. Diese Werte lieferten in den unterschiedlichen Fahrstilen und den Zuständen der
Probanden im Durchschnitt sehr gute F1-Werte in der ereignisbasierten Auswertung.
Insgesamt kommt diese Parameterwahl nahe an die jeweiligen Maxima heran (gleiche
Gewichtung der Probanden: MW= 80.2 %; MM = 77.3 %; HW= 83.6 %; HM = 79.4 %).
Bei der Wahl von fl und Pw wurde berücksichtigt, dass eine Auswertungslänge von
400 ms im Rahmen der angegebenen Lidschlaglängen von anderen Forschergruppen (Ka-
pitel 5.2) liegt. Appel et al. (2016) rät ebenfalls eher zu kürzeren Abschnitten, da längere
Auswertefenster bei kürzeren Lidschlussdauern nur durch eine künstliche Verlängerung
der Lidschlagsequenz erreicht werden können und dadurch eventuell zusätzlich einen Teil
eines weiteren Lidschlages enthalten. So war 400 ms bei Appel et al. (2016) eine Schwel-
le, ab der die Detektionsrate von Lidschlägen nicht mehr zunahm. Der Perzentilwert für
die Helligkeit wurde ebenfalls in Anlehnung an Appel et al. (2016) gewählt, da er auch
in den eigenen Daten gute Ergebnisse zeigte.
Die berichteten Ergebnisse mit der ereignisbasierten Auswertung sind nicht di-
rekt vergleichbar mit den Testergebnissen der anderen Auswertungen basierend auf den
Algorithmen a1 bis a4. Im Gegensatz zu diesen werden lediglich kleine Ausschnitte der
gewählten zweiminütigen Sequenzen untersucht. Summiert man die Abschnitte zwischen
den einzelnen Start- und Endzeitpunkten der Lidschläge von jedem Proband, so traten
in MW 447.6 s (26.6 %), MM 633.8 s (40.6 %), HW 701.9 s (36.6 %) und HM 1141.9 s
(59.5 %) mit Lidschlägen auf. Je nach Proband schwankt die verwendete Länge der Se-
quenzen mit Lidschlägen allerdings sehr stark und liegt insgesamt zwischen 7.3 s (6.1 %)
und 112.4 s (93.4 %) in den einzelnen Abschnitten über 120 s. Diese Intervalle wurden
zum Training und Test zusätzlich um weitere Intervalle von jeweils denselben Proban-
den ergänzt, in denen keine Lidschläge auftraten. Als Folge gab es Abschnitte ohne
Lidschläge, die mehrmals genutzt werden mussten, um die gleiche Intervalllänge zu den
Abschnitten mit Lidschlägen zu bilden. Zusätzlich wurde bei der ereignisbasierten Aus-
wertung jeweils ein fixes Fenster mit einem Lidschlag untersucht. Eine leichte Verschie-
146
bung des Fensters könnte die Detektionsrate ebenfalls stark beeinflussen. Im Hinblick auf
die Übertragbarkeit der Ergebnisse auf die gesamten manuellen und hochautomatisier-
ten Fahrten mit mehreren Stunden Fahrtzeit kann mit den Ergebnissen somit keine gute
zeitbasierte Aussage hinsichtlich falschen und fehlenden Detektionen getroffen werden.
Insgesamt zeigen sich dadurch mehrere Vor- und Nachteile des Vorgehens:
Vorteile:
- Jeder gelabelte Lidschlag wird entweder zum Training oder Test genutzt.
- Gleicher Anteil an Intervallen mit und ohne Lidschlägen zum Training oder
Test.
Nachteile:
- Das lernende Verfahren orientiert sich beim Training an Probanden, die viele
Lidschläge haben.
- Ein Teil der Sequenzen ohne Lidschläge kommt mehrmals im Training und
Test vor.
- Ein Teil der Sequenzen wird nicht zum Training und Test genutzt.
- Eine Aussagefähigkeit für die Güte des Algorithmus für gesamte Zeitabschnit-
te ist nicht möglich.
Speziell durch den letzten Nachteil galt das Ergebnis durch das Vorgehen von Appel et
al. (2016) in der vorliegenden Form als nicht ausreichend, um einen Vergleich mit den
anderen Algorithmen zu ziehen und einen finalen Rückschluss auf die Detektionsleistung
mit den aufgenommenen Zeitabschnitten zu ziehen.
8.5.5. Zeitbasierte Auswertung mit den Signalen L3 und L4
Trotz der aufgelisteten Nachteile in Kapitel 8.5.4, wurde das Vorgehen zum Training des
Algorithmus von Appel et al. (2016) nicht geändert. Der Grund hierfür war, dass das
Ergebnis durch eine Verkleinerung der Trainingsdaten nicht beeinflusst werden sollte.
Hierdurch wurden alle einzeln gelabelten Lidschläge stärker gewichtet und der Nachteil
durch die Wiederholung der Abschnitte ohne Lidschläge in Kauf genommen. Es sollte
auch von jedem einzelnen Probanden eine äquivalente Zahl an Sequenzen mit und ohne
Lidschläge trainiert werden.
Um eine zeitbasierte Auswertung mit dem bestehenden Algorithmus umzusetzen,
wurde die Leave-one-out Kreuzvalidation abgeändert. Anstatt bei den Probanden nur
Sequenzen zu testen, wurden die gesamten 120 s-Abschnitte betrachtet. Die 120 s wurden
dabei in fortlaufende Fenster der gewählten Länge fl = 10 unterteilt. Die 2990 Sequen-
zen, die so entstanden, wurden anschließend einzeln mit dem trainierten Klassifikator
getestet. Der genutzte Algorithmus gab für jeden Abschnitt einen Klassifikationswert
zwischen 0 (unwahrscheinlicher Lidschlag) und 1 (wahrscheinlicher Lidschlag) aus. Als
147
Ergebnis entstand das Klassifikationssignal L5. Der durchgeführte Schritt ist vergleich-
bar mit einer Filterung der Signale zur Detektion von Lidschlägen.
Durch die Wahl eines Schwellwertes für das Klassifikationssignal L5 von 0.5 erhält
man ein binäres Signal, das anzeigt zu welchen Zeitpunkten die Mehrheit der Bäume
des Algorithmus a5 einen Lidschlag vermuten. Im direkten Vergleich dieser Zeitpunk-
te mit den gelabelten Zeitabschnitten mit Lidschlägen ergab sich eine mittlere Über-
einstimmung bei den vier Abschnitten von MW 41.2 ± 19.8 %, MM 46.4 ± 15.1 %,
HW 37.3 ± 17.2 % und 31.7 ± 11.1 %. Der prozentuelle Anteil der Zeitpunkte, bei
denen der Algorithmus a5 einen Lidschlag detektierte, allerdings keiner auftrat, lag bei
den Abschnitten MW bei 40.7 ± 18.7 %, MM bei 31.6 ± 12.6 %, HW bei 28.9 ± 13.4 %
und HM bei 21.0 ± 10.3 %. Diese Berechnungen sind in etwa vergleichbar mit den Raten
der TPR und FDRNBR aus den bisherigen Untersuchungen. Anders als bei den anderen
Algorithmen wurden jeweils einzelne Zeitpunkte bewertet und nicht längere Abschnitte.
Im Gegensatz zu den bisherigen Analysen wurde ein Proband der manuellen Fahrstudie
ausgeschlossen, da es bei diesem Probleme bei der Analyse des gesamten Videos über
die beiden 120 s Abschnitte mit dem Algorithmus gab. Dieser Proband wurde deshalb
auch aus allen weiteren Auswertungen, die auf dem Signal L5 aufbauen, ausgeschlossen.
8.6. Entwicklung eigener Verfahren
Die Verfahren a3 und a4 konnten Lidschläge nicht mit einer hohen Genauigkeit detektie-
ren. Ebenfalls war es nicht möglich, die Auswertung und Ergebnisse mit dem Verfahren
a5 direkt mit den übrigen zu vergleichen. Deshalb wurde mit Hilfe eigener Verfahren ver-
sucht, eine Verbesserung der Detektionsrate mit den Signalen aus der Bildverarbeitung
zu erzielen und vergleichbare Ergebnisse zu erhalten. Im Fokus standen die kameraba-
sierten Verfahren, um eine äquivalente Alternative zu der Lidschlagdetektion mit EOG
zu schaffen. So lieferten die Auswertungen mit EOG und dem Algorithmus a1 und a2
bereits gute Ergebnisse, um das Lidschlagverhalten des Fahrers zu untersuchen. Durch
die umfangreichen Analysen von Ebrahim schien das Potential zur Verbesserung unter
alleiniger Nutzung des EOG-Signals auch gering.
8.6.1. Lidschlagdetektion mit den Signalen L1 und L2
Das selbst entwickelte Verfahren zur Lidschlagdetektion mit L1 und L2 nutzte eine Vor-
verarbeitung des Lidspaltensignals und mehrere individualisierte Schwellwerte. Die ein-
zelnen Schritte des Algorithmus sind im Folgenden beschrieben. Dabei beschreibt xi den
gemessenen Lidabstand in Pixeln zum Zeitpunkt ti. M beschreibt den Mittelwert und
SD die Standardabweichung.
1. Elimination von Ausreißern a): Das Signal des Lidabstands L1 enthielt mehrere
Extremwerte, die nicht plausibel waren. Gründe für diese Extremwerte könnten
Signalrauschen oder falsche Auswertungen in der Bildverarbeitung sein. Um den
Einfluss der Ausreißer für jeden Probanden zu minimieren wurden Extremwerte
148
im Signal individuell gefiltert. Hierzu wurden mit dem ersten (thoutl) und 99.ten
(thouth) Perzentil aller Werte des Lidspaltensignals eines jeden Probanden zwei in-
dividuelle Schwellwerte definiert. Alle Werte des Lidspaltensignals xi, die sich nicht
innerhalb dieser Grenzen befanden, wurden ersetzt. Dabei wurde xi ∈/ [thoutl thouth]
mit xi = M(xj + xk) ersetzt; wobei xj, xk ∈ [thoutl thouth] jeweils an den zuge-
hörigen Zeitpunkten die Nebenbedingung tj < ti, tk > ti erfüllen, sowie für ti − tj
und tk − ti jeweils minimal werden musste.
2. Elimination von Ausreißern b): Der erste Schritt eliminierte lediglich Ausreißer, die
gegenüber der gesamten Messaufzeichnung eine zu hohe oder sehr niedrige Ampli-
tude hatten. Einzelne Ausreißer, die lokal starke Amplitudenunterschiede aufwie-
sen, wurden mit Hilfe eines gleitenden Mittelwertes mit Nebenbedingung gefiltert
und an die Werte der Signale in der lokalen Umgebung angeglichen. Alle Daten-
punkte xl, die größer als M(xl−2 +xl−1 +xl+1 +xl+2) + 3 ·SD(xl−2, xl−1, xl+1, xl+2)
waren, wurden durch xl = M(xl−1 + xl+1) ersetzt. Ähnlich zu Schritt eins wird
mit der Bedingung das 99.te Perzentil gebildet. Im Gegensatz zu Schritt eins wird
allerdings die lokale und nicht globale Signalumgebung eines Zeitpunktes mit Hil-
fe vier weiterer Zeitpunkte genutzt. Hintergrund für diesen Schritt war, dass das
Signal der Lidspalte mit 25 Hz aufgezeichnet wurde und ein Lidschlag bei den
EOG-Auswertungen und den Auswertungen von Appel et al. (2016) nicht unter-
halb von 160 ms lag. Einzelne Abtastwerte, die eine hohe lokale Varianz aufweisen,
können deshalb nicht durch Lidschläge verursacht sein.
3. Filterung (optional): Das vorverarbeitete Signal aus Schritt zwei wurde mit Hil-
fe eines Savitzky-Golay Filter mit Polynomordnung drei und Fensterlänge sieben
gefiltert (Savitzky & Golay, 1964).
4. Bestimmung eines subjektabhängigen Lidabstandes: Der Lidabstand von einzel-
nen Probanden variierte je nach Lidschlagverhalten oder der Position der Kamera.
Aus diesem Grund wurde ein individualisierter Schwellwert (tho) berechnet, der
den Zustand geöffneter Augen der Fahrer beschreibt. Als Basis wurde die Fahr-
phase zwischen der 15. und 30. Fahrminute genutzt, da der Fahrer sich dann bereits
auf die Fahrt und die Umgebung eingestellt hatte. Die Berechnung des Wertes tho
sollte in beiden untersuchten Fahrstilen, dem manuellen und hochautomatisier-
ten Fahren, gleichermaßen eingesetzt werden. Aus diesem Grund musste in der
Berechnung berücksichtigt werden, dass der Fahrer während des HAF sein Blick-
und Lidschlagverhalten ändert und die Augen für längere Zeit geschlossen halten
oder nach unten blicken kann. Aus diesem Grund wurden nur alle Werte des Lid-
abstandes über dem Mittelwert aller Lidabstände zwischen der 15. - 30. Minute
zur Bestimmung von tho berücksichtigt. Von diesen Werten wurde tho als Modal-
wert gewählt, um den häufigsten Lidabstand des Fahrers als Schwellwert für offene
Augen zu erhalten.
5. Detektion von Minima im Lidabstandssignal: Jeder Lidschlag besteht aus einer
Phase, in der sich das Lid schließt und einer Phase, in der es sich wieder öffnet.
149
Hierauf basierend wurden alle lokalen Minima im Signal L1 detektiert und als
LidbewegungenMi = {xm | xm ist ein lokales Minimum ∧ xm ≤ tho} zusammen-
gefasst. Die zugehörigen Zeitpunkte werden beschrieben mit T = {tm | xm ∈Mi}.
Sollte ein Minimum mehr als einen Abtastwert enthalten, wurde der Abtastwert
mit dem kleinsten Index gewählt.
6. Clusterbildung der Lidbewegungen: Alle detektierten Minima Mi aus Schritt fünf
wurden mit Hilfe des k-Means-Algorithmus mit k = 3 in drei Gruppen geteilt
(Arthur & Vassilvitskii, 2007). Die beiden Lidabstandswerte, die die drei Gruppen
unterteilen, werden im Folgenden thu und thd genannt, wobei thu > thd gilt. Ein
dritter Wert thm wurde anschließend mit thm = M(thd + thu) berechnet. Der
kleinste der drei Schwellwerte thd wurde als Grenzwert für Lidbewegungen inter-
pretiert, bei denen das obere Lid das untere Lid berührte oder diesem sehr nahe
kam: Md = {mo ∈ Mi | mo ≤ thd}. Um die Lidbewegungen mit geschlossenen
Lidern von Lidbewegungen zu unterscheiden, bei denen die Spalte zwischen obe-
rem und unterem Lid nicht geschlossen war, enthielt die Menge Mm alle Minima,
die kleiner oder gleich thm waren: Mm = {mo ∈ Mi | thd < mo ≤ thm}. Alle
Minima oberhalb thm und unterhalb thu hatten einen größeren Lidabstand und
wurden mit Mu = {mo ∈Mi | thm < mo ≤ thu} zusammengefasst. Alle übrigen
Minima oberhalb von thu sind nahe zu tho und können als kleinere Lidbewegun-
gen interpretiert werden. Aus der weiteren Lidschlagdetektion wurden sie deshalb
ausgeschlossen.
7. Bestimmung von Start und Ende der Lidbewegungen: Für alle Lidbewegungen
Md, Mm und Mu wurden die Werte des Lidabstandes von Start (Sd, Sm und
Su) und Ende der Lidbewegung (Ed, Em und Eu) bestimmt. Als Start und End-
punkte der Lidbewegungen wurden die lokalen Maxima vor (Sd, Sm und Su)
und nach (Ed, Em und Eu) dem Schnittpunkt des Lidspaltensignals mit den
zugehörigen Schwellwerten thd, thm, thu und der Minima gewählt. Falls mehre-
re Minima derselben Untergruppe (zum Beispiel: Md1 und Md2) denselben Wert
bei dem Minimum (hier: Md1 = Md2) und dieselben Start und Endpunkte (hier:
Sd1 = Sd2 ∧Ed1 = Ed2) hatten, so wurden alle Werte mit den höheren Indizes
aus den Mengen ausgeschlossen (hier:Md2, Sd2 und Ed2). Sollten mehrere Minima
dieselben Start und Endpunkte haben (zum Beispiel: Sd1 = Sd2 ∧Ed1 = Ed2),
aber unterschiedliche Werte im Minimum aufweisen (zum Beispiel: Md1 < Md2),
so wurden alle Werte des Minimums mit den größeren Lidabstandswerten aus den
Mengen ausgeschlossen (hier:Md2). Zu beachten ist, dass mehrere Lidbewegungen
aus der Menge Md innerhalb der Grenzen einer Lidbewegung Mm liegen können,
sowie mehrere Lidbewegungen aus der Menge Mm wiederum innerhalb einer ein-
zelnen Lidbewegung der Menge Mu.
8. Trennung von Lidbewegungen: Falls sich Bereiche im Lidspaltensignal am Ende
einer Lidbewegung mit dem Startpunkt der folgenden Lidbewegung überschnit-
ten, da sie denselben Wert hatten, so wurde das Plateau des lokalen Maxima mit
demselben Lidspaltenwert in zwei gleichgroße Teile geteilt. Die Mitte des Plateaus
150
definierte dabei das Ende der einen und gleichzeitig den Start der nachfolgenden
Lidbewegung.
9. Überprüfung eines Lidschlages: Mit Hilfe des Pupillensignals L2 wurde in diesem
Schritt überprüft, ob die Pupille zwischen den Start- und Endpunkten der einzelnen
Lidbewegungen Md, Mm und Mu immer sichtbar war. Bei der Überprüfung wur-
den die Datenpunkte des Starts und Endes ausgeschlossen. Alle Lidbewegungen,
bei denen das Pupillensignal in allen Abtastpunkten zwischen Start und Ende der
Lidbewegung vorhanden war, wurden aus den Mengen der potentielle Lidschläge
ausgeschlossen.
10. Amplitudenschwellwerte: Um innerhalb der Menge der Lidbewegungen Mu poten-
tielle Lidschläge genauer von einfachen Lidbewegungen unterscheiden zu können,
wurde zu jeder Lidbewegung das Minimum der Amplituden Ampq = min(suq −
muq, euq−muq); ((suq ∈ Su)∧ (muq ∈Mu)∧ (euq ∈ Eu)) bestimmt. Die resultie-
renden Amplituden wurden anschließend mit einem k-Means-Algorithmus (Arthur
& Vassilvitskii, 2007) mit k = 3 in drei Gruppen unterteilt. Alle Lidbewegungen
in der Gruppe mit den kleinsten Amplituden wurden als potentielle Lidschläge
aus der weiteren Betrachtung ausgeschlossen. Hintergrund hierfür ist, dass sich
die Lidstellung am tiefsten Punkt nur in geringem Maße von der Lidstellung im
geöffneten Zustand vor, beziehungsweise nach der Lidbewegung unterscheidet und
es sich bei der Lidbewegung deshalb mit hoher Wahrscheinlichkeit nicht um einen
Lidschlag handelt.
11. Abgleich der Minima: Falls die Lidspalte in einem Minimum (Md, Mm oder Mu)
mehr als 100 Pixel betrug, wurde die zugehörige Lidbewegung als potentieller
Lidschlag ausgeschlossen. In den Aufnahmen der Augenkamera entsprachen 100
Pixel einer Augenöffnung von circa 70 %.
12. Zusammenfügen von Lidbewegungen a): Falls eine oder mehrere Lidbewegungen
aus der Menge der Minima mit kleineren Lidspalten zwischen dem Start- und End-
punkt einer Lidbewegung aus der Menge der Minima mit größerer Lidspalte war,
wurde überprüft, ob die Lidbewegungen mit den kleineren Lidabständen durch
Rauschen entstanden. Als Kriterium wurde der Abstand der Lidspalte zwischen
dem Minimum oder den Minima der kleineren Lidspalte (Mmr, bzw. Mdr) zu
dessen oder deren zugehörigem Schwellwert (thm bzw. thd) berechnet. Falls der
oder alle Abstände der Lidbewegungen aus der Menge der kleineren Lidspalten zu
den zugehörigen Schwellwerten kleiner oder gleich d = 7 Pixel war (entspricht in
etwa einer absoluten Lidbewegung von 4 %), so wurden die Lidbewegungen mit
der kleineren Lidspalte (Mmr, beziehungsweise Mdr) verworfen und lediglich das
Minimum und die Grenzen der Lidbewegung mit der größeren Lidspalte beibe-
halten. Falls der oder einer der berechneten Abstände größer als d waren, wurde
die Lidbewegung mit der größeren Lidspalte (Sur, Eur und Mur, beziehungsweise
Smr, Emr undMmr) verworfen und die Lidbewegung mit den kleineren Lidspalte
beibehalten.
151
13. Zusammenfügen von Lidbewegungen b): Alle Lidbewegungen der drei Kategorien
wurden zu einer Gesamtmenge potentieller Lidschläge mit den Startpunkten Sas,
Minima Mas und Endpunkten Eas zusammengefasst.
14. Fusion von Lidbewegungen: Aufgrund von Rauschen und resultierender lokaler Ma-
xima im Signal der Lidspalte konnte es passieren, dass reale Lidschläge in mehrere
Teile getrennt wurden. Um dies zu verhindern, wurde mit Hilfe des Pupillensignals
überprüft, ob die Pupille zwischen zwei Lidbewegungen sichtbar war. Hierzu wur-
de das Pupillensignal an allen Abtastzeitpunkten zwischen Ende und Start zweier
Lidbewegungen, am End- und Startpunkt, sowie an jeweils zwei weiteren Abtast-
zeitpunkten während der zwei Detektionsabschnitten betrachtet. War die Pupille
in keinem dieser Punkte sichtbar, so wurden die beiden Lidbewegungen fusioniert
und die äußeren Ränder als neuer Start und Ende der Lidbewegung gewählt. Von
den beiden Lidbewegungen wurde das kleinere Minimum bzw. bei gleichen Werten,
das mit dem kleineren Index beibehalten.
15. Anpassung des Starts und Endes der Lidbewegungen (optional): Das ungefilterte
Signal des Lidabstandes enthielt Rauschen, das die korrekte Detektion von Start
und Ende der Lidbewegung beeinflusste. Zur Verbesserung der Detektion, wurde
das Signal des Lidabstandes mit einem Savitzky-Golay Filter mit der Polynomord-
nung drei und Fensterlänge sieben gefiltert (Savitzky & Golay, 1964). Anschließend
wurde wie in Schritt sieben erneut überprüft, ob sich die Start und Endpunkte Sas
und Eas nach Schritt 14 noch immer auf einem lokalen Maximum des gefilterten
Signals befanden. War dies nicht der Fall, so wurden die Startpunkte auf einem mo-
noton fallenden Signalabschnitt Richtung Aufzeichnungsbeginn und die Endpunkte
auf einem monoton steigenden Signalabschnitt in Richtung Aufzeichnungsende bis
zum nächsten lokalen Maximum verschoben. Befanden sich Startpunkte auf mono-
ton steigenden bzw. Endpunkte auf monoton fallenden Signalabschnitten, wurde
deren Position beibehalten.
Aufgrund der Abwägung, Lidschläge besser mit Hilfe einer frühen oder späten Signalfilte-
rung zu detektieren, wurde die Detektion der Lidschläge auf Basis einer frühen Signalfil-
terung (Anwendung von Schritt drei - ohne Nutzung von Schritt 15) mit einer Filterung
des Signals als letzten Schritt zur Anpassung von Start und Ende (keine Anwendung von
Schritt drei - Nutzung von Schritt 15) durchgeführt. Der Algorithmus mit der Filterung
in Schritt 15 wird im Folgenden mit a6 und die Alternative mit der Filterung in Schritt
3 mit a7 bezeichnet.
8.6.2. Lidschlagdetektion mit der zeitbasierten Auswertung von L2
und L5
Die geringe Detektions- und hohe Falschdetektionsrate der zeitbasierten Auswertung des
Algorithmus von a5 zeigte, dass die Ergebnisse mit einer ereignisbasierten Auswertung
nicht mit denen einer zeitbasierten Auswertung vergleichbar sind. So schwankt das Klas-
sifikationssignal während einzelner Lidschläge teilweise um einen Wert von 0.5 und liegt
152
während der Lidschläge zum Teil unterhalb eines Schwellwertes von 0.5. Um die Detek-
tionsrate zu erhöhen und die Falschdetektionsrate zu senken, wurde ausgehend von dem
Pupillensignal L2 und dem Klassifikationssignal L5 ein weiteres eigenes Verfahren zur
Lidschlagdetektion entwickelt. Dieses bestand aus folgenden Teilschritten:
1. Signalglättung: Das Klassifikationssignal L5 wurde mit Hilfe eines Savitzky-Golay
Filter der Polynomordnung drei und Fensterlänge 13 gefiltert (Savitzky & Golay,
1964).
2. Unterteilung in Fahrabschnitte: Die aufgezeichneten Daten wurden in Abschnitte
mit einer Länge von einer Minute unterteilt, um im Folgenden eine lokale Signal-
auswertung durchzuführen. Grund hierfür waren größere Schwankungen bei der
Helligkeit des Kamerabildes durch Änderungen in der Aktivität des Probanden
und leichte Unterschiede bei der Beleuchtung der Displays bei längeren Fahrab-
schnitten.
3. Lokale Schwellwertbestimmung: Für jeden Signalabschnitt wurde ein Schwellwert
thpeak in Anlehnung an Schritt vier der Lidschlagdetektion mit dem Algorithmus
a6 bzw. a7 bestimmt. Als Wert wurde der zweithäufigste Klassifikationswert in
den einzelnen Abschnitten oberhalb des Mittelwertes gewählt. Diese Wahl basierte
auf Untersuchungen der Häufigkeit der Klassifikationswerte und deren Eignung
als Schwellwerte. So war dieser Wert im Allgemeinen größer als der Modalwert
oberhalb des Mittelwertes, was zu seiner Wahl und einem zusätzlichen Ausschluss
von Falschdetektionen führte.
4. Lidschlagdetektion: Innerhalb jedes Abschnittes wurden lokale Maxima oberhalb
eines Klassifikationswertes von thpeak bestimmt. Zwei oder drei Lidschläge konnten
nicht in sehr kleinen Zeitabständen innerhalb eines Zeitintervalles von kleiner oder
gleich 160 ms auftreten. Im Falle von mehreren lokalen Maxima in einem Zeitin-
tervall kleiner oder gleich 160 ms, wurden deshalb jeweils das oder die kleineren
Maxima verworfen. Die Maxima wurden hierzu in zeitlicher Abfolge analysiert.
Aufgrund der Signalglättung im ersten Schritt, traten keine Maxima mit gleichen
Werten auf.
5. Bestimmung des Starts und Endes: Zur Bestimmung des Starts und Ende der
potentiellen Lidschläge wurden die ersten lokalen Minima auf beiden Seiten je-
des Maximum bestimmt, die unterhalb des Schwellwertes thpeak lagen. Zusätzlich
musste der Klassifikationswert der Minima unterhalb von 0.6 liegen.
6. Clustering a): Alle Maxima aus Schritt drei wurden mit Hilfe eines k-Means-
Algorithmus mit k = 3 in drei Gruppen unterteilt (Arthur & Vassilvitskii, 2007).
Je nach Höhe des Klassifikationswertes wurden die Maxima in die Gruppe Wn
(niedrige Werte), Wm (mittlere Werte) oder Wh (hohe Werte) kategorisiert.
7. Clustering b): Neben Lidschlägen führen auch Blickrichtungswechsel zu einer Än-
derung der Helligkeit in den Pixeln der Kameraaufnahme. Häufig treten große,
153
schnelle Blickrichtungswechsel in Kombination mit Lidschlägen auf und haben folg-
lich eine schnelle Änderung des Klassifikationssignals zur Folge. Aus diesem Grund
wurde der mittlere Betrag der Ableitung des Klassifikationssignals (Berechnung
mit dem Vorgehen nach Savitzky-Golay der Ordnung fünf und Fensterlänge 13,
Savitzky & Golay, 1964) zwischen dem Start und Ende jedes potentiellen Lid-
schlages mit einem k-Means-Algorithmus mit k = 3 ebenfalls in drei Gruppen mit
niedrigerer Gn, mittlerer Gm und hoher Gh Geschwindigkeit unterteilt (Arthur &
Vassilvitskii, 2007).
8. Clusteringwahl: Von den Maxima aus Schritt vier wurden alle mit niedrigem Klas-
sifikationswert Wn und der Kombination Wm und Gn ausgeschlossen.
9. Pupillensichtbarkeit: Alle potentiellen Lidschläge aus Schritt acht wurden ausge-
schlossen, falls die Pupille im Signal L2 während der gesamten Zeitdauer zwischen
Start und Ende detektiert wurde.
10. Median des Clustering: Die Schritte sechs bis neun wurden zwölfmal ausgeführt.
Von den unterschiedlichen Ergebnissen aufgrund des Clustering wurde das Ergeb-
nis gewählt, dessen Anzahl detektierter Lidschläge am nächsten am Median der
Anzahl an detektierten Lidschlägen lag.
Die Maxima inklusive zugehörigen Start- und Endzeitpunkten aus Schritt fünf entspra-
chen den Lidschlagdetektionen mit dem eigenen Verfahren. Im Folgenden wird der Al-
gorithmus aufgrund der Anpassungen von Verfahren a5 mit a5b bezeichnet.
8.7. Test der eigenen Verfahren
Zum Vergleich mit den bisherigen Verfahren wurden die eigenen Algorithmen a5b, a6
und a7 ebenfalls mit den bereits gelabelten Abschnitten getestet. Hierbei wurde das-
selbe Vorgehen wie bei der Evaluation des Algorithmus a2 in Kapitel 8.5.1 auf Basis
der Ergebnisse mit a1 angewendet. Aufgrund dessen sind die resultierenden Ergebnis-
se direkt mit den Ergebnissen der Algorithmen a1 und a2 vergleichbar. Die Ergebnisse
des Labelling der Algorithmen sind in Tabelle 8.4 mit personenabhängigen Mittelwerten
dargestellt. Zu beachten ist, dass in der manuellen Studie ein Proband mit dem Algo-
rithmus a5b nicht ausgewertet werden konnte. Im Anhang in den Tabellen D.1, D.2, D.3
und D.4 befinden sich darüber hinaus detaillierte Ergebnisse in den unterschiedlichen
Unterkategorien.
8.8. Diskussion der Ergebnisse
Die Ergebnisse in den Tabellen 8.2 und 8.4 zeigen, dass sich die Detektionsraten von Lid-
schlägen in Form der TPR, FDRBR und FDRNBR je nach Algorithmus und Datenbasis
unterscheidet. Im Vergleich der unterschiedlichen Algorithmen zur Lidschlagdetektion
auf Basis derselben Bilder und Signale zeigen sich sehr große Unterschiede bei der Güte
154
Tabelle 8.4.: Detektionsergebnis in % mit den Algorithmen a5 bis a7 (M±
SD)
Fahrstil Label a5b a6 a7
Wach Müde Wach Müde Wach Müde
Manuell TPR 76±13 71±11 91±6 85±20 87±7 82±23
FDRBR 16±14 20±11 5±8 5±7 4±6 5±9
FDRNBR 7±6 5±7 9±9 8±13 6±5 7±5
HAF TPR 71±30 54±28 82±20 66±27 81±17 63±26
FDRBR 23±28 43±33 6±6 19±32 7±8 19±29
FDRNBR 7±7 5±5 6±6 4±6 4±5 2±4
der Detektion. Ein Grund hierfür kann sein, dass die Verfahren von Bergasa et al. (2006)
und Sukno et al. (2009) auf die eigene Bildverarbeitung angepasst sind und negativ durch
den Signalverlauf der Bildverarbeitung in dieser Studie beeinflusst wurden. Ebenfalls gab
es Unterschiede in den Randbedingungen der Studien, die sicher auch einen Einfluss auf
die Auswertung hatten. Insgesamt sieht man bei den beiden Referenzalgorithmen, dass
die FDRNBR der Lidschlagerkennung trotz des individualisierten Labellings zum Teil
sehr hoch und sogar oberhalb der TPR ist. Rückschlüsse zum Zustand oder Verhalten
der Fahrer würden in einem solchen Fall maßgeblich durch das Lidschlagdetektionsver-
fahren anstatt das wirkliche Verhalten der Fahrer beschrieben. Interessant sind auch die
Ergebnisse mit dem Algorithmus von Appel et al. (2016). Gründe für die signifikant
unterschiedliche Länge der gelabelten Abschnitte in der Veröffentlichung und eigenen
Labelling könnte zum einen im Lidschlagverhalten der Probanden in den unterschied-
lichen Studien liegen. Zum anderen ist der Unterschied wahrscheinlich auch durch die
Abhängigkeit der gelabelten Lidschläge von der Lidschlagdefinition beeinflusst. Durch
die Übernahme der Längen aus den EOG-Detektionen in dieser Studie wird die Länge
ebenfalls stark durch den EOG-Signalverlauf beeinflusst.
Der Vergleich zwischen der zeit- und ereignisbasierten Auswertung zeigte einen
großen Unterschied zwischen den verschiedenen Auswertungsmethoden. So ist der Algo-
rithmus von Appel et al. (2016) in der ursprünglichen Form nicht für eine gute zeitba-
sierte Auswertung nutzbar. Erst durch die eigene Anpassung werden verbesserte Detek-
tionsraten erzielt, die mit den anderen Algorithmen vergleichbar sind.
Diese Ergebnisse zeigen die Notwendigkeit, jedes Lidschlagverfahren für die durch-
geführten Fahrstudien zu testen. Der Einfluss durch die Randbedingungen der Studien
auf die Detektion könnte ansonsten zu starken Auswirkungen auf das Ergebnis führen.
Der direkte Vergleich der drei kamerabasierten Algorithmen a5b, a6 und a7, zeigte
signifikante Unterschiede zwischen der TPR [χ2(2, N = 57) = 41.83, p < .001] und
FDR [χ2BR (2, N = 57) = 61.881, p < .001]. Einzig bei der FDRNBR waren die Unter-
schiede nicht signifikant [χ2(2, N = 57) = 8.15, p = .17]. Post-hoc Tests zeigten eine
signifikant bessere Detektionsrate (a6 gegenüber a7: z = -3.344, p < .001; a6 gegen-
155
über a5b: z = -5.10, p < .001) und teilweise FDRBR (a6 gegenüber a7 nicht signifikant:
z = -1.721, p = .085; a6 gegenüber a5b: z = -5.88, p < .001) für a6, weshalb die Ergebnisse
mit a6 für den weiteren Vergleich mit den EOG-Auswertungen mit den Algorithmen a1
und a2 genutzt wurden.
Ein Friedman Test zwischen den drei Algorithmen a1, a2 und a6 zeigte signifikante
Unterschiede zwischen der TPR [χ2(2, N = 59) = 22.05, p < .001] und FDR 2NBR [χ (2,
N = 59) = 28.06, p < .001] allerdings nicht für die FDRBR [χ2(2, N = 59) = 0.23,
p = .89]. Beim post-hoc Vergleich zwischen der Detektion von Lidschlägen mit Hilfe
des EOG Systems und dem besten kamerabasierten Ergebnis mit derselben Aufnah-
mefrequenz (a2 und a6), unterschieden sich die Detektionsraten nicht sehr stark. Die
kamerabasierte Detektion wies lediglich eine signifikant höhere FDRNBR (z = -3.20,
p = .001) auf. Der Unterschied zwischen der TPR war knapp nicht signifikant (z = -1.89,
p = .058). Die Unterschiede in den Detektionsraten speziell in der wachen hochautomati-
sierten Phase (keine Signifikanz nach Bonferroni Korrektur; 621 Detektionen mit a6 und
524 mit a2) deuten darauf hin, dass eine indirekte Messung von Lidschlägen mit EOG in
höheren Automationsstufen diese nicht mehr so gut erkennt, wie eine direkte Messung
auf Basis von Kameraaufnahmen. Im Gegensatz dazu bietet die Lidschlagdetektion auf
EOG Basis beim manuellen Fahren Vorteile (keine Signifikanz nach Bonferroni Korrek-
tur; 613 Detektionen mit a2 und 567 mit a6). Eine Ursache für die unterschiedlichen
Detektionsraten könnte an einem geänderten Lidschlagverhalten der Probanden bei den
unterschiedlichen Auswertungsteilen liegen. So waren während des Labelling-Prozesses
einige Probleme der beiden Technologien bei der Lidschlagdetektion sichtbar. Im indi-
rekten EOG-Verfahren wurde das Ergebnis insbesondere durch lange Lidschlüsse und
Augenbewegungen trotz komplett geschlossener Lider beeinflusst. Da die Detektion des
Lidabstands beim kamerabasierten Verfahren hauptsächlich auf dem korrekten Setzen
des oberen und unteren Lidrandes auf die richtige Kante im Kamerabild basiert, gab es
bei der Bildverarbeitung Probleme durch den Einfluss der Wimpern. Zusätzlich gab es
negative Einflüsse durch die Verdeckung des unteren Lids durch die Bewegung des obe-
ren Lids bei einem Lidschluss oder durch Hautfalten und Helligkeitsunterschiede auf der
Haut im Kamerabild um das Auge. Speziell in der müden Phase hatten die Probanden
eine kleinere Lidöffnung und die Wahrscheinlichkeit für längere Lidschlüsse war höher
als in der wachen Phase. Diese Phänomene sind wahrscheinlich der Hauptgrund für den
signifikanten Abfall der Detektionsrate von Lidschlägen zwischen wachen und müden
Probanden (z = -4.17, p < .001, Verringerung der Detektionsraten um zwei bis 16 Pro-
zent). Dieser Abfall war unabhängig von der Messfrequenz (f1 oder f2), der Messtechnik
zur Lidschlussdetektion (EOG oder Kamera) oder dem Automatisierungsgrad (manuell
oder hochautomatisiert).
Die beiden Studien 1 und 2 unterschieden sich in den Studienbedingungen (Fahrge-
schwindigkeit, Reaktionsabfragen und Testsituationen). Trotzdem zeigen die Ergebnisse
in Kapitel 7, dass sich die Probanden in der HAF-Studie immer ihrer Verantwortung
bewusst waren und sicher reagierten. Der signifikante Abfall bei den Detektionsraten
von manuellen zu HAF-Phasen (exakter Mann-Whitney U-Test: z = -6.05, p < .001;
Verringerung der Detektionsrate bei dem besten EOG und kamerabasierten Verfahren
zwischen neun und 29 Prozent) und signifikante Anstieg der FDRBR (exakter Mann-
156
Whitney U-Test: z = -2.88, p = .004) ist größtenteils auf den Fahrmodus zurückzuführen
und deuten auf ein verändertes Verhalten der Probanden in den unterschiedlichen Au-
tomatisierungsstufen hin.
Die Detektionsraten eines Lidschlagalgorithmus, der im manuellen Fahren getestet
wurde, sollten aufgrund der Ergebnisse vor der Nutzung beim automatisierten Fahren
erneut überprüft werden. Im Vergleich der beiden Aufnahmefrequenzen f1 und f2 zeigt
sich durch den signifikanten Unterschied der Detektionsrate (z = -4.74, p < .001; drei
bis zehn Prozent) das Potential, welches eine höhere Aufnahmefrequenz bietet. Spezi-
ell die größeren Differenzen der Werte für HAF zeigen die Verbesserungsmöglichkeit in
diesem Fahrstil. Da dieser Effekt auch mit einer Kamera mit unterschiedlichen Aufnah-
mefrequenzen von Picot et al. (2009) festgestellt wurde, ist derselbe Effekt auch für die
Kamera zu erwarten.
Durch die Unterteilung des Detektionsergebnisses in die Gruppen Ab und Ac in den
Detailauswertungen in Anhang D, kann man zusätzlich die Auswirkungen des Müdig-
keitszustandes auf das Lidschlagverhalten während des manuellen Fahrens sehen. Zusätz-
lich sind die Detektionen bei den einzelnen Probanden in absoluten Zahlen aufgeführt.
So ist der Abfall der Werte von Ab und Ac zwischen wachen und müden Fahrern hö-
her, als die Rate von nicht detektierten Lidschlägen. Ein wacher Fahrer, der manuell
fuhr, schloss seine Lider während eines Lidschlages somit nicht so stark, wie während
des müden Zustandes. Grund für den geringeren Lidabstand während der wachen Phase
könnte sein, dass der Fahrer aufgrund seiner Verantwortung, die Zeit, in der er durch den
Lidschlag nicht auf die Straße schauen kann, möglichst klein halten will. In der müden
Phase ist dieses Verhalten eventuell nicht mehr im selben Maß aufrecht zu erhalten. In
der Umgangssprache ist der Begriff der schweren Lider bei Müdigkeit geläufig, der sich
hier auf Basis eines stärkeren Schlusses des oberen auf das untere Lid nachweisen lässt.
Ein ähnlicher Rückgang ist im Vergleich zwischen wacher manueller und hochautoma-
tisierter Auswertung zu sehen. Dies zeigt, dass auch Fahrer in der hochautomatisierten
Phase die Lider bei Lidschlägen stärker schlossen. Da der Fahrer seine visuelle Aufmerk-
samkeit im hochautomatisierten Fahren nicht mehr auf die Straße richten musste, nahm
eventuell der Zwang ab, die Lider so kurz und gering wie möglich zu schließen.
157
9. Fusionierte Lidschlagdetektion und
-untersuchungen in Studie 1 und 2
Die Auswertungen in Kapitel 8 zeigen, mit welcher Genauigkeit Lidschläge mit den ein-
zeln untersuchten Methoden auf Basis der aufgezeichneten Messdaten detektiert werden
können. In Hinblick auf den Gesamtprozess zur Detektion des Müdigkeitszustandes in
Kapitel 5 könnten die aufgezeichneten Fahrten nun über die gesamte Länge mit Hilfe
der Algorithmen analysiert, Lidschlagparameter berechnet und anschließend eine Müdig-
keitsdetektion durchgeführt werden. Auf Basis von Abbildung 5.1 ist hierzu in Abbildung
9.1 ein mögliches detailliertes Vorgehen aufgezeigt.
Beim gesamten Vorgehen sind die verschiedenen Abhängigkeiten und Genauigkei-
ten der einzelnen Prozessschritte zu beachten. In Hinblick auf eine möglichst genaue
Untersuchung des Fahrers wäre eine optimale Ausgangssituation durch nahezu fehler-
freie Messsignale hilfreich. Es könnte dann eine optimale Auswertung und replizierbare
Müdigkeitsdetektion erfolgen, indem das Lidschlagverhalten detektiert und mit dem Mü-
digkeitszustand gematcht wird. In der Realität sind allerdings durch jeden Prozessschritt
Fehler zu erwarten. Die Verkettung dieser Mess-, Prozesseinflüsse und Fehler in den ein-
zelnen Schritten wird bei den Verfahren zur Müdigkeitsklassifikation (siehe Kapitel 5.6.3)
häufig vernachlässigt. Dadurch optimieren Klassifikatoren ihre Ergebnisse zum Teil auf
Fehlern aus den vorangegangenen Schritten, weshalb diese nicht replizierbar sind. Hin-
zu kommt, dass äquivalent zu dieser Studie durch die spezifischen Randbedingungen
lediglich ein Spezialfall einer Fahrt (hier z.B. Fahrt ohne Nebentätigkeiten, dunkle Um-
gebungsbedingungen etc.) untersucht werden kann. Für eine aussagekräftige replizier-
bare Klassifikation wäre ein sehr großer Datensatz mit unterschiedlichen Bedingungen
Abbildung 9.1.: Mögliches detailliertes Vorgehen zur Müdigkeitsdetektion auf Basis der
Lidschlagdetektion in Studie 1 und 2
158
des Wetters, Tageszeiten, Nebentätigkeiten oder Fahrten mit zusätzlichen Mitfahrern
nötig. Aus diesen Gründen wird in dieser Arbeit auf eine Klassifikation des Müdigkeits-
zustandes auf Basis des Lidschlagverhaltens verzichtet und die Lidschlagdetektion in
einem weiteren Schritt durch eine Fusion der Lidschlagdetektionsverfahren verbessert.
Hinzu kommt, dass es bisher wenige Untersuchungen zum Verhalten des Menschen wäh-
rend des hochautomatisierten Fahrens gibt. Somit kann nicht überprüft werden, ob das
Lidschlagverhalten der Probanden in dem durchgeführten Versuch beispielhaft für hoch-
automatisierte Fahrten im Allgemeinen ist.
Im Fokus der Verbesserung mit der Fusion stand die FDRNBR während des manu-
ellen und hochautomatisierten Fahrens. Jede falsche Detektion beeinflusste eine anschlie-
ßende Berechnung der Lidschlagparameter und setzte sich so fort. Gleichzeitig sollte eine
vergleichbare TPR zu den bisher vorgestellten Algorithmen erzielt werden und speziell
die Detektion bei hochautomatisiertem Fahren und müden Fahrphasen verbessert wer-
den. Durch eine Verbesserung in diesen Fahrphasen sollte eine vergleichbare Lidschlag-
detektion unabhängig vom Fahrstil oder Müdigkeitszustand der Probanden ermöglicht
werden. So ist laut Craig (1987) eine vergleichbare Detektionsgüte in allen Müdigkeits-
zuständen die Grundvoraussetzung für eine mögliche Müdigkeitsdetektion, was auf Basis
der bisher erzielten Ergebnisse nicht vorausgesetzt werden kann. Im Anschluss an die
Beschreibung und Evaluation der Fusion werden verschiedene Lidschlagparameter aus
der optimierten Lidschlagdetektion ausgewertet und das Verhalten der Probanden un-
tersucht.
9.1. Fusion der Lidschlagdetektionsverfahren
Das Hauptziel der Fusion war es, die Falschdetektionen zu minimieren und eine möglichst
gute Detektionsrate auf einem ähnlichen oder besseren Niveau als bei den Einzelalgorith-
men zu erhalten. Zur fusionierten Lidschlagdetektion wurden die beiden Messaufzeich-
nungen, EOG-Signale und Kamerabilder als Ausgangsbasis genutzt. Durch die Nutzung
unterschiedlicher Messtechniken sind die beiden Aufnahmen unabhängig voneinander.
Fehler bei der Aufzeichnung mit einer der Messtechniken sind somit nicht in dem Signal
der zweiten Messtechnik zu finden. Bei der Bildverarbeitung des Kamerabildes kamen
die vorgestellten Verfahren zur Erzeugung der Signale L1, L2, L3 und L4 zum Einsatz.
Die Verfahren generierten diese Signale unabhängig voneinander. Im Anschluss wurden
die jeweils besten Verfahren aus Kapitel 8 für die Signalverarbeitung der fünf Ausgangs-
signale genutzt. Dies waren die Algorithmen a1, a5b, a6. Hierdurch ist sichergestellt, dass
die Grunddetektionen gut sind und nicht bereits zu viele Falschdetektionen in die Fusion
einfließen. Auch wenn die Algorithmen a5b, a6 beide in einem Auswertungsschritt das
Signal L2 nutzten, basieren die Detektionen hauptsächlich auf den unabhängigen Bild-
verarbeitungen der Signale L1, L3 und L4. Das Signal L2 wird lediglich zur Evaluation
genutzt.
Bei der Fusion wurde wie folgt vorgegangen:
1. Unabhängige Lidschlagdetektion: Mit den drei Algorithmen wurden Lidschläge
159
getrennt voneinander detektiert. Von jedem Lidschlag wurde jeweils der Beginn,
der Zeitpunkt des Extremums (je nach Signal ein Minimum bzw. Maximum) und
das Ende gespeichert.
2. Fusion 1: Da die Detektion der beiden Algorithmen a5b und a6 auf denselben Ka-
meraaufnahmen basierte, wurden die Detektionen dieser Algorithmen im ersten
Schritt fusioniert. Hierzu wurden alle detektierten Lidschläge (Extrema) inklusive
Start und Ende des Algorithmus a6 übernommen, falls mindestens zu einem Zeit-
punkt zwischen den Grenzen ebenfalls ein Lidschlag durch den Algorithmus a5b
detektiert wurde. Alle sonstigen Detektionen von a6 inklusive der Detektionen von
a5b wurden anschließend verworfen. Grund hierfür war die bessere Detektion des
Starts und Endes mit Algorithmus a6 speziell bei langen Lidschlüssen.
3. Signalvalidierung 1: Alle Detektionen aus Schritt zwei wurden anschließend mit
Hilfe des Signalverlaufes des vertikalen EOG-Signals validiert. So wurden ledig-
lich die Detektionen aus dem vorhergehenden Schritt beibehalten, bei denen das
absolute Maximum des EOG-Signalverlaufes zwischen dem Start und Ende der
Lidschläge aus Schritt zwei nicht an den Randpunkten (Start/Ende) war.
4. Signalvalidierung 2: Parallel zu Schritt zwei und drei wurden die Lidschlagdetek-
tionen des Algorithmus a1 mit den Signalverläufen des Algorithmus a5b und a6
verglichen. Dabei wurden Detektionen mit dem Algorithmus a1 nur beibehalten,
wenn mindestens eine der folgenden Bedingungen zwischen Start und Ende der de-
tektierten Lidschläge inklusive der Randzeitpunkte der Detektionen mit a1 erfüllt
waren:
• Das Signal L5 hatte mindestens zu einem Zeitpunkt einen Klassifikationswert
größer oder gleich 0.65.
• Das Signal L1 wies eine Amplitude von größer oder gleich 50 Pixel auf.
• Das absolute Minimum des Signals L1 befand sich in dem detektierten Signal-
abschnitt der Detektionen von a1 nicht an einem der beiden Randpunkte.
5. Fusion 2: Die Menge der detektierten Lidschläge aus den beiden Signalvalidie-
rungsschritten wurde anschließend fusioniert. Hierzu wurde überprüft, ob sich die
detektierten Intervalle aus Schritt drei zu mindestens einem Zeitpunkt mit den
Intervallen aus Schritt vier überschnitten. War dies der Fall, so wurden die De-
tektionen mit Überschneidungen aus Schritt vier aufgrund der höheren Aufnah-
mefrequenz inklusive deren Start und Ende übernommen und die Detektionen mit
Überschneidungen aus Schritt drei verworfen. Alle übrigen Detektionen aus Schritt
drei ohne Überschneidung mit den Detektionen (Start, Ende und Extremum) von
Schritt vier wurden ebenfalls übernommen. Von diesen Detektionen wurden in
der Fusion ebenfalls die Start- und Endzeitpunkte aus Schritt drei übernommen.
Die Extremwerte der letztgenannten Detektionen wurden durch das absolute Ma-
ximum des gefilterten vertikalen EOG-Signals (Savitzky-Golay-Filter mit Poly-
nomordnung drei und Fensterlänge sieben; Savitzky & Golay, 1964) innerhalb des
160
Abbildung 9.2.: Fusionsverfahren zur Lidschlagdetektion
Start- und Endzeitpunktes ersetzt. Ebenfalls wurden alle Detektionen aus Schritt
vier ohne Überschneidung mit den Detektionen aus Schritt drei übernommen. Das
gefilterte vertikale EOG-Signal wird im folgenden L6 genannt.
Als Ergebnis der Fusion lagen von jedem detektierten Lidschlag ein Start- und Endzeit-
punkt vor. Darüber hinaus gab es von jeder Detektion eine Information über die zeitliche
Position und die Spannung zwischen den EOG-Elektroden im Extremum. Abbildung 9.2
zeigt die einzelnen Schritte des Algorithmus in einer Übersicht. Zu beachten ist, dass
zur Entwicklung des Fusionsverfahrens die detaillierte Analyse einiger der gelabelten
Fahrabschnitte in Kapitel 8.5 genutzt wurde.
9.2. Evaluation der Fusion
Zur Überprüfung der Verbesserung der Lidschlagdetektion durch die Fusion wurde die
fusionierte Lidschlagerkennung im ersten Schritt mit allen gelabelten Signalabschnitten
aus Kapitel 8.5 überprüft. Hierzu wurde das beschriebene Vorgehen zur Evaluation von
a2 in Kapitel 8.5.1 auch bei der Bewertung der Fusion genutzt. Die Ergebnisse der Eva-
luation sind in Tabelle 9.1 dargestellt und in Tabelle D.2 und D.4 im Anhang detailliert
aufgeführt.
Im direkten Vergleich zu den Ergebnissen mit den Algorithmen a1, a5b und a6 zeigte
sich die gewünschte Verbesserung der TPR außer bei der manuellen wachen Fahrphase
161
Tabelle 9.1.: Detektionsergebnis in % des fusio-
nierten Verfahrens (M ± SD)
Fahrstil Label Fusion
Wach Müde
Manuell TPR 90±14 95±6
FDRBR 6±10 2±2
FDRNBR 2±3 1±1
HAF TPR 85±19 77±18
FDRBR 8±10 13±16
FDRNBR 2±3 2±3
und eine Verbesserung der FDRNBR speziell bei der hochautomatisierten Fahrt. So re-
duzierte sich die absolute Zahl an FDRNBR in den 114 min auf 28 gegenüber 45 bei a1,
148 bei a5b und 211 bei a6. Die Detektionen speziell in der müden hochautomatisierten
Phase konnten durch die Fusion von 493 (a1), 425 (a5b), 527 (a6) auf 564 gesteigert wer-
den. Da die Entwicklung des Fusionsverfahrens auf den Ergebnissen mit den gelabelten
Fahrabschnitten erfolgte, waren diese Verbesserungen zu erwarten und werden keines
statistischen Vergleichs unterzogen.
Um unabhängige Ergebnisse der Performance der Fusion zusammen mit den Er-
gebnissen des Algorithmus zu erhalten, wurden die drei Ausgangsalgorithmen a1, a5b
und a6 sowie das fusionierte Verfahren in zusätzlichen Abschnitten getestet. Aufgrund
des sehr hohen Aufwandes des Labelling mit allen vier Algorithmen wurde die Proban-
denanzahl für die zusätzliche Auswertung aus Studie 1 auf sieben und für Studie 2 auf
acht Probanden reduziert. Die Wahl der Probanden aus den beiden Versuchen erfolg-
te zufällig anhand des in Kapitel 8.5 geschilderten Vorgehens. Die acht Probanden aus
Studie 2 waren Teil der 16 Probanden aus der bisherigen Evaluation. Zusätzlich wurden
die evaluierten Abschnitte aus den wachen und müden Phasen auf jeweils eine Minute
reduziert. Die Wahl dieser Abschnitte erfolgte wie in Kapitel 8.5 gezeigt zufällig. Es
wurde darauf geachtet, dass sich die neu gewählten Abschnitte und die zweiminütigen
Abschnitte des vorhergehenden Labelling nicht überschnitten. Das anschließende Label-
ling wurde wie in Kapitel 8.5 beschrieben von zwei unabhängigen Labelling Experten
durchgeführt.
Tabelle 9.2 gibt einen Überblick über die Ground-Truth Daten aus den zusätzlichen
Fahrabschnitten. Insgesamt kamen in den 30 Abschnitten mit einer Gesamtlänge von 30
min 763 Lidschläge der Kategorie GTa und GTb vor. In Tabelle 9.3 ist das Ergebnis der
Algorithmen a1, a5b, a6 und der Fusion für diese Abschnitte gezeigt.
162
Tabelle 9.2.: Überblick der Ground-Truth Daten
Überblick Manuelle Fahrt HAF
Wach Müde Wach Müde
1-minütige Abschnitte 7 7 8 8
Lidschläge (GTa und GTb) 178 243 190 152
Anteil von GTa 112 (62.9 %) 183 (75.3 %) 167 (87.9 %) 138 (90.8 %)
Anteil von GTb 66 (37.1 %) 60 (24.7 %) 23 (12.1 %) 14 (9.2 %)
Tabelle 9.3.: Detektionsergebnis in % der Algorithmen a1, a5b, a6 und der Fusion (M±SD)
Fahrstil Label a1 a5b a6 Fusion
Wach Müde Wach Müde Wach Müde Wach Müde
Manuell TPR 87±17 85±12 70±19 66±15 93±10 86±16 81±24 90±8
FDRBR 5±12 4±5 4±6 20±17 6±8 13±6 6±12 4±5
FDRNBR 6±10 1±3 11±20 2±3 10±12 8±10 3±4 0±0
HAF TPR 87±16 82±22 83±13 54±33 95±5 78±23 87±16 82±21
FDRBR 15±14 13±17 8±8 32±23 1±2 1±2 14±14 13±17
FDRNBR 2±4 1±4 8±8 13±16 5±8 5±6 2±3 1±2
163
9.3. Überblick, Vergleich und Auswahl der
Lidschlagparameter
Durch das fusionierte Verfahren ist eine optimierte Lidschlagdetektion in den untersuch-
ten Versuchen möglich. Einzelne Lidschlagparameter auf Basis der Übersicht in Kapitel
5.4 sollten anschließend zur genauen Untersuchung des Lidschlagverhaltens der Pro-
banden in den unterschiedlichen Fahrphasen und Automatisierungszuständen dienen. In
Hinblick auf den Gesamtzusammenhang in Abbildung 9.1 hängt die Genauigkeit der
Berechnung der Lidschlagparameter von der Signalaufzeichnung, der Lidschlagdetektion
und den aufbauenden Analysen ab. So sind neben dem Signalverlauf die detektierten
Start- und Endpositionen des Lidschließens, Lidschlusses und der Lidöffnung wichtig.
Wie Kapitel 5.2 zeigte, ist die grundlegende Definition des Startes und Endes eines Lid-
schlages unabhängig von der algorithmischen Umsetzung nicht eindeutig. Aus diesem
Grund wurde der detektierte Start und das Ende der Lidschlagdetektion als Zeitpunkt
für den Beginn des Lidschließens und das Ende der Lidöffnung aus Kapitel 9.1 und
der dortigen Beschreibung übernommen. Zur Trennung der drei Phasen Lidschließen,
Lidschluss und Lidöffnung wäre eine Unterteilung der detektierten Intervalle in Zeitab-
schnitte mit einer Sichtbarkeit der Pupille von mehr und weniger als 50 % ideal. So wäre
der Großteil der Pupille bei einem Lidschluss verdeckt. Die detektierten Lidschläge und
vorliegenden Signale wurden deshalb auf eine gute Trennung in diese Aufteilung unter-
sucht. Auf Basis der vorliegenden Signale war es dabei nicht möglich, ein erfolgreiches
Verfahren mit hoher Detektionsrate zur Trennung der drei Phasen zu entwickeln. Aus-
wertungen von Lidschlagparametern mit einem Verfahren dieser Art wären somit nicht
zielführend für eine allgemein gültige Aussage und würden stark durch Falschdetektio-
nen beeinflusst. Allerding passte die Position des Extremums des fusionierten Verfahrens
gut zu einer Pupillenverdeckung von mehr als 50 %. Aus diesem Grund wurden die de-
tektierten Lidschläge zur Parameterauswertung nicht in drei, sondern mit der Position
des Extremums als Zeitpunkt zur Trennung in zwei Phasen unterteilt. Die Grenze zwi-
schen diesen Phasen und alle darauf basierenden Parameter waren wie die Detektion des
Startes und Endes des Lidschlages somit signalbasiert und wurden hauptsächlich durch
die vertikale EOG-Aufzeichnung beeinflusst. Trotz des indirekten Zusammenhangs mit
den eigentlichen Lidschlägen sind die Parameter so in anderen Arbeiten replizierbar.
Im Folgenden werden die ausgewählten Lidschlagarameter vorgestellt. Ein Großteil
von diesen basiert auf den vorgestellten Parametern in Kapitel 9.3.
Frequenz(Fp): Anzahl der fusionierten Detektionen pro Minute (Einheit 1/min).
Schließzeit(Ts): Zeitintervall zwischen Start und Extremum (Einheit s).
Öffnungszeit(To): Zeitintervall zwischen Extremum und Ende (Einheit s).
Lidschlagdauer(Tp): Zeitintervall zwischen Start und Ende (Einheit s).
164
Schließamplitude(As): Differenz zwischen dem absoluten Minimum und Maximum
des gefilterten vertikalen EOG-Signals L6 zwischen dem Start und Extremum einschließ-
lich dieser beiden Zeitpunkte (Einheit mV).
Öffnungsamplitude(Ao): Differenz zwischen dem absoluten Minimum und Maximum
von L6 zwischen dem Extremum und Ende einschließlich dieser beiden Zeitpunkte (Ein-
heit mV).
Amplitude(Ap): Minimum aus Schließ- und Öffnungsamplitude (Einheit mV).
Energie(Ep): Integral von L6 zwischen detektiertem Start und Ende einschließlich die-
ser beiden Zeitpunkte (Einheit V·s).
Maximale Lidschließgeschwindigkeit(Vs): Maximaler Wert der Ableitung des ver-
tikalen EOG-Signals (Berechnung basierend auf dem Vorgehen von Savitzky-Golay mit
der Ordnung fünf und Fensterlänge 13; Savitzky & Golay, 1964) zwischen Start und
Extremum einschließlich dieser beiden Zeitpunkte (Einheit V/s).
Maximale Lidöffnungsgeschwindigkeit(Vo):Maximaler Wert der Ableitung des ver-
tikalen EOG-Signals (Berechnung basierend auf dem Vorgehen von Savitzky-Golay mit
der Ordnung fünf und Fensterlänge 13; Savitzky & Golay, 1964) zwischen Extremum
und Ende einschließlich dieser beiden Zeitpunkte (Einheit V/s).
Mittlere Lidschließgeschwindigkeit(Vms): Der Signalverlauf des Signals L6 bis zum
Extremum war nicht nur monoton steigend. Deshalb wurde die absolute Änderung der
Differenzen des Signalverlaufs vom Start bis Extremum von Zeitpunkt zu Zeitpunkt im
ersten Schritt aufsummiert. Diese Summe wurde durch die Länge des Abschnittes zwi-
schen Start und Ende geteilt (Einheit V/s).
Mittlere Lidöffnungsgeschwindigkeit(Vmo): Die mittlere Lidöffnungsgeschwindig-
keit wurde äquivalent zur Lidschließgeschwindigkeit mit den Bezugspunkten Extremum
und Ende berechnet (Einheit V/s).
Schließamplitude/maximale Lidschließgeschwindigkeit(Tas):Quotient der Schließ-
amplitude und der maximalen Lidschließgeschwindigkeit (Einheit s).
Öffnungsamplitude/maximale Lidöffnungsgeschwindigkeit(Tao):Quotient der Öff-
nungsamplitude und der maximalen Lidöffnungsgeschwindigkeit (Einheit s).
Lidschlag- und signalabhängiges Perclos(Pls): Da die Beschreibung, Definition und
Wahl der Schwellwerte für Perclos in der Literatur variiert (siehe Kapitel 5) wurde als
Parameter ein lidschlagabhängiges, signalbasiertes Perclos gebildet. Hierzu wurde für
jeden Lidschlag individuell das 80%-Perzentil der Amplitude berechnet. Anschließend
wurde der Signalverlauf im Zeitintervall zwischen Start und Ende mit dem Schwell-
165
wert (Extremum-20%·Amplitude) untersucht. Der Zeitabschnitt bei dem das Signal L6
oberhalb des Schwellwertes lag, wurde anschließend mit dem Abschnitt unterhalb in ein
Verhältnis gesetzt und ergab einen prozentualen Wert (Einheit 0 bis 1).
Lidschlagabhängiges Perclos(Pl): Neben Pls wurde mit einem lidschlagabhängigen
Perclos auch ein zweites Signal mit Ähnlichkeit zu Perclos ausgewertet. Hierzu wurde
die Summe der Lidschlagdauer aller Lidschläge in einem festen Zeitintervall gebildet und
durch die Länge des festen Zeitintervalls geteilt (Einheit 0 bis 1).
EOG-basierte lange Lidschläge(Sp): Absolute Anzahl der Lidschläge, die zwischen
gemessenem Start und Ende eine Sekunde oder länger waren.
9.4. Auswertung der Lidschlagparameter in Studie 1
und 2
Für die beiden Studien 1 und 2 wurden die einzelnen Lidschlagparameter auf Basis
der Beschreibungen in Kapitel 9.3 und den detektierten Lidschlägen mit dem fusio-
nierten Verfahren berechnet. Da Müdigkeit kein schlagartiger Prozess ist, wurden die
Lidschlagparameter in Intervallen mit einer Länge von zehn Minuten berechnet. Bei der
zeitbasierten Auswertung der Versuchsfahrten wurden dieselben Intervalle wie in Ka-
pitel 7 genutzt. Aufgrund der großen individuellen Unterschiede der Parameter bei den
Probanden wurden diese als Verhältnis zu einer individuellen Norm für jeden Probanden
berechnet. Als Basis für die Normierung wurde der erste betrachtete Zeitabschnitt (zehn
Minuten) genutzt. Die Abbildungen 9.3 und 9.4 zeigen die mittleren Verläufe der nor-
mierten Lidschlagparameter in Studie 1 inklusive Standardabweichungen in denselben
Intervallen wie in Kapitel 7. Von den EOG-basierten langen Lidschlägen Sp werden die
absoluten Werte gezeigt.
Die statistischen Auswertungen der Verläufe von Studie 1 über die Versuchszeit
sind zusammengefasst in Tabelle 9.4 aufgezeigt. Zusätzlich sind in Tabelle 9.4 die Korre-
lationen mit dem Verlauf der KSS aufgeführt. Zu beachten ist, dass in Studie 1 aufgrund
des Fusionsverfahrens und einer kurzen Versuchszeit zwei Probanden weniger als im vor-
ausgehenden Kapitel ausgewertet wurden.
Äquivalent zur Auswertung von Studie 1 zeigen die Abbildungen 9.5 und 9.6 das
Ergebnis der Auswertungen der Studie 2. Zu beachten ist, dass in den Abbildungen der
Paramterverläufe kein Unterschied zwischen den Probanden mit unterschiedlichen Start-
uhrzeiten und der Intervalllänge zwischen den Reaktionsabfragen gemacht wurde. Grund
hierfür war, dass die Probanden bereits im ersten Intervall unterschiedliche Startuhrzei-
ten und Intervalle hatten und mögliche Effekte der Untergruppen durch die Normierung
beeinflusst bzw. ausgeglichen wurden. Im Vergleich zu den Auswertungen in Kapitel 7
wurde ein Proband mit fehlerhafter EOG-Aufzeichnung ausgeschlossen. Tabelle 9.5 zeigt
die Ergebnisse der statistischen Auswertungen von Studie 2 über die Fahrzeit und die
Korrelation der Lidschlagparameter mit der KSS.
166
2.5 1.5
2
1.5 1
1
0.5 0.5
                    
(a) Fp (b) Ts
1.5 1.5
1 1
0.5 0.5
                    
(c) To (d) Tp
1.5 1.5
1 1
0.5 0.5
                    
(e) As (f) Ao
1.5 50
40
30
1
20
10
0.5 0
                    
(g) Ap (h) Ep
1.5 1.5
1 1
0.5 0.5
t t t t t t t t t t t t t t t t t t t t
1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10
(i) Vs (j) Vo
Abbildung 9.3.: Normierte Mittelwerte und Standardabweichungen der Lidschlusspara-
meter in den Auswertungsabschnitten t1 bis t10 von Versuch 1 1/2
167
 V , normiert  A , normiert  A , normiert  T , normierto  F , normierts p s p
 V , normiert  E , normiert  A , normiert
o p o  T , normiert
 T , normiert
p s
1.5 1.5
1 1
0.5 0.5
                    
(a) Vms (b) Vmo
1.5 1.5
1 1
0.5 0.5
                    
(c) Tas (d) Tao
1.5 2
1.5
1
1
0.5 0.5
t t t t t t t t t t t t t t t t t t t t
1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10
(e) Pls (f) Pl
80 2.5
60 2
40 1.5
20 1
0 1 2 3 4 5 6 7 8 9 10 0.5
t t t t t t t t t t t t t t t t t t
1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8
(g) Sp
Abbildung 9.4.: Normierte Mittelwerte und Standardabweichungen der Lidschlusspara-
meter in den Auswertungsabschnitten t1 bis t10 von Versuch 1 2/2
168
 S , normiert  P , normiert  T , normiert  V , normiert
p ls as ms
 P , normiert  P , normiert  T , normiert  V , normiert
l l ao mo
Tabelle 9.4.: Statistische Analyse der Lidschlagparameter (Pm) im Versuchsverlauf
von Studie 1 und die Korrelation mit der KSS
Pm Verlauf Korrelation
Fp F (1.753, 19.278) = 5.01, p = .021, η2p = .31 r = .369, p < .001 , N = 108
Ts F (8, 88) = 7.53, p < .001, η2p = .41 r = .227, p = .018 , N = 108
To F (1.966, 21.622) = 6.58, p = .006, η2p = .37 r = .467, p < .001 , N = 108
Tp F (2.024, 22.261) = 7.90, p = .002, η2p = .42 r = .412, p < .001 , N = 108
As F (2.367, 26.035) = 1.42, p = .26, η2p = .11 r = -.170, p = .079 , N = 108
A 2o F (2.604, 28.639) = 0.60, p = .59, ηp = .05 r = -.197, p = .042 , N = 108
Ap F (2.118, 23.303) = 0.43, p = .66, η2p = .04 r = -.164, p = .090 , N = 108
Ep F (1.299, 14.289) = 1.55, p = .24, η2p = .12 r = .047, p = .627 , N = 108
Vs F (1.822, 20.045) = 3.39, p = .058, η2p = .24 r = -.350, p < .001 , N = 108
Vo F (1.647, 18.112) = 2.38, p = .13, η2p = .18 r = -.359, p < .001 , N = 108
Vms F (2.358, 25.941) = 6.07, p = .005, η2p = .37 r = -.427, p < .001 , N = 108
Vmo F (1.767, 19.440) = 1.35, p = .28, η2p = .11 r = -.259, p = .007 , N = 108
Tas F (2.327, 25.594) = 11.42, p < .001, η2p = .51 r = .602, p < .001 , N = 108
Tao F (2.328, 25.610) = 16.48, p < .001, η2p = .60 r = .637, p < .001 , N = 108
Pls F (2.539, 27.929) = 6.05, p = .004, η2p = .36 r = .456, p < .001 , N = 108
Pl F (1.589, 17.480) = 7.46, p = .007, η2p = .40 r = .450, p < .001 , N = 108
S χ2p (8, N = 12) = 42.314, p < .001 τ = .450, p < .001, N = 108
169
2 6
5
1.5 4
3
1 2
1
0.5 0
                
(a) Fp (b) Ts
6 4
5
3
4
3 2
2
1
1
0 0
                
(c) To (d) Tp
1.5 1.5
1 1
0.5 0.5
                
(e) As (f) Ao
1.5 1.5
1
1
0.5
0.5 0
                
(g) Ap (h) Ep
1.5 1.5
1 1
0.5 0.5
t t t t t t t t t t t t t t t t
1 2 3 4 5 6 7 8 1 2 3 4 5 6 7 8
(i) Vs (j) Vo
Abbildung 9.5.: Normierte Mittelwerte und Standaardabweichungen der Lidschlusspa-
rameter in den Auswertungsabschnitten t1 bis bis t8 von Versuch 2 1/2
170
 V , normiert  A , normiert  A , normiert  T , normierto  F , normierts p s p
 V , normiert  E , normiert  A , normiert
o p o  T , normiert
 T , normiert
p s
1.5 1.5
1 1
0.5 0.5
                
(a) Vms (b) Vmo
1.5 1.5
1 1
0.5 0.5
                
(c) Tas (d) Tao
1.5 2.5
2
1 1.5
1
0.5 0.5
t t t t t t t t t t t t t t t t
1 2 3 4 5 6 7 8 1 2 3 4 5 6 7 8
(e) Pls (f) Pl
2.5
80
60 2
40 1.5
20 1
0 1 2 3 4 5 6 7 8 0.5
t t t t t t t t t t t t t t t t
1 2 3 4 5 6 7 8 1 2 3 4 5 6 7 8
(g) Sp
Abbildung 9.6.: Normierte Mittelwerte und Standaardabweichungen der Lidschlusspa-
rameter in den Auswertungsabschnitten t1 bis t8 von Versuch 2 2/2
171
 S , normiert  P , normiert  T , normiert  V , normiert
p ls as ms
 P , normiert  P , normiert  T , normiert  V , normiert
l l ao mo
Tabelle 9.5.: Statistische Analyse der Lidschlagparameter (Pm) im Studienverlauf von
Studie 2 und die Korrelation mit der KSS
Pm Verlauf Korrelation
Fp F (3.826, 149.225) = 2.01, p = .10, η2p = .05 r = .002, p = .97 , N = 273
Ts F (1.510, 58.890) = 1.78, p = .19, η2p = .04 r = .135, p = .025 , N = 273
To F (2.390, 93.216) = 2.65, p = .07, η2p = .06 r = .252, p < .001 , N = 273
Tp F (1.974, 76.993) = 2.47, p = .09, η2p = .06 r = .218, p < .001 , N = 273
As F (3.766, 146.880) = 1.23, p = .30, η2p = .03 r = .110, p = .07 , N = 273
A 2o F (3.791, 147.844) = 1.03, p = .39, ηp = .03 r = .203, p = .001 , N = 273
Ap F (4.209, 164.151) = 1.56, p = .18, η2p = .04 r = .101, p = .095 , N = 273
Ep F (2.406, 93.847) = 2.25, p = .10, η2p = .05 r = .293, p < .001 , N = 273
Vs F (3.125, 121.863) = 2.64, p = .050, η2p = .06 r = -.058, p = .34 , N = 273
Vo F (2.733, 109.316) = 2.58, p = .18, η2p = .04 r = .033, p = .59 , N = 273
Vms F (3.668, 143.065) = 5.23, p = .001, η2p = .12 r = -.142, p = .019 , N = 273
Vmo F (3.392, 132.283) = 3.57, p = .012, η2p = .08 r = -.022, p = .722 , N = 273
Tas F (3.099, 120.880) = 9.86, p < .001, η2p = .20 r = .358, p < .001 , N = 273
Tao F (3.092, 120.598) = 13.35, p < .001, η2p = .26 r = .271, p < .001 , N = 273
Pls F (2.669, 104.099) = 1.14, p = .33, η2p = .03 r = .060, p = .32 , N = 273
Pl F (2.595, 101.212) = 7.54, p < .001, η2p = .16 r = .266, p < .001 , N = 273
Sp χ
2(6, N = 40) = 54.34, p < .001 τ = .287, p < .001, N = 273
172
Zusätzlich zur Auswertung der Lidschlagparameter in den einzelnen Studien, wurden die
Absolutwerte dieser Parameter im ersten und letzten Abschnitt von Studie 2 hinsicht-
lich Startuhrzeit und Intervall der Reaktionsabfragen verglichen. So ist in dem ersten
Abschnitt von einem wachen Zustand auszugehen, da sich kein Proband mit einer KSS
von acht oder neun bewertete. Im letzten Abschnitt ist im Allgemeinen von einem mü-
den Zustand auszugehen, da sich ein Großteil der Probanden nicht mehr für fahrtüchtig
hielt.
Beim Vergleich der Lidschlagparameter in Studie 2 hinsichtlich der beiden Interval-
le der Reaktionsabfragen waren lediglich die Parameter Ts [F (1,21.525) = 5.98, p = .023,
η2p = .14; 30 s = .21 ± .08; 180 s = .37 ± .30] und Pls [F (1,36) = 4.38, p = .043, η2p = .11;
30 s = .20 ± .02; 180 s = .18 ± .02] signifikant unterschiedlich. Alle weiteren signifi-
kanten Unterschiede gab es in dem Faktor Startuhrzeit, deren Ergebnisse in Tabelle 9.6
aufgeführt sind. In keinem Vergleich gab es einen signifikanten Interaktionseffekt. Bei
der Verletzung der Varianzhomogenität wurde auf den Welch-Test zurückgegriffen. Zur
besseren Übersicht der Vergleiche wurden lediglich statistisch signifikante Unterschiede
berichtet.
In der manuellen Studie wurden mit den Startuhrzeiten 18 Uhr und 22 Uhr die
gleichen Zeiten genutzt. Aufgrund lediglich zweier signifikanter Unterschiede im Inter-
vall, wurden die Lidschlagparameter des ersten und letzten Abschnitts aus Studie 2
unabhängig von Startuhrzeit und Intervall zusammengefasst und mit den Parametern
aus Studie 1 verglichen. Die Ergebnisse dieses Vergleiches sind in Tabelle 9.7 und 9.8
zusammengefasst.
9.5. Diskussion und Rückschlüsse aus den Ergebnissen
Wie Kapitel 8 zeigt, haben die verschiedenen Algorithmen und Aufnahmeverfahren ver-
schiedene Vor- und Nachteile bei der Lidschlagdetektion. Im ersten Schritt im vorherge-
henden Kapitel wurden Einflüsse auf die Kameraaufnahmen, die Bildverarbeitung und
Signaleinflüsse im EOG Signal versucht jeweils durch eine optimale Signalverarbeitung
auszugleichen. Bei der Nutzung dieser einzelnen Aufnahmetechniken zur Lidschlagde-
tektion sind der Signalverarbeitung allerdings Grenzen bei der Detektionsrate und in
der Reduktion von Falschdetektionen durch die Messungenauigkeiten gesetzt. Mit der
fusionierten Nutzung der beiden Messtechniken Kamera und EOG war es möglich die
Aufnahmen zusätzlich zu validieren. Probleme durch die Verdeckung der Pupille durch
die Wimpern oder Augenbewegungen bei geschlossenen Lidern konnten so minimiert
werden. Die Evaluation der Fusion zeigte eine Verbesserung der absoluten Zahl der
FDRNBR gegenüber dem besten Einzelalgorithmus aus Kapitel 8 von circa 38 % bei
einer vergleichbaren Detektionsrate.
Die Ergebnisse des unabhängigen Labelling bestätigten, dass die gesetzten Zie-
le für die Fusion erzielt werden konnten. Der statistische Vergleich der Werte TPR
[χ2(3, N = 30) = 25.19, p < .001], FDR [χ2BR (3, N = 30) = 25.49, p < .001] und
FDR 2NBR [χ (3, N = 30) = 25.25, p < .001] zeigte signifikante Unterschiede. In post-
hoc Tests der TPR zwischen der Detektionsrate des fusionierten Algorithmus und a5b
173
Tabelle 9.6.: Statistische Analyse der Lidschlagparameter (Pm) in der ersten und
letzten Phase hinsichtlich der Startuhrzeit (18 (FS) bzw. 22 Uhr
(SS))
Pm 1. Abschnitt Letzter Abschnitt
Fp - -
Ts - -
To - -
Tp - -
As F (1, 36) = 6.99, p = .012, η2p = .16 -
FS = 258.5±73.7; SS = 205.8±49.9 -
Ao F (1, 36) = 4.46, p = .042, η2p = .11 F (1, 36) = 4.22, p = .047, η2p = .11
FS = 243.7±71.1; SS = 203.3±50.6 FS = 233.0±56.0; SS = 196.3±60.4
Ap F (1, 36) = 5.74, p = .022, η2p = .14 F (1, 36) = 5.03, p = .044, η2p = .11
FS = 223.7±69.0; SS = 178.9±48.3 FS = 203.2±52.5; SS = 166.1±58.3
Ep - -
Vs F (1, 36) = 6.46, p = .015, η2p = .15 F (1, 36) = 5.14, p = .030, η2p = .13
FS = 3.22±1.08; SS = 2.46±0.81 FS = 2.67±0.79; SS = 2.09±0.80
Vo - -
Vms F (1, 36) = 5.76, p = .022, η2p = .14 F (1, 36) = 4.50, p = .041, η2p = .11
FS = 1.44±0.47; SS = 1.12±0.38 FS = 1.15±0.37; SS = 0.89±0.37
Vmo - -
Tas - -
Tao - -
Pls F (1, 36) = 6.44, p = .016, η2p = .15 -
FS = .17±.02; SS = .19±.02 -
Pl - -
Sp - -
174
Tabelle 9.7.: Statistische Analyse der Lidschlagparameter (Pm) zwischen Studie
1 und 2 in dem ersten Abschnitt
Pm M und SD Statistik
Fp Man (23.3 ± 10.0) HAF (22.6 ± 11.6) t(1,50) = 0.19, p = .85
Ts Man (0.17 ± 0.03) HAF (0.18 ± 0.10) t(1,50) = -0.20, p = .85
To Man (0.45 ± 0.06) HAF (0.49 ± 0.34) t(1,50) = -0,31 p = .76
Tp Man (0.63 ± 0.07) HAF (0.67 ± 0.44) t(1,50) = -0.29, p = .78
As Man (232.0 ± 60.7) HAF (232.2 ± 67.6) t(1,50) = -0.01, p = .99
Ao Man (223.2 ± 57.2) HAF (223.5 ± 64.3) t(1,50) = -0.01, p = .99
Ap Man (202.3 ± 56.6) HAF (201.3 ± 63.1) t(1,50) = 0.05, p = .96
Ep Man (447.5 ± 196.0) HAF (654.5 ± 471.7) t(1,50) = -1.47, p = .15
Vs Man (3.02 ± 0.83) HAF (2.84 ± 1.02) t(1,50) = 0.57, p = .57
Vo Man (2.12 ± 0.58) HAF (2.08 ± 0.70) t(1,50) = 0.16, p = .87
Vms Man (1.31 ± 0.36) HAF (1.28 ± 0.45) t(1,50) = 0.26, p = .80
Vmo Man (0.64 ± 0.15) HAF (0.73 ± 0.19) t(1,50) = -1.50, p = .14
Tas Man (0.08 ± 0.01) HAF (0.09 ± 0.01) t(1,50) = -2.21, p = .032
Tao Man (0.11 ± 0.01) HAF (0.11 ± 0.02) t(1,50) = -1.20, p = .23
Pls Man (0.16 ± 0.01) HAF (0.18 ± 0.02) t(1,50) = -3.40, p = .001
Pl Man (0.24 ± 0.10) HAF (0.22 ± 0.10) t(1,50) = 0.55, p = .59
Sp Man (31.8) HAF (24.9) U-Test: z = -1.38, p = .17
175
Tabelle 9.8.: Statistische Analyse der Lidschlagparameter (Pm) zwischen Studie 1 und
2 in dem letzten Abschnitt
Pm M und SD Statistik
Fp Man (32.4 ± 10.2) HAF (20.8 ± 11.8) t(1,50) = 3.05, p = .004
Ts Man (0.20 ± 0.04) HAF (0.29 ± 0.23) t(1,46.710) = -2.21, p = .032
To Man (0.53 ± 0.08) HAF (0.91 ± 1.12) t(1,50) = -1.16, p = .25
Tp Man (0.74 ± 0.11) HAF (1.20 ± 1.30) t(1,40.669) = -2.23, p = .031
As Man (222.4 ± 69.1) HAF (218.1 ± 59.5) t(1,50) = 0.21, p = .83
Ao Man (215.8 ± 70.3) HAF (214.7 ± 60.4) t(1,50) = 0.06, p = .96
Ap Man (196.8 ± 68.8) HAF (184.6 ± 57.9) t(1,50) = 0.61, p = .55
Ep Man (1108.5 ± 1089.2) HAF (2776.6 ± 4339.7) t(1,50) = -1.31, p = .20
Vs Man (2.44 ± 0.77) HAF (2.38 ± 0.84) t(1,50) = 0.23, p = .82
Vo Man (1.72 ± 0.60) HAF (1.83 ± 0.57) t(1,50) = -0.53, p = .60
Vms Man (0.99 ± 0.29) HAF (1.02 ± 0.39) t(1,50) = -0.27, p = .79
Vmo Man (0.58 ± 0.15) HAF (0.66 ± 0.19) t(1,50) = -1.23, p = .22
Tas Man (0.10 ± 0.02) HAF (0.10 ± 0.03) t(1,50) = -0.86, p = .40
Tao Man (0.13 ± 0.02) HAF (0.13 ± 0.02) t(1,50) = 0.56, p = .58
Pls Man (0.19 ± 0.02) HAF (0.19 ± 0.02) t(1,50) = -1.30, p = .20
Pl Man (0.39 ± 0.11) HAF (0.29 ± 0.12) t(1,50) = 2.5, p = .016
Sp Man (36.4) HAF (23.5) U-Test: z = -2.59, p = .010
176
(z = -3.24, p = .007), a1 und a5b (z = -3.22, p = .008) und a6 und a5b(z = -4.00, p < .001)
gab es ebenfalls signifikante Unterschiede, wobei der Algorithmus a5b jeweils eine schlech-
tere Detektionsrate hatte. In post-hoc Tests der FDRBR war nach Anwendung der Bon-
ferroni Korrektur lediglich die Rate des Einzelalgorithmus a5b signifikant geringer, als
die des Algorithmus a6 (z = -4.18, p < .001). Bei post-hoc Tests zur FDRNBR war
die Fusion jeweils signifikant besser als die Ergebnisse des Algorithmus a5b (z = -3.22,
p = .002) und a6 (z = -3.15, p = .010). Algorithmus a1 hatte auch signifikant weniger
FDRNBR als a5b (z = -3.06, p = .013). Alle übrigen Vergleiche aus den post-hoc Tests
zur TPR, FDRBR und FDRNBR waren nicht signifikant. Im direkten Vergleich mit den
Einzelalgorithmen in den zusätzlichen Abschnitten erzielte das fusionierte Verfahren so-
mit entweder signifikant bessere oder vergleichbare Ergebnisse.
Im direkten Vergleich der Gesamtzahl aller Falschdetektionen der FDRNBR ist
die Fusion mit 10 Falschdetektionen bei einer gesamten Videolänge von 30 min besser
als Algorithmus a1, mit dem lediglich 14 Falschdetektionen erzielt werden konnten. Ei-
ne deutliche Verbesserung wurde gegenüber 44 Falschdetektionen des Algorithmus a5b
und 58 Falschdetektion mit Algorithmus a6 erzielt. Somit zeigt die Zahl der absoluten
Verbesserungen von mindestens 40 % auch hier einen vergleichbaren Vorteil durch die
Fusion, im Vergleich zu den Ergebnissen der Abschnitte aus Kapitel 8. Demgegenüber
stehen mit insgesamt 662 Lidschlagdetektionen der Gruppe TPR durch die Fusion in
allen Fahrphasen nur merklich weniger Detektionen als mit Algorithmus a6 mit 672,
genauso viele wie mit a1 (662) und deutlich mehr als mit Algorithmus a5b mit 544. Es
wurden auch speziell Lidschläge in müden Phasen der Probanden gleich oder besser de-
tektiert.
Durch den Fokus der Fusion auf die Detektionsrate in den müden Phasen, war die
Differenz der Detektionsraten in den unterschiedlichen Fahrzuständen nicht signifikant
unterschiedlich (z = -.39, p = 0.70). Gleiches gilt für die Detektionsraten zwischen manu-
eller und hochautomatisierter Fahrt (exakter Mann-Whitney U-Test: z = -.30, p = 0.77).
Besonders in Hinblick auf eine genaue Zustandsbeschreibung der Probanden durch Lid-
schlagparameter ist dies wichtig, da das Verhalten über die gesamte Fahrzeit besser
abgeschätzt werden kann. Ein Vergleich von Aufnahmen aus der manuellen und hoch-
automatisierten Fahrt ist durch die vergleichbare Detektion des Algorithmus so besser
möglich. Die detaillierten Ergebnisse zu den Detektionen, inklusive aller Unterkategorien
befindet sich in Tabelle D.6 bis D.9 im Anhang.
Trotz des Versuchs mit der Fusion die gesamten Lidschläge aus den unvollständi-
gen Lidschlagdetektion zu ermitteln, war dies speziell in den HAF-Phasen nicht möglich.
Gründe hierfür sind, dass einige Lidbewegungen der Kategorie Ac schwer von den Lid-
schlägen der Kategorie Ab zu trennen sind. Ebenfalls deutet die hohe Rate der FDRBR
mit dem HAFS auf ein geändertes Verhalten der Probanden hin, welches es den Algo-
rithmen erschwerte, gesamte Lidschläge richtig zu detektieren. Ursache hierfür waren
längere Schließphasen, Schlussphasen und Öffnungsphasen während der Lidschläge.
Die Auswertung der Lidschlagparameter mit dem fusionierten Verfahren zeigte ei-
ne deutliche Verhaltensänderung der Fahrer mit zunehmender Müdigkeit, speziell in den
manuellen Fahrten. Dies bestätigt die Ergebnisse aus vorhergehenden Untersuchungen
von Ebrahim et al. (2013); Jammes et al. (2008); Skotte et al. (2007) und Yang et al.
177
(2012). Von den 17 ausgewerteten Parametern korrelierten hierbei die Tas und Tao am
Besten mit der subjektiv bewerteten Müdigkeit der Probanden. Im Vergleich mit ande-
ren Arbeiten gab es bei Friedrichs und Yang (2010a) ähnliche Ergebnisse.
Bei der Auswertung der Lidschlagparameter in den hochautomatisierten Fahrten
zeigte sich, dass die ansteigende Müdigkeit das messbare Lidschlagverhalten der Pro-
banden nicht so stark beeinflusste. So korrelierten die Lidschlagparameter nicht mehr so
stark mit dem Anstieg der subjektiven Müdigkeitsbewertungen. Mit dem Parameter Tas
korrelierte der Parameter am besten mit den Bewertungen der KSS, der auch schon in
den manuellen Phasen eine gute Korrelation aufwies.
Im Vergleich der beiden unterschiedlichen Abfrageintervalle zwischen den ä, gab es
nahezu keinen signifikanten Unterschied auf das Lidschlagverhalten in dem ersten und
letzten Abschnitt. Aufgrund der sechsmal häufigeren Abfrage und der Auswertung des
Lidschlagverhaltens auch während der Abfragen in den 10-minütigen Auswerteinterval-
len wurde dieses Ergebnis nicht erwartet. Es legt nahe, dass die Beeinflussung durch die
Abfragen auf den Lidschlag beziehungsweise geschlossene und offene Augen nur klein
ist.
Im Gegensatz dazu gab es mehrere signifikante Unterschiede im Vergleich der Start-
uhrzeiten auf das Lidschlagverhalten im ersten und letzten Auswerteintervall. Dadurch,
dass diese Unterschiede häufig gleichermaßen in der ersten und letzten Auswertephase
auftraten, kann davon ausgegangen werden, dass nicht die ansteigende Müdigkeit in der
Studie zusammen mit dem Faktor Startuhrzeit hierfür verantwortlich ist. Naheliegender
sind individuelle Unterschiede zwischen den Probanden in den unterschiedlichen Start-
uhrzeiten oder eine Auswirkung des zirkadianen Rhythmus auf das Lidschlagverhalten.
Im Vergleich der Lidschlagparameter in der ersten Auswertungsphase zwischen
den unterschiedlichen Fahrzuständen manuell und hochautomatisiert, gab es bis auf die
Parameter Tas und Pls keine signifikanten Unterschiede. Da der Mittelwert von Pls un-
terhalb von 20 % liegt, deuten die Ergebnisse trotz des signifikanten Unterschiedes der
Vergleichswerte auf ein ähnliches Lidschlagverhalten der wachen Probanden hin. In den
letzten 10 Minuten der Studie gab es signifikante Unterschiede bei mehreren Lidschlag-
parametern. So blinzelten die Probanden während des manuellen Fahrens signifikant
häufiger. Die Dauer der Lidschläge war hierbei bei den Probanden mit dem HAFS signi-
fikant länger. Die hohen Standardabweichungen bei den hochautomatisierten Fahrten
im ersten und letzten Abschnitt der Studie zeigen, dass sich die Probanden länger Zeit
bei den Lidschlägen ließen. Im Gegensatz dazu sind die Standardabweichungen bei den
manuellen Fahrten gering, da die Probanden die Augen schnell öffnen und schließen
mussten, um den Überblick über das Fahrgeschehen und die Lenkaufgabe zu behal-
ten. Interessant ist, dass die müden Probanden in der manuellen Fahrt häufiger lange
Lidschläge Sp hatten und durch diese, zusammen mit der hohen Frequenz an Lidschlä-
gen insgesamt, signifikant länger die Augen geschlossen hatten als Probanden mit dem
HAFS. Dadurch, dass die langen Lidschläge Sp signalbasiert zwischen Start und End-
punkt der EOG Auswertung berechnet wurden, sollten die Werte nicht mit Lidschlüssen
von über einer Sekunde gleichgesetzt werden. So hatte der Median an EOG-basierten
Sp bereits in der ersten Fahrphase einen größeren Unterschied zwischen manueller und
hochautomatisierter Fahrt und große absolute Zahlen. Die Probanden hatten allerdings
178
während der wachen manuellen Fahrt in dieser Phase die Augen zu keiner Zeit für ei-
ne Sekunde wirklich geschlossen. Die hohe Anzahl an Sp deutet somit auf eine zeitlich
ausgedehnte Auswirkung einzelner Lidschläge hin.
179
10. Studie 3 mit abhängigen
Reaktionsabfragen 6
Nach der Auswertung der beiden Studien 1 und 2 wurde eine weitere hochautomati-
sierte Fahrstudie durchgeführt, die zusammen mit den zugehörigen Auswertungen und
Ergebnissen in diesem Kapitel vorgestellt wird. Im ersten Teil dieses Kapitels wird der
zugehörige methodische Ansatz in Anlehnung an Kapitel 6 mit Beschreibung des Ver-
suchsziels und der Gemeinsamkeiten und Unterschiede zu Studie 1 und 2 vorgestellt. Im
Anschluss werden die Ergebnisse zu mehreren Datenauswertungen in Anlehnung an Ka-
pitel 7 berichtet. Im letzten Abschnitt dieses Kapitels werden weitere Auswertungen in
Bezug zu Kapitel 9 zum Lidschlagverhalten und bewussten Kopfbewegungen vorgestellt
und diskutiert.
10.1. Methodischer Ansatz
Hauptziel der Studie
Wie in Studie 2 war das Hauptziel dieses Versuches die Reaktionsfähigkeit von Fahrern
in langen, hochautomatisierten Fahrten zu untersuchen. Dabei stand ein sehr müder Zu-
stand der Probanden während des Tests der Reaktionsfähigkeit im Vordergrund. Anders
als in Studie 2 sollte das hochautomatisierte System bzw. dessen Reaktionsabfragen in
diesem Versuch an den Fahrerzustand und das Verhalten während der hochautomatisier-
ten Fahrabschnitte auf Basis von Patent DE102015001686 A1 (2016) angepasst werden.
Die Reaktionen der Fahrer auf diese Anpassungen sollten einen Aufschluss geben, in-
wieweit die Reaktionsfähigkeit der Fahrer durch diese Anpassungen beeinflusst wird. Da
sich das Hauptziel neben der geänderten Systemfunktion des Fahrzeugs nicht von Stu-
die 2 unterscheidet, wurden nahezu dieselben Szenarios (vier einfache Testsituationen
und eine anspruchsvolle finale Testsituation) in diesem Versuch eingesetzt. Die letzte
Testsituation war ebenfalls dynamisch an die Reaktionsabfragen angepasst und startete
individuell für jeden Probanden, um den Zustand seiner größten Müdigkeit zu testen. Zu-
sätzlich wurde eine manuelle Fahrphase vor Beginn der hochautomatisierten Fahrt und
im Anschluss an die dynamische finale Testsituation eingebaut. Diese Phasen sollten
zusätzlich einen Vergleich des Verhaltens der Fahrer während des manuellen Fahrens im
wachen und müden Zustand ermöglichen. Die längere manuelle Fahrphase im Anschluss
an die lange hochautomatisierte Fahrphase hatte ebenfalls zum Ziel, zu testen, wie müde
6Auszüge des Kapitels wurden von J. Schmidt, Braunagel et al. (2016) und J. Schmidt, Dreißig et al.
(2017) veröffentlicht
180
Fahrer mit der Aufgabe zurechtkommen nach einer langen hochautomatisierten Phase
selbst zu fahren.
Probanden
Insgesamt nahmen an der Studie 34 Probanden teil. Alle Probanden hatten kaukasi-
sche Augenphysiognomien ohne weitere Auffälligkeiten. Von den 34 Probanden starte-
ten acht den Versuch um 6:20 Uhr im Anschluss an eine vorausgehende Nachtschicht.
Acht Probanden starteten den Versuch um 11:15 Uhr nach einer normalen Nacht mit
Schlaf. Der Versuch von neun Probanden startete um 17:40 Uhr im Anschluss an einen
vorausgehenden Arbeitstag und neun Probanden starteten den Versuch um 22:00 Uhr
ebenfalls nach einem normalen Arbeitstag. Aufgrund eines fehlerhaften Versuchsablaufs
bei fünf Probanden, wurden diese für die folgende Auswertung ausgeschlossen. Weitere
vier Probanden mussten ausgeschlossen werden, da bei ihnen die letzte anspruchsvolle
Testsituation fälschlicherweise bereits nach 20 Minuten startete und sie somit hinsicht-
lich dieser dynamischen Testsituation schon vorkonditioniert waren. Zusätzlich konnte
der Versuch von fünf Probanden aufgrund von Abbrüchen wegen der Simulatorkrankheit
und Problemen mit dem Simulator nicht für die Auswertung genutzt werden. Von den
20 auswertbaren Probanden nahmen drei nach der Nachtschicht, fünf um 11:15 Uhr, sie-
ben um 17:40 Uhr und fünf Personen um 22:00 Uhr teil. Eine Auswertung aufgrund der
unterschiedlichen Startzeiten wurde nicht durchgeführt, da die Personen pro Startzeit
durch einen limitierten Zugang zum Simulator nicht gleichverteilt werden konnten.
Von den 20 auswertbaren Probanden waren elf Teilnehmer männlich und neun
Teilnehmer weiblich. Das mittlere Alter der Probanden betrug 44 Jahre (SD = 12 Jah-
re). Am Versuch nahmen nur Probanden ohne Schlafstörungen teil. Diese standen zur
Zeit des Versuches nicht unter Alkohol-, Medikamenten- oder Drogeneinfluss. Ebenfalls
bestätigten alle Probanden vor Beginn der Fahrt, dass ihre Fahrttüchtigkeit nicht beein-
trächtigt war. Zur Zeit des Versuches besaßen die 20 Probanden ihren Führerschein im
Mittel seit 27 Jahren (SD = 12 Jahre, Minimum fünf Jahre). Zehn Probanden nutzten
während der Fahrt eine Brille, zwei Probanden Kontaktlinsen und acht Probanden fuh-
ren ohne Sehhilfe. An dem Versuch nahmen lediglich Mitarbeiter der Daimler AG teil.
Kein Proband hatte an Studie 1 und 2 teilgenommen.
Im Schnitt fuhren die Probanden 2:51 h (SD = 17 min), wovon im Schnitt 2:19
h mit aktiviertem HAFS zurückgelegt wurde. Im Mittel legten sie dabei 323 km zurück
(SD = 28 km).
Simulator
Für den Versuch wurde derselbe Fahrsimulator genutzt wie für Studie 1. Im Unterschied
zu dem vorhergehenden Versuch wurde in diesem Versuch als Fahrzeug die Nachfolgege-
neration des zuvor genutzten Versuchsfahrzeugs genutzt: Mercedes Benz Baureihe V 222
(S-Klasse). Auch dieses Fahrzeug war direkt mit den Steuerungs- und Aufnahmerech-
nern verbunden. Beide Seitenspiegel waren ebenfalls durch Monitore ersetzt, in denen
der rückseitige Verkehr dargestellt wurde. Für den Versuch waren alle in dem Fahrzeug
181
verfügbaren Assistenzsysteme, die die Quer- und Längsbewegung beeinflussen, ausge-
schaltet (Elektronisches Stabilitätsprogramm, Anti-Blockier-System, Antriebsschlupfre-
gelung, Distronic Plus). Es wurde lediglich aufgezeichnet, ob diese während der Fahrt
aktiviert worden wären. Im Gegensatz zu Serienfahrzeugen war in dem Fahrzeug eine
hochautomatisierte Fahrfunktion eingebaut und für den Versuch nutzbar. Die Fahrzeug-
uhr wurde während der Versuche abgeklebt und die Probanden ließen Armbanduhren
und Handys in einem getrennten Raum zurück, der zur Vorbefragung während der Ver-
suche diente. Der Versuchsleiter befand sich während der Versuchsfahrten in einem se-
paraten Kontrollraum und hatte die Möglichkeit, über eine Gegensprechanlage mit dem
Probanden zu sprechen. Im Fahrzeuginnenraum waren vier Infrarotkameras (eine po-
sitioniert in Fahrtrichtung, eine auf die Pedallerie, eine seitlich aus Sicht der B-Säule
der Beifahrerseite auf den Fahrer gerichtet und eine vom Armaturenbrett zwischen Fah-
rer und Beifahrerplatz in Richtung des Fahrerkopfes) angebracht, deren Videos für den
Versuchsleiter sichtbar waren. Weitere Details zum Fahrsimulator sind in Kapitel 6.2
aufgeführt.
Hochautomatisierte Fahrfunktion
Ähnlich zu Studie 2 kam auch in diesem Versuch das in Kapitel 6.3 beschriebene HAFS
mit kleineren Änderungen zum Einsatz. Gleich mit Studie 2 waren die Bedingungen
zur Aktivierung und Deaktivierung B1, B2, B4 - B6 sowie D2 - D4. Zur Aktivierung des
Systems musste eine Taste auf der rechten Seite des Lenkrades betätigt werden, die farb-
lich markiert war (Taste um normalerweise einen Anruf zu tätigen; Im Bedienfeld auf
der rechten Seite des Lenkrades einer Mercedes-Benz Baureihe V 222, Bedingung B3b).
Weitere Details zum HAFS, wie der eingestellten Geschwindigkeit wurden aus dem vor-
hergehenden Versuch 6.3 übernommen.
Im Gegensatz zu Studie 2 waren die Reaktionsabfragen nicht in konstanten In-
tervallen geschaltet, sondern direkt an das Fahrerverhalten gekoppelt. Hierzu dienten
die Signale einer auf dem Mantelrohr angebrachten Infrarotkamera, die ein Bild des
Fahrerkopfes während der Fahrt aufnahm. Über eine interne Bildverarbeitung wertete
die Kamera den prozentualen Lidabstand (PL) beider Augen und die Kopfposition des
Fahrers aus und zeichnete diese zusammen mit einem Validitätssignal auf. Die Reakti-
onsabfragen in der Studie wurden auf Basis des prozentualen Lidabstandes durch eine
der zwei folgenden Bedingungen gestartet:
• Der Fahrer hatte die Augen für mindestens eine Sekunde am Stück geschlossen
(PL ≥ 80 % des Lidspaltensignals für mindestens eine Sekunde am Stück)
• Das Perclos-Signal des Fahrers lag im Zeitfenster der letzten 30 s über 20 %. (PL
innerhalb von 30 s für mehr als 6 s über 80 %)
Die Reaktionsabfragen hatten zum Ziel, den Fahrer zu bitten, die eigene Reaktionsfähig-
keit zu bestätigen, falls diese aufgrund der objektiven Messgrößen mit der Kamera nicht
ersichtlich war. Hiermit wird ein System eingesetzt, dass die Anforderungen von Hörwick
182
(2011, Kapitel 6.4) an eine Schnittstelle zwischen Mensch-Maschine erfüllt und Informa-
tionen einer Fahrerbeobachtung und Interaktion verbindet. Durch dieses Konzept wurde
ein Fahrer als nicht reaktionsfähig eingestuft, der die Augen über einen längeren Zeit-
raum nicht offen oder häufig geschlossen hatte. Eine Reaktionsabfrage musste dabei wie
in Studie 2 durch Drücken einer Taste auf dem Lenkrad bestätigt werden. Ein ähnli-
ches Konzept wurde beispielsweise auch für den Schienenverkehr getestet (Dattel et al.,
2002). Im Gegensatz zu einer direkten Übernahme der Fahraufgabe wie in der Studie
von Merat et al. (2014) bei Blickabwendungen, musste der Fahrer dies in dieser Studie
nicht.
Wie in Kapitel 5.6.2 beschrieben, ist das Perclos Signal in manuellen Fahrten ein
Indikator für den Müdigkeitszustand des Fahrers. Da der Fahrer bei hochautomatisierten
Fahrten die Augen nicht mehr zur Bewertung der Fahrsituation und reaktiven Steue-
rung der Fahrt geöffnet haben muss, ist ein Lidschluss über einen längeren Zeitraum
nicht zwingend müdigkeitsbedingt. So könnte der Lidschluss auch willentlich zum Ent-
spannen, zur besseren Konzentration auf die eigenen Gedanken oder aufgrund eines
gewollten Abschaltens von visuellen Einflüssen des Fahrers erfolgen. Aus diesem Grund
diente die Reaktionsabfrage zum indirekten Nachweis, dass der Fahrer trotz langer Lid-
schlüsse nicht schlief und sich seiner Übernahmefähigkeit noch immer bewusst war. Da
die beiden Bedingungen zur Auslösung der Reaktionsabfrage lediglich als Indiz für die
visuelle Inaktivität des Fahrers gesehen werden kann und nicht zwingend als Anzeichen
einer gesamtheitlichen Inaktivität oder Müdigkeit, wurden Kopfbewegungen zusätzlich
als weiteres Indiz für einen aktiven Zustand des Fahrers berücksichtigt. Der Grund hier-
für ist, dass schlafende Personen keine großen Kopfbewegungen durchführen, wie sie
normalerweise in großen Blickwechseln zu finden sind. Aus diesem Grund wurden die-
se bewussten Kopfbewegungen mit dem Ansatz aus dem Patent DE102005026457 A1,
(2006) verwendet, in dessen Berechnung statt der Ableitung des Lenkradwinkelsignals
die euklidische Norm der vertikalen und horizontalen Kopfbewegung einging. In einem
ersten Schritt detektierte der Algorithmus hierbei lokale Maxima im Ableitungssignal
der Kopfposition. Von jedem lokalen Maximum wurden die Amplitude und die Ge-
schwindigkeit mit zwei Schwellwerten verglichen, um sie als bewusste Kopfbewegung zu
klassifizieren. Der Algorithmus lernte die genutzten Schwellwerte während der Fahrt und
stimmte sie so individuell auf den jeweiligen Fahrer ab. Alle Maxima im Geschwindig-
keitssignal und der zugehörigen Amplituden vor der Bewertung bildeten die Basis zum
lernen. Der Algorithmus berechnete das 75. Perzentil der Amplituden und Geschwin-
digkeiten und setzte diese als Schwellwert. Zusätzlich musste der Schwellwert für die
Amplitude der Kopfbewegungen zwischen den Werten 4.8◦ bis 16.5◦ und die Geschwin-
digkeiten der Kopfbewegung zwischen 25◦/s und 50◦/s liegen. Diese Werte wurden in
Vorstudien zu bewussten Kopfbewegungen bestimmt und als Initialwerte genutzt. Zu-
sätzlich verhinderten diese fixen Werte, dass Schwellwerte bei Probanden mit nahezu
keinen oder häufigen großen Kopfbewegungen zu einer Reduktion der Erkennung der
Kopfbewegungen mit einer Aktivität führte. Zusammengefasst wurde somit eine Reak-
tionsabfrage ausgelöst, wenn eine der beiden obigen Bedingungen zur Lidstellung erfüllt
waren und folgende Kriterien zusätzlich erfüllt wurden:
183
• Die Amplitude der Kopfbewegungen des Fahrers lag nicht über dem individuellen
Schwellwert für bewusste Kopfbewegungen.
• Die Geschwindigkeit der Kopfbewegungen des Fahrers lag nicht über dem indivi-
duellen Schwellwert für bewusste Kopfbewegungen.
Während der Fahrt gab es Zeitpunkte, in denen die Bildverarbeitung der Kamera die
Augen oder den Kopf des Fahrers nicht mehr im Kamerabild detektieren konnte. Die-
se Zeitpunkte wurden durch das Validitätssignal der Detektion ermittelt. Gründe für
fehlende Detektionen der Augen und des Kopfes waren Verdeckungen in den Kamera-
aufnahmen durch die Hand des Fahrers im Blickfeld zwischen Kamera und Fahrerkopf
oder Zeitpunkte in denen der Fahrer den Kopf so stark gedreht hatte, dass die Kamera
die Vorderseite des Kopfes nicht mehr sah (z.B. Schulterblicke). In diesen Zeitpunk-
ten war es nicht möglich zu entscheiden, ob eines der obigen vier Kriterien zutraf. Für
die Berechnung langer Lidschlüsse wurde in diesen Zeitpunkten angenommen, dass der
Fahrer die Augen offen hatte (Best Case Annahme), da er im Falle einer großen Kör-
perdrehung aktiv sein musste und bei den auftretenden kurzen Verdeckungen durch die
Hände, eine Aktivität ausführte. Für die Perclosberechnung wurden Zeitpunkte ohne
erkannte Lidspalte aus der Evaluation ausgeschnitten und nicht berücksichtigt. Entspre-
chend verringerte sich dadurch das aktuelle Zeitfenster für die Berücksichtigung von
offenen und geschlossenen Augen für eine kurze Phase.
Traf eine der ersten beiden Bedingungen aufgrund längerer Lidschlüsse zu und es
wurde keine Kopfaktivität erkannt, so musste der Fahrer wie in Studie 2 eine Reak-
tionsabfrage durch einen Tastendruck auf dem Lenkrad innerhalb von fünf Sekunden
bestätigen. Als zusätzliche Bedingung durfte die letzte Reaktionsabfrage oder eine ma-
nuelle Fahrt des Probanden nicht vor weniger als 180 Sekunden stattgefunden haben.
Zur Reaktionsabfrage wurde der Fahrer visuell durch ein Bild auf dem Command Dis-
play (Countdown von fünf Sekunden) und einen kurzen akustischen Hinweis aufgefor-
dert. Bestätigte der Proband die Reaktionsabfrage innerhalb von fünf Sekunden, so blieb
HAF aktiv. Wurde die Reaktionsabfrage nicht innerhalb von fünf Sekunden bestätigt, so
startete die Übergabe der Fahraufgabe an den Fahrer mit einer Übergabezeit von fünf
Sekunden automatisch. Die Aufforderung zur Fahrzeugübernahme wurde dem Fahrer
visuell durch ein Bild im Command Display, begleitet von einer akustischen Aufforde-
rung, mitgeteilt. In der Übergabezeit blieb HAF weiterhin aktiv bis zu dem Zeitpunkt,
an dem der Fahrer übernahm oder bis die fünf Sekunden abgelaufen waren. Ab Ende
der fünf Sekunden fuhr das Auto bei Inaktivität des Fahrers mit dem letztgewählten
Lenkradwinkel weiter und wurde lediglich durch die Fahrwiderstände und das Motor-
moment gebremst. Nach Ende einer Übergabeaufforderung (aufgrund einer verpassten
Reaktionsabfrage oder aufgrund eines Ende der Streckenfreigabe für HAF; B1) wurde ei-
ne erneute Aktivierung des HAFS für fünf Sekunden gesperrt. Abbildung 10.1 zeigt einen
Überblick über den genutzten Algorithmus. Als Taste zur Bestätigung der Reaktions-
abfragen wurde die OK Taste auf dem Multifunktionslenkrad des Fahrzeugs (Mercedes
Benz, Braureihe V 222) genutzt, die sich auf der linken Seite des Lenkrades befand. Wie
in Studie 2 wurden zur Anzeige des aktuellen Zustands des Assistenzsystems (HAF nicht
184
Abbildung 10.1.: Algorithmus zur Überprüfung der Reaktionsfähigkeit
verfügbar, HAF verfügbar und HAF aktiv) die in Kapitel 6.3 beschriebenen Anzeigen
verwendet.
Messtechnik
Von den Fahrten wurden Fahrzeug- und Simulationsparameter wie die Geschwindigkeit,
Abstand zu weiteren Verkehrsteilnehmern oder die Interaktion mit dem automatisier-
ten System mit 50 Hz aufgezeichnet. Wie in Studie 2 wurde der Proband aufgefordert,
seine Müdigkeit subjektiv auf Basis der KSS zu bewerten. Eine Skala hierfür wurde als
halbtransparentes Fenster in den Himmel über der Fahrbahn projiziert (äquivalent zu
Abbildung 6.11). Der Proband musste seine Müdigkeit auf Basis der KSS einschätzen
und die entsprechende Zahl mündlich nennen. Der Studienleiter speicherte anschließend
die Bewertung ab und deaktivierte die Anzeige. Dieser Prozess wurde gegenüber dem
Probanden als Automation ohne Interaktion mit dem Studienleiter kommuniziert. Da die
Probanden hauptsächlich hochautomatisiert fuhren und dabei die Augen nicht zwingend
geöffnet hatten, bemerkten sie die KSS Anzeige nicht immer. Um den Proband durch
die Abfrage in diesen Zeitpunkten nicht aus dem möglichen Schlaf zu wecken, wurde die
Skala maximal für 45 Sekunden eingeblendet und bei einer fehlenden Rückmeldung des
Probanden mit einem entsprechenden Vermerk entfernt. Es wurde sichergestellt, dass die
Reaktionsabfragen und Testsituationen nicht gleichzeitig mit der KSS auftreten konnten.
Aus diesem Grund war das Intervall zwischen zwei Müdigkeitsabfragen nicht konstant
und betrug zwischen 15 und 24 Minuten.
Die genutzte Infrarot-Fahrerkamera zur Detektion des Lidabstands und der Kopf-
185
position war auf dem Mantelrohr des Fahrzeugs montiert. Zwei infrarote Lichtquellen
der Kamera waren zusätzlich auf dem Armaturenbrett montiert. Die Kamera nahm den
Fahrer mit 45 Bildern pro Sekunde auf. Die gesamte Kamera und Bildverarbeitung wur-
de für die Studie in einem Black-Box Konzept genutzt, da es zu der Kamera, Bild- und
Signalverarbeitung keine technischen Beschreibungen und Genauigkeitstests zu der Gü-
te der Signale gab. Die Kamera lieferte ein Validitätssignal der aktuellen Messung, eine
Zählvariable, sechs Signale zur Kopfposition im Raum und ein prozentuelles Signal zur
Lidspalte. Durch Umwandlung des prozentuellen Signals zur Lidspalte zeigte ein binäres
Signal direkt an, ob die Lider zu mehr als 80 % geschlossen waren. Da weitere Messtech-
nik im Blickfeld zwischen der Kamera und dem Fahrergesicht die Aufnahmen beeinflusst
hätten, wurde in dieser Studie kein Head-mounted Eye Tracker oder EOG-System ge-
nutzt.
Ein Lasertracker (Burlington Ascension Technology Corporation, 2004) zeichnete
Signale zur Kopfposition auf, um die Kopfpositionsbestimmung der Fahrerkamera zu va-
lidieren. Durch seine seitliche Position am Fahrerkopf beeinflusste dieser die Detektion
der Fahrerkamera nicht und lieferte genaue Daten zur Kopfposition.
Zusätzlich maß das Systems XSENS (XSENS, 2017) die Bewegungen der Armge-
lenke. Eine Auswertung der Signale ist nicht Bestandteil dieser Arbeit.
Studienablauf
Wie in Studie 2 stand auch in dieser Studie eine anspruchsvolle Testsituation während
der hochautomatisierten Fahrt im müden Zustand der Probanden im Vordergrund. Aus
diesem Grund wurde die dynamische Testsituation mit der Kiste (im folgenden Kisten-
situation genannt) auf der Fahrspur des Probanden mit denselben Abständen wie in
der vorausgehenden Studie implementiert (siehe Bilder in Übersicht 6.13). Zusätzlich
wurden auch die vier weiteren einfachen Testsituationen im Vorfeld der anspruchsvollen
Testsituation mit einer ähnlichen Parametrierung übernommen.
Als Fahrtstrecke wurde ein vierspuriger Rundkurs einer deutschen Autobahn (zwei
Spuren mit einem seitlichen Standstreifen auf der rechten Seite) genutzt. Eine Run-
denlänge betrug 131 km. Eine Fahrspur hatte eine Breite von 3.5 m und die Breite
des Standstreifens betrug 3 m. Eine Nutzung derselben Fahrtstrecke wie in Studie 2
konnte aufgrund des Wechsels der Simulatoren nicht umgesetzt werden. Eine Nutzung
derselben Fahrtstrecke aus der manuellen Studie 1 war aufgrund von zwischenzeitlichen
Änderungen am Simulator ebenfalls nicht möglich. Eine monotone Streckenumgebung
und eine durchgehend dunkle Wolkendecke in dieser Studie sollte die Müdigkeit der Pro-
banden fördern. Die Fahrzeuge auf der Gegenfahrbahn erschienen im Mittel einmal pro
gefahrenem Kilometer und die Probanden wurden bis zur letzten dynamischen Situation
im Mittel von anderen Verkehrsteilnehmern ebenfalls pro gefahrenem Kilometer einmal
überholt. Die Geschwindigkeitsbegrenzung in der Studie betrug 130 km/h.
Vor Beginn der Studie füllten die Probanden einen Vorbefragungsbogen aus, dessen
ausgewerteter Teil für diese Arbeit vollständig dem Vorbefragungsbogen aus Studie 2
entsprach und sich in Anhang A befindet. Ebenfalls wurde den Probanden die hochau-
tomatisierte Fahrfunktion mit allen Randbedingungen erklärt und ein fiktives Fahrtziel
186
vorgegeben. Die Bedingungen zur Triggerung der Reaktionsabfragen wurden den Pro-
banden nicht erläutert, sondern lediglich, wie auf diese reagiert werden musste. Vor
Beginn der Fahrt wurde die hochautomatisierte Funktion des Fahrzeugs im Simulator
erklärt und die Probanden bewerteten erstmals ihren Müdigkeitszustand anhand der
dargestellten KSS.
Die anschließende Fahrstudie war in drei Abschnitte gegliedert. Zur Vergleichbar-
keit zwischen dem Verhalten der Probanden im manuellen und hochautomatisierten
Fahren startete die Studie mit einer 17-minütigen manuellen Fahrt. Der Abschnitt zwei
wurde bis auf die fünf Testsituationen hochautomatisiert zurückgelegt. Nach einer ab-
schließenden manuellen Fahrt in Abschnitt drei endete die Fahrt. Im Vorfeld wurden
die Probanden lediglich über die Abfolge der ersten manuellen Phase bis zum Start des
zweiten Fahrabschnitts mit hochautomatisiertem Fahren informiert.
In der 17-minütigen manuellen Fahrt zu Beginn sollten sich die Probanden mit der
Fahrdynamik des Fahrzeugs vertraut machen. Es war ihnen nicht möglich, das HAFS zu
aktivieren, das durch eine entsprechende Anzeige im Command-Display angezeigt wur-
de. In dieser Fahrphase mussten die Probanden zwischen der vierten und siebten Minute
eine kurze Aufgabe durchführen. Die aufgenommenen Daten der Aufgabe sind nicht Teil
der eigenen Auswertungen und werden deshalb nicht näher beschrieben. 15 Minuten
nach dem Start der Fahrt wurde der Proband gebeten seine KSS zu bewerten.
Nach der 17-minütigen manuellen Phase konnten die Probanden HAF aktivieren.
Dies wurde den Probanden im Display angezeigt. Zur Aktivierung des HAFS mussten
die Bedingungen B2 und B6 erfüllt werden. Nach einer erfolgreichen Aktivierung testeten
die Probanden die eigene Übernahme durch Bremsen, Beschleunigen, einen Spurwechsel
und die erneute Aktivierung des Systems. Zusätzlich wurden zwei Reaktionsabfragen
durch den Studienleiter manuell ausgelöst. Die Probanden waren vom Studienleiter an-
gewiesen, eine der beiden absichtlich nicht zu bestätigen, um die genaue Abfolge der
anschließenden Übernahmeaufforderung kennenzulernen.
Im Anschluss an den fünf-minütigen Eingewöhnungsteil gab es wie in der manu-
ellen Phase auch in der hochautomatisierten Fahrt zwischen den Fahrtminuten 22 und
25 eine zweite Aufgabe. Diese ist ebenfalls nicht Teil dieser Arbeit. Der gesamte Ein-
führungsteil für HAF und der Aufgaben fand in einem Zeitfenster von acht Minuten
statt. Zusätzlich wurden die Probanden gebeten HAF ab dem Einführungsteil so oft
wie möglich zu aktivieren, um dieses Assistenzsystem zu erleben. Ebenfalls sollten die
Probanden gemäß des Rechtsfahrgebots die rechte Fahrspur nutzen, falls diese frei war.
Elf Minuten nach Ende des Einführungsteils mit dem HAFS startete die erste
Übernahmeaufforderung. Wie in Studie 2, bremste ein Vorderfahrzeug direkt nach Ende
der Übergabezeit von 100 km/h auf 80 km/h mit 2.5 m/s2. Das Vorderfahrzeug fuhr im
Abstand von 55.6 m vor dem Fahrzeug der Probanden.
Nach einer Fahrzeit von 56 min startete die zweite Übernahmeaufforderung, bei
der ein Polizeiwagen einen Verkehrsunfall abschirmte. Alle Parameter, wie der Start-
zeitpunkt der Übernahmeaufforderung oder Zeitpunkt des Spurwechsels eines Vorder-
fahrzeugs, waren gleich wie in Studie 2. Aufgrund des Spurwechsels des Vorderfahrzeugs
konnten Probanden das Polizeiauto bis zu drei Sekunden vor Beginn der Übernahmeauf-
forderung sehen.
187
Die dritte Übernahmeaufforderung ereignete sich in einer langgezogenen Linkskur-
ve (Radius 1350 m) nach einer Fahrtzeit von 82 min. Bis auf den Kurvenradius war sie
gleich wie die dritte Testsituation in Studie 2.
Die vierte Testsituation ereignete sich nach einer Fahrtzeit von 108 Minuten. Anders
als in Studie 2 befand sich das liegengebliebene Fahrzeug auf dem Standstreifen nicht
in einer langgezogenen Linkskurve, sondern aufgrund des Streckenverlaufes auf einer
Geraden. Es stand auch keine Person neben dem Fahrzeug auf dem Standstreifen. Das
liegengebliebene Fahrzeug konnte bis zu drei Sekunden vor Beginn der Testsituation
gesehen werden. Zu Beginn der Übernahmeaufforderung hatte das Fahrzeug des Pro-
banden einen Abstand von 8.8 s zu dem liegengebliebenen Fahrzeug.
Die anschließende Kistensituation startete wie in Studie 2 dynamisch, falls der Pro-
band die Bestätigung der Reaktionsabfrage verpasste. Im Zeitfenster zwischen 108 und
130 Minuten Fahrtzeit, startete die Kistensituation direkt als Folge von zwei verpassten
ä. Somit konnte die Testsituation frühestens nach 114 Minuten Fahrtzeit beginnen. Im
Anschluss an 130 Minuten Fahrtzeit startete die Kistensituation automatisch bei der
ersten verpassten Reaktionsabfrage. Falls der Proband alle Reaktionsabfragen ab 130
Minuten bestätigen konnte, wurde die Testsituation nach einer Fahrtzeit von 180 Mi-
nuten automatisch ausgelöst. Wie in Studie 2 fuhr während der gesamten Fahrtstrecke
ab 17 Minuten ein Fahrzeug mit 100 km/h vor den Probanden, welches diese bis zur
Kistensituation nicht überholen sollten. Die fünf Übernahmeaufforderungen inklusive
den anschließenden Fahrsituationen werden zur Vereinfachung im Folgenden Bremsen,
Unfall, Kurve, Panne, Kiste bzw. Testsituation genannt.
Anders als in Studie 2, wurde die Priorisierung zwischen der Fahrerinteraktion
(KSS und Reaktionsabfrage) getauscht. Es wurden auch Reaktionsabfragen während
der Aufgabenstellung zu Beginn der hochautomatisierten Fahrphase unterdrückt (Minu-
te fünf bis acht in der HAF Phase). Um zu verhindern, dass sich die Reaktionsabfrage
und KSS überschnitten und den Probanden verwirrten oder beeinflussten, wurden die
beiden Abfragearten in dieser Studie gekoppelt. Eine KSS-Abfrage wurde deshalb nicht
in konstanten Intervallen gestartet. Damit sie starten konnte, musste die vorangegange-
ne KSS-Abfrage vor mindestens 15 Minuten ausgeschaltet worden sein. Darüber hinaus
musste die letzte Reaktionsabfrage zur Triggerung einer KSS-Abfrage exakt 120 Sekun-
den vorher bestätigt worden sein, oder der Proband aktuell manuell fahren. Da das
Intervall zwischen zwei Reaktionsabfragen mindestens 180 s groß war oder mindestens
180 s nach der Aktivierung des HAFS bis zu einer Reaktionsabfrage vergangen sein muss-
te, wurde eine Überschneidung von KSS- und Reaktionsabfrage verhindert. Eine weitere
Bedingung war, dass eine KSS-Abfrage nur gestartet werden durfte, wenn der aktuelle
Zeitpunkt nicht im Zeitfenster von drei Minuten vor, bis eine Minute nach einer der vier
einfachen Testsituationen lag. Betrug die Zeit seit der letzten KSS-Abfrage mindestens
15 Minuten und die KSS-Abfrage lag in dem Zeitraum um eine der Testsituationen, so
wurde eine KSS-Abfrage automatisch am Ende des Zeitfensters gestartet. Damit der
Fahrer auch in langen Zeitabschnitten mit kontinuierlich aktiviertem HAFS ohne Start
einer Reaktionsabfrage seine Müdigkeit einschätzen sollte, wurde eine Reaktionsabfrage
zusätzlich zu der Abfrage aufgrund der Lidstellung auch durch eine nötige KSS-Abfrage
getriggert. Eine Reaktionsabfrage wurde automatisch 18 Minuten nach dem Abschalten
188
der vorausgegangenen KSS-Abfrage getriggert, wenn der Zeitpunkt der nächsten Testsi-
tuation nicht innerhalb der anschließenden fünf Minuten anstand. In diesem Fall startete
die KSS-Abfrage exakt 20 Minuten nach der vorausgehenden Abfrage. Dieses Konzept
verhinderte erfolgreich die Überschneidung zwischen den Testsituationen, KSS-Abfragen
und ä. Dies hatte zur Folge, dass die KSS-Abfragen anders als in den übrigen Studien
nicht in festen Intervallen von 15 Minuten abgefragt wurden, sondern im Intervall von
15 - 20 Minuten. Je nach Lage der Testsituationen konnte der Zeitabschnitt auch auf bis
zu 24 Minuten ausgedehnt werden. Gleichzeitig wurde über die Abfolge sichergestellt,
dass Probanden auch ohne Auslösung einer Reaktionsabfrage mindestens eine Reaktions-
abfrage in den Zeiträumen zwischen den einfachen Testsituationen bestätigen mussten.
Für die Fahrt nach der vierten Testsituation war darüber hinaus sichergestellt, dass die
Probanden ihre Reaktionsfähigkeit in Intervallen von mindestens 20 Minuten bestätig-
ten.
Nach der Kistensituation konnten die Probanden das HAFS nicht mehr aktivieren
und mussten anders als in Studie 2 die Fahrt für weitere 15 Minuten manuell fortsetzen
(bei einer zulässigen Geschwindigkeit von 130 km/h). Dies wurde dem Proband durch
eine entsprechende Anzeige im Display kenntlich gemacht. Das Führungsfahrzeug be-
schleunigte zu Beginn dieser Phase auf 160 km/h. Eine KSS-Abfrage startete in dieser
Phase zehn Minuten nach dem Ende der Kistensituation. In den letzten 150 Sekunden
der viertelstündigen Fahrt fuhren mehrere Fahrzeuge auf beiden Fahrspuren vor dem
Probanden mit einer Geschwindigkeit von 100 km/h. Aufgrund des dichten Verkehrs
zwischen den Fahrzeugen konnten diese nicht überholt werden. Am Ende der 15 Minuten
bremsten die Fahrzeuge vor dem Probanden mit konstant -2.5 m/s2 bis zum Stillstand.
Hierdurch stellten sie ein abruptes Stauende dar. Aufgrund der hohen konstanten Verzö-
gerung bis zum Stillstand war diese Situation erneut anspruchsvoll und erforderte einen
starken Bremseingriff.
Nach der letzten anspruchsvollen Situation mit dem Stauende endete die Fahrt
und die Probanden füllten einen Nachbefragungsbogen aus. Im Gegensatz zu dem Nach-
befragungsbogen aus Studie 2 wurde der Nachbefragungsbogen um zusätzliche Fragen
ergänzt. Aufgrund der Rückmeldungen der Probanden in Studie 2 wurden die Fragen
zu den Testsituationen hinsichtlich der Kriterien der Beanspruchung, des Risikos eines
Unfalls, der benötigten Zeit zur Reaktion und der subjektiven Kritikalität in den Testsi-
tuationen angepasst. Aufgrund der Anpassungen sind alle Fragestellungen, die in dieser
Studie ausgewertet wurden in dem zusätzlichen Anhang E beigefügt. Abbildung 10.2
fasst den Gesamtverlauf der Studie zusammen.
Die gesamte Studie fand zwischen dem 16. und 29.9.15 an zehn Tagen am Standort
Sindelfingen statt.
189
Abbildung 10.2.: Gesamtverlauf der Studie 3
10.2. Müdigkeitsentwicklung und Fahrverhalten in
Studie 3
Im Folgenden werden die Auswertungen der Studie 3 in Anlehnung an die Auswer-
tung in Kapitel 7 vorgestellt. Grund hierfür sind dieselben Fragestellungen hinsichtlich
der Müdigkeitsentwicklung der Probanden, die Reaktionen auf die Reaktionsabfragen
und die Übernahmeaufforderungen. Eine detaillierte Schilderung des Vorgehens ist zu
Beginn von Kapitel 10.1 erläutert. Aufgrund der unregelmäßigen und selteneren Reakti-
onsabfragen wurde angenommen, dass die Probanden diese nicht mehr so gut bestätigen
konnten. Es wurde angenommen, dass die selteneren Reaktionsabfragen den Anspruch
der Testsituationen erhöhen und die Probanden nicht mehr so sicher wie in Studie 2 han-
delten. Obwohl ein direkter Vergleich der Ergebnisse aus Studie 2 mit den Reaktionen
der Probanden auf die Testsituationen in dieser Studie naheliegt, wurde ein statistischer
Vergleich nicht durchgeführt. Der Grund hierfür war, dass der Zeitpunkt der Testsitua-
tionen im Vergleich zu Studie 2 nicht identisch war. Die Testsituationen waren auch
aufgrund des veränderten Streckenprofiles nicht exakt gleich. Hinzu kommt, dass die
Reaktionen und Ausführungen der Fahrten in den Verkehrssituationen stark von der
räumlichen Wahrnehmung abhängen. Die Unterschiede in den Fahrsimulatoren könn-
ten deshalb ebenfalls einen Einfluss gehabt haben. Zusätzlich waren die visuellen und
akustischen Aufforderungen (ä, Übernahmeaufforderungen) aufgrund des Entwicklungs-
prozesses nicht exakt gleich.
Die statistischen Vergleiche wurden nur mit Teilgruppen von Studie 3 ausgewertet.
Die Auswertungen in diesem Kapitel sind zur besseren Vergleichbarkeit ähnlich zu den
Auswerteschritten in Studie 2 gehalten. In der anschließenden Diskussion wird der Bezug
der Ergebnisse von Studie 3 zu den Ergebnissen aus Studie 2 aufgezeigt.
190
9
8
7
6
5
4
3
2
1
t t t t t t t t t t t
1 2 3 4 5 6 7 8 9 10 11
Ausgewerteter Abschnitt
Abbildung 10.3.: Mittlere KSS-Rückmeldungen und Standardabweichungen über der
Zeit in den elf Auswerteabschnitten t1 bis t11 von Studie 3
10.2.1. Müdigkeitsentwicklung
Abbildung 10.3 zeigt die mittleren KSS-Bewertungen der Probanden in Abschnitten von
jeweils 10 min. Da sich die Probanden an die Fahrt gewöhnen mussten und die erste Auf-
gabe bis zu der siebten Minute der Fahrt stattfand, repräsentieren die Werte in t1 in
Abbildung 10.3 die KSS-Bewertungen der letzten zehn Minuten der manuellen Fahrt zu
Beginn der Studie. Aufgrund der Eingewöhnungsphase an HAF und der zweiten Aufgabe
wurden die daran anschließenden ersten zehn Minuten der hochautomatisierten Fahrt
in der Auswertung nicht berücksichtigt. Zusätzlich wurden die Abschnitte während der
Testsituationen, alle manuell befahrenen Fahrabschnitte, sowie die Zeit während der
Reaktionsabfragen aus der weiteren Analyse ausgeschlossen. Die Evaluationsabschnit-
te t2 bis t9 zeigen deshalb die Fahrabschnitte, die sich circa zwischen der 27. bis zur
107. Minute der Fahrt erstreckten. In allen diesen Abschnitten fuhren die Probanden
hochautomatisiert. Die Darstellung endet nach 9 Werten, da im zehnten Abschnitt erst-
mals die Kistensituation von einem Probanden ausgelöst wurde. Die letzte Testsituation
startete dynamisch, weshalb der Zeitpunkt bei jedem Probanden unterschiedlich war.
Aus diesem Grund sind in t10 die letzten zehn Minuten der Fahrt der Probanden vor
der Kistensituation zusammengefasst. Der daran anschließende Fahrabschnitt von fünf
Minuten manuelle Fahrt wurde aufgrund des Einflusses der anspruchsvollen Kistensitua-
tion und des Überganges im Fahrstil in der Auswertung nicht berücksichtigt. Der letzte
Abschnitt t11 fasst deshalb die letzten zehn Minuten der manuellen Fahrt vor Beginn
des Stauendes zusammen.
In dieser und allen folgenden Auswertungen wurden die Probanden trotz unter-
schiedlicher Startzeiten gemeinsam ausgewertet. Ein Grund hierfür waren die kleinen
191
KSS
Gruppengrößen. So bestand keine Möglichkeit weitere Studien mit einer höheren An-
zahl an Probanden pro Startuhrzeit durchzuführen. Zudem zeigten die Auswertungen
des Fahrverhaltens aus Studie 2, dass die unterschiedlichen Startuhrzeiten 18 und 22
Uhr lediglich einen signifikanten Unterschied in den Handlungszeiten der Kistensituati-
on und einen Einfluss auf die Länge der Studie hatte. Beide Unterschiede blieben ohne
Auswirkung auf die Sicherheit der Übernahmen.
Die Auswertung der KSS-Bewertungen und aller folgenden Messgrößen in zehnmi-
nütigen Intervallen diente der Vergleichbarkeit dieser Größen mit den Verläufen aus den
vorhergehenden Studien. So ist beispielsweise bei den KSS-Verläufen in dieser Studie
zu beachten, dass die Probanden ihren Müdigkeitszustand zugunsten der Priorität der
Reaktionsabfragen nicht in 15-minütigen Intervallen bewerteten.
In der Auswertung der Selbsteinschätzungen des Müdigkeitslevels mit einer ANO-
VA mit Messwiederholungen für den Effekt der Zeit der Studie, waren die KSS-Bewer-
tungen in den Abfragezeitpunkten signifikant unterschiedlich [F (2.188, 37.191) = 38.87,
p < .001, η2p = .70]. Die Rückmeldungen der Probanden hatten einen signifikant linear
[F (1,17) = 61.54, p < .001, η2p = .78] und quadratisch [F (1,17) = 7.24, p = .015, η2p = .30]
ansteigenden Trend. Da es während der HAF Phasen zwei Probanden gab, die sich selbst
nicht immer bewerteten, bestand die Auswertung lediglich aus den Rückmeldungen der
übrigen 18 Probanden.
Zusätzlich wurde das Verhalten der Fahrer zwischen den manuellen und HAF Pha-
sen verglichen. Hierzu wurde der erste manuelle Fahrabschnitt t1 mit dem ersten hoch-
automatisierten Abschnitt t2 verglichen. In einem zweiten Vergleich wurden die letzten
zehn Minuten der hochautomatisierten Fahrt t10 mit dem letzten Fahrabschnitt in t11
verglichen. Der Vergleich der KSS zwischen dem ersten manuellen und hochautomati-
sierten Abschnitt war signifikant unterschiedlich [t(19) = -2.88, p = .010]. Im Vergleich
des letzten hochautomatisierten Abschnitts vor der Kistensituation und der manuellen
Fahrphase danach gab es eine Verbesserung des subjektiven Müdigkeitslevels, die sich
durch einen signifikanten Abfall der KSS Werte ausdrückte [t(18) = 2.46, p = .03]. Da
ein Fahrer seinen Müdigkeitszustand vor der Kistensituation nicht einschätzte, basiert
dieser zweite Vergleich auf den Rückmeldungen der übrigen 19 Fahrern.
Tabelle 10.1 zeigt die mittleren KSS-Bewertungen in den fünf Testsituationen
(Bremsen, Unfall, Kurve, Panne und Kiste). Der Vergleich mit einer ANOVA mit Mess-
wiederholungen zeigte erwartungsgemäß einen signifikanten Unterschied zwischen den
Werten [F (2.393,38.284) = 41.13, p < .001, η2p = .72]. Post-hoc Tests mit einer Bonfer-
roni Korrektur (Wahrscheinlichkeitswerte in Tabelle 10.1 sind angepasst) zeigten signi-
fikante Unterschiede zwischen allen Einzelvergleichen, außer zwischen der Testsituation
Panne und Kiste. Die Auswertungen basieren auf den KSS-Werten von 17 Probanden,
da es drei Probanden gab, die ihre subjektive Müdigkeit nicht vor allen Testsituationen
angaben.
10.2.2. ä
Der in Kapitel 10.1 beschriebene Algorithmus zur Triggerung von Reaktionsabfragen
berechnete diese während der Studie nicht in der angedachten Form. So wurden bei der
192
Tabelle 10.1.: KSS Werte bei den Testsituationen und statistische Ver-
gleiche (post-hoc Tests)
Testsituation KSS Testsituationen
Bremsen Unfall Kurve Panne
Bremsen 4.29 ± 1.45 - - - -
Unfall 5.35 ± 1.87 p = .001 - - -
Kurve 6.53 ± 2.07 p< .001 p = .001 - -
Panne 7.12 ± 2.23 p< .001 p< .001 p = .012 -
Kiste 7.88 ± 1.65 p< .001 p< .001 p = .009 p = .379
4
3.5
3
2.5
2
1.5
1
0.5
0
1 2 3 4 5 6 7 8 9 10 11
t t t t
1 2 t 4 A5usgewerte
tt6er Abschn
ti7tt
t t t t
8 9 10 11
3
Abbildung 10.4.: Häufigkeit der Reaktionsabfragen in Studie 3
Berechnung des Perclos Wertes Lidspaltenwerte von 0 % nicht berücksichtigt und ausge-
schnitten. Ebenfalls wurden Zeitabschnitte des Kopfpositionssignals weiterverarbeitet,
in denen die Bildverarbeitung bei der Detektion scheiterte. Aus diesem Grund werden
in diesem Abschnitt nur die real aufgetretenen Reaktionsabfragen und die Reaktion der
Probanden auf diese analysiert. Äquivalent zu den Auswertefenstern in Kapitel 10.2.1
zeigt Abbildung 10.4 die Häufigkeit der ä. In Abbildung 10.5 sieht man die mittlere
Zeitdauer zwischen Start der Abfrage und Bestätigung dieser durch den Druck der Pro-
banden auf die Lenkradtaste. Für die Darstellungen und Auswertungen wurde über die
Anzahl der Probanden und nicht über die Häufigkeit der Abfragen gemittelt.
Aus den Ausgangsdaten für die Abbildungen 10.4 und 10.5, sowie den folgenden
Berechnungen wurden vier Reaktionsabfragen ausgeschlossen, in denen die Kistensitua-
tion ausgelöst wurde. Ebenfalls wurden sieben weitere ä, in denen die Probanden nicht
193
Anzahl der Reaktionsabfragen
3.5
3
2.5
2
1.5
1
0.5
0
t t t t t t t t t t t
1 2 3 4 5 6 7 8 9 10 11
Ausgewerteter Abschnitt
Abbildung 10.5.: Mittlere Reaktionszeiten und Standardabweichungen auf die Reakti-
onsabfragen über die Zeit in den acht Auswerteabschnitten t2 bis t9
von Studie 3
rechtzeitig innerhalb von fünf Sekunden reagierten, aus den Berechnungen und Dar-
stellungen ausgeschlossen. Eine detaillierte Auswertung zu den Übernahmen auf diese
Ereignisse befindet sich in Kapitel 10.2.3.
Eine Analyse der Häufigkeit der Reaktionsabfragen zeigte signifikante Unterschie-
de im Faktor Zeit [χ2(7, N = 20) = 36.36, p < .001]. Ein Mann-Kendall Trend Test
der Häufigkeit der Abfragen war nicht signifikant (z = 0.49, p = .62). Der Vergleich der
gemessenen Reaktionszeiten der Probanden auf die Reaktionsabfragen war nicht signi-
fikant unterschiedlich [F (2.551, 30.612) = 1.65, p = .203, η2p = .12]. Hierzu wurden nur
die 13 Probanden ausgewertet, die Reaktionsabfragen in allen Intervallen hatten.
Von den vier verpassten Reaktionsabfragen die zu einer Auslösung der Kistensituati-
on führten, wurde die Kistensituation lediglich einmal vor einer gesamten Fahrtzeit von
130 min aufgrund eines mehrmaligen Verpassens ausgelöst. Dreimal startete die Kistensi-
tuation bei dem erstmaligen Verpassen einer Reaktionsabfrage nach der Pannensituation
und 130 min Fahrtzeit.
10.2.3. Übernahmezeiten
Übernahmezeiten bei den fünf Testsituationen
Die Übernahmezeit wurde wie in Studie 2 mit Hilfe des Lenkmomentensignals und der
Signale des Brems- und Gaspedals berechnet. Das detaillierte Vorgehen zur Berechnung
der Zeiten ist in Kapitel 7.4 geschildert. Aufgrund der frühzeitig sichtbaren Verkehrssi-
tuation bei der Unfall- und Pannensituation bestand die Möglichkeit, dass die Probanden
194
Reaktionszeit in s
Tabelle 10.2.: Übernahmezeiten in den fünf
Testsituationen
Testsituation Reaktionszeit Max
Bremsen 2.4 ± 0.7 3.7
Unfall 1.7 ± 1.0 4.2
Kurve 3.1 ± 0.8 4.5
Panne 2.3 ± 0.7 3.6
Kiste 1.9 ± 0.9 4.8
das Steuer in diesen Testsituationen frühzeitig übernahmen und es so zu keiner Über-
nahmeaufforderung kam. Dies kam in der Studie nicht vor.
Zusätzlich wurde im Anschluss an die Studie gefragt, ob die beiden Testsitua-
tionen (Unfall und Panne) frühzeitig sichtbar waren und frühzeitig gehandelt wurde.
Die gleiche Frage als Kontrolle in der Testsituation mit der Kiste bejahten in dieser
Studie sieben Probanden, weshalb die Rückmeldungen der Probanden hierzu nicht be-
rücksichtigt wurden. Eine frühzeitige Sichtbarkeit der Kistensituation war aufgrund des
Studienkonzeptes nicht möglich.
Die schnellste Übernahmezeit in der Unfallsituation betrug 460 ms. Die schnellste
Übernahmezeit in der Pannensituation betrug 1.44 s. Die kürzeste Übernahmezeit in
der gesamten Studie hatte ein Proband in der Kurvensituation mit 420 ms. Da in dieser
Testsituation nicht frühzeitig auf eine mögliche Übernahme geschlossen werden konnte,
wurden im Gegensatz zu Studie 2 alle Übernahmezeiten der Testsituationen in den Aus-
wertungen berücksichtigt.
In Tabelle 10.2 sind die Mittelwerte und Standardabweichungen der Übernahme-
zeiten in den Testsituationen aufgelistet. Als Referenz der Zeiten wurde der Beginn der
Übernahmeaufforderung genutzt. Eine Innersubjektanalyse der verschiedenen Reakti-
onszeiten zeigte signifikante Unterschiede [F (2.674, 42.789) = 12.11, p < .001, η2p = .43],
die speziell aufgrund der bereits frühzeitig sichtbaren zweiten und vierten Testsituation
erwartet wurden.
Paarweise Vergleiche in post-hoc Tests mit Bonferroni Korrektur zeigten signifi-
kante Differenzen zwischen dem Paar Bremsen und Kurve (p = .010), Unfall und Kurve
(p < .001), Kurve und Panne (p < .001), sowie zwischen Kurve und Kiste (p < .001). Bei
den Auswertungen wurden lediglich Übernahmezeiten von 17 der 20 Probanden ausge-
wertet, da drei Probanden zur Zeit von mindestens einer der Übernahmeaufforderungen
bereits manuell fuhren und dadurch keine Aufforderung zur Fahrzeugübernahme startete
(zwei Probanden in der ersten und einer in der dritten Testsituation).
Zusätzlich wurden die Übernahmezeiten der Probanden, die die Kiste durch eine
verpasste Reaktionsabfrage auslösten (M = 1.85 ± 0.90 s) mit den Übernahmezeiten der
übrigen Probanden verglichen (M = 1.86 ± 0.90 s). Hierbei gab es keine signifikanten
Unterschiede [t(18) = -0.01, p = .99].
195
Tabelle 10.3.: Ergebnisse der statistischen Vergleiche der Übernah-
mezeiten - Müdigkeitszustand
Testsituation Wach Müde KSS = 7 Ergebnis des Vergleiches
Bremsen 16 0 4 -
Unfall 14 2 4 t(14) = 1.43, p = .18
Kurve 8 8 4 t(14) = 0.25, p = .81
Panne 7 10 3 t(15) = 0.06, p = .95
Kiste 4 13 3 t(15) = 0.06, p = .95
Tabelle 10.4.: Übernahmezeiten nach verpassten Reaktionsabfragen in s
Proband Vor 1a 1a - 2a 2a - 3a 3a - 4a 4a - 5a
1 - - 0.3; 3.2 4.7; 2.2 2.9
2 - - - - 1.7
Anmerkung. a 1 = Bremsen, 2 = Unfall, 3 = Kurve, 4 = Panne, 5 = Kiste
Für die zweite bis fünfte Testsituation wurden die Übernahmezeiten der Proban-
den, die sich selbst mit einer KSS von kleiner als sieben bewerteten (wach) mit denen
verglichen, die eine KSS von größer als sieben hatten (müde). Diese Unterteilung ba-
sierte auf der Instruktion der Probanden, sich selbst mit einer KSS von acht oder neun
zu bewerten, sobald sie sich selbst aufgrund des Müdigkeitszustandes als fahruntüchtig
einstufen würden und in einer normalen Fahrt im Straßenverkehr die Fahrt unterbrochen
hätten. Die Ergebnisse von Vergleichstests der Übernahmezeiten waren alle nicht signi-
fikant und sind in Tabelle 10.3 aufgeführt. In der abschließenden Stausituation fuhren
die Probanden bereits manuell. Aus diesem Grund konnten keine Übernahmezeiten mit
den Kriterien der übrigen Testsituationen ausgewertet werden.
Übernahmezeiten bei verpassten ä
Die sieben fehlenden Rückmeldungen auf Reaktionsfragen ohne Auslösung der Kisten-
situation basierten lediglich auf dem Verhalten von zwei der 20 Probanden. Mit sechs
verpassten Reaktionsabfragen konzentrierte sich dies hauptsächlich auf einen Probanden.
Bei einer seiner sechs fehlenden Rückmeldungen ergriff der Proband das Lenkrad bereits
vor dem Start der Übernahmeaufforderung. Zwei der übrigen verpassten Rückmeldun-
gen passierten zwischen der Unfall- und Kurvensituation. Jeweils zwei weitere ereigneten
sich zwischen der Kurven- und Pannensituation, sowie Pannen- und Kistensituation. Die
Übernahmezeiten bei den einzelnen Übernahmeaufforderungen sind in Tabelle 10.4 bis
auf die eine frühzeitige Übernahme zusammengefasst. Die einzelnen Zeiten sind den
beiden Probanden durch eine Nummerierung zugeordnet.
196
Tabelle 10.5.: Wichtigste Kennzahlen der Testsituationen (M ± SD; Min)
∆Bremsena in s ∆Unfallb in m ]Kurvec ∆Panned in m
1.9 ± 0.2; 1.3 1.3 ± 0.4; 0.6 0 1.0 ± 0.2; 0.7
Anmerkung. a ∆Bremsen = Minimale Zeitdifferenz zum Vorausfahrer bei der Brems-
situation.
b ∆Unfall = Minimale Distanz zu den Unfallfahrzeugen.
c ]Kurve = Anzahl der Probanden, die von der Spur abkamen.
d ∆Panne = Minimale Distanz zu dem Pannenfahrzeugen.
Tabelle 10.6.: Wichtigste Kennzahlen der Kistensituation (M ± SD; Min)
∆Kistea in m ∆t b cstart Kiste in s ∆tende Kiste
1.31 ± 0.5; 0.3 1.8 ± 0.6; 0.7 0.8 ± 0.5; 0.1
Anmerkung. a ∆Kiste = Minimale Distanz zur Kiste.
b ∆tstart Kiste = Zeitdifferenz zur Kiste bei Initiierung des Spurwechsels.
c ∆tende Kiste = Zeitdifferenz zur Kiste bei Abschluss des Spurwechsels.
10.2.4. Fahrverhalten in den Testsituationen
In den Tabellen 10.5 und 10.6 sind äquivalent zu Kapitel 7.5.1 die wichtigsten Kenn-
zahlen zur Fahrausführung in den fünf Testsituationen mit den Mittelwerten, der Stan-
dardabweichung, sowie dem absoluten Minimum aufgelistet. Der detaillierte Verlauf des
Ausweichmanövers bei der Kistensituation ist in Abbildung 10.6 zu sehen. Die einzelnen
blauen Linien markieren den Verlauf des rechten Randes des rechten Außenspiegels. Die
Kiste ist in der Abbildung verhältnistreu in rot abgebildet. Alle Probanden wichen der
Kiste durch einen Spurwechsel aus.
Die Bilder in Abbildung 10.7 zeigen die Distanz des Fahrzeugs der Probanden zum
Vorderfahrzeug und den Geschwindigkeitsverlauf während der abschließenden Situation
mit dem Stauende. Hierbei zeigen die ersten zehn Sekunden den Abstand zum Voraus-
fahrer vor dem Beginn der Bremsung des Vorausfahrers. Der Start der Bremsung ist
anschließend durch eine schwarze Linie markiert.
Darüber hinaus befinden sich in Anhang F noch weitere Kennzahlen zu der Fahr-
ausführung der Probanden in den verschiedenen Testsituationen. Neben den Parametern
zu den Testsituationen und den gezeigten Verläufen in Abbildung 10.7 gab es in den üb-
rigen Kennzahlen keine Auffälligkeiten.
Zusätzlich wurde die Handlung der Probanden in der Unfall- und Kistensituation
verglichen. Wie in den Auswertungen zu Tabelle 10.3 wurden die Probanden anhand ih-
rer KSS Bewertungen in zwei Gruppen geteilt. Im Vergleich der benötigten Zeit bis zur
Initiierung des Spurwechsels zwischen wachen und müden Fahrern, waren müde Fahrer
197
5
4
3
2
1
0
−1
−2
−3
−200 −150 −100 −50 0 50 100
Lateraler Abstand zur Kiste in m
Abbildung 10.6.: Fahrverlauf der Probanden in der Kistensituation in Studie 3
5 120
4.5
100
4
3.5
80
3
2.5 60
2
40
1.5
1
20
0.5
0 0
0 5 10 15 20 25 0 5 10 15 20 25
Zeit in s Zeit in s
(a) Abstand der Probanden zum Vorderfahr- (b) Geschwindigkeit der Probanden
zeug
Abbildung 10.7.: Fahrparameter vor und während der Stausituation beginnend bei 10
Sekunden
198
Longitudinaler Abstand zur Kiste in m
Abstand in s
Geschwindigkeit in km/h
in der Unfallsituation [t(14) = -3.57, p = .011] signifikant schneller. In der Kistensituati-
on gab es zu dieser Fragestellung keinen signifikanten Unterschied [t(15) = 0.35, p = .73].
Eine Korrelationsanalyse zwischen den Übernahmezeiten der Probanden zeigte ei-
ne Korrelation dieser Werte in den beiden Testsituationen [Kendall’s τ = 0.39, p = .018,
N = 20]. Im Gegensatz dazu gab es allerdings keine Korrelation der Zeit bis zum Start
des Spurwechsels [Kendall’s τ = -0.06, p = .70, N = 20]. Eine Korrelationsanalyse zwi-
schen dem Zeitpunkt der Übernahmezeit der Fahrer und dem Start des Spurwechsels in
der Unfallsituation korrelierte ebenfalls nicht [Kendall’s τ = 0.02, p = .92, N = 20]. Im
Gegensatz dazu gab es allerdings eine negative Korrelation der Reaktions- und Hand-
lungszeit in der Kistensituation [Kendall’s τ = -0.52, p = .001, N = 20].
10.2.5. Rückmeldungen der Probanden
Die Rückmeldungen der Probanden im Epworth-Test zur Tagesschläfrigkeit lag im Mit-
tel bei 7.1 ± 3.2 Punkten. In der Nachbefragung der Studie gaben 16 der 20 Probanden
an, während der Fahrt Sekundenschlafereignisse erlebt zu haben. Die Häufigkeit der Se-
kundenschlafereignisse der 16 Probanden wurde zwischen zwei und 40 geschätzt. So gab
es vier Probanden, die mit 20 oder mehr Ereignissen eine recht hohe Zahl angaben. Neun
der 20 Probanden gaben an, sich am Ende der Studie fahrtüchtig genug zu fühlen um
weiterzufahren. Lediglich drei dieser neun Probanden hatten davor angegeben, während
der Fahrt keine Sekundenschlafereignisse erlebt zu haben. Einer der neun Probanden,
die sich am Ende der Studie mit dem aktuellen Müdigkeitszustand für fahrtüchtig hielt,
schätze sogar 20 Sekundenschlafereignisse erlebt zu haben. Von den elf Probanden, die
sich nicht mehr für fahrtüchtig hielten, bestätigten sieben Probanden eine Grenze bei
einer KSS von sechs bis acht als Übergang zur Fahruntüchtigkeit. Kein Proband gab an,
sich mit einer KSS von acht oder neun noch fahrtüchtig zu fühlen. Hätten die Probanden
die Wahl gehabt, wären lediglich acht der 20 Probanden die gesamte Studie am Stück
gefahren.
In der Nachbefragung wurden die Probanden zusätzlich gebeten, die Testsitua-
tionen hinsichtlich ihrer Beanspruchung, des Risikos eines Unfalls, der benötigten Zeit
zur Reaktion und der subjektiven Kritikalität zu bewerten. Die Probanden sollten die
Bewertung anhand einer vierstufigen Skala durchführen, auf der der Wert vier jeweils
für eine hohe Beanspruchung/Risiko/Zeit oder Kritikalität stand. Tabelle 10.7 zeigt die
einzelnen Bewertungen der Testsituationen.
Von den sechs Testsituationen wurden lediglich die ersten fünf Testsituationen mit
Übernahmeaufforderungen vergleichend ausgewertet. Aufgrund fehlender Rückmeldun-
gen wurden die Angaben von vier Probanden ausgeschlossen. In einem Vergleich der
Bewertungen zeigte eine ANOVA mit Messwiederholungen signifikante Haupteffekte für
die Beanspruchung in den Testsituationen [F (2.809, 50.556)= 3.83, p = .017, η2p = .18],
des Unfallrisikos [F (4, 60) = 3.82, p = .008, η2p = 0.20] und der Kritikalität [F (2.224,
33.363) = 3.37, p = .042, η2p = .18]. In der Auswertung der Zeit bis zur Reaktion gab es
keinen signifikanten Haupteffekt [F (4,60) = 1.63, p = .179, η2p = .10].
In post-hoc Tests mit Bonferroni Korrektur der Beanspruchung in den Testsituatio-
nen gab es signifikante Unterschiede zwischen den Testsituationen Bremsen und Panne
199
Tabelle 10.7.: Bewertung der Testsituationen in Studie 3
Testsituation Beanspruchung Risiko eines Unfalls Benötigte Zeit Kritikalität
Bremsen 1.6 ± 0.7 2.1 ± 0.8 2.6 ± 0.6 1.7 ± 0.5
Unfall 2.3 ± 0.9 2.4 ± 0.9 2.8 ± 0.7 2.2 ± 0.8
Kurve 2.1 ± 1.2 1.6 ± 0.7 2.3 ± 0.7 1.5 ± 0.7
Panne 2.7 ± 1.1 2.1 ± 0.8 2.6 ± 0.7 2.0 ± 0.9
Kiste 2.0 ± 0.9 2.5 ± 1.2 2.6 ± 0.9 2.1 ± 1.1
Stauende 1.7 ± 0.9 2.6 ± 1.0 2.8 ± 0.9 2.4 ± 0.9
(p = .016) und zwischen den Testsituationen Panne und Kiste (p = .039). In den Einzel-
paarvergleichen für die Frage nach dem Unfallrisiko war lediglich der Vergleich zwischen
den Testsituationen Kurve und Kiste signifikant (p = .038). Bei den post-hoc Tests der
eingeschätzten Kritikalität gab es signifikante Unterschiede zwischen den Testsituatio-
nen Bremsen und Unfall (p = .015) sowie Unfall und Kurve (p = .034).
Die Probanden wurden auch bezüglich der Unfall- und Pannensituation befragt, ob
sie diese Testsituationen frühzeitig wahrgenommen und hierdurch vorausschauend auf
die Übernahmeaufforderung reagiert hatten. Fünf Probanden gaben dies in der Unfall-
und vier in der Pannensituation an. Im Vergleich der Übernahmezeiten der Proban-
den, die von sich behaupteten, frühzeitig reagiert zu haben mit den übrigen Probanden,
gab es jeweils keine signifikanten Unterschiede [Unfall: t(18) = -0.62, p = .54; Panne:
t(18) = -1.459, p = 0.16].
Ein Großteil der Probanden bestätigte einen positiven Einfluss der Reaktionsab-
fragen auf den Müdigkeitszustand. Bei sechs Probanden war der Einfluss auf den Mü-
digkeitszustand deutlich, bei sieben spürbar und bei sechs weniger ausgeprägt. Lediglich
eine Person gab an, dass ihre Müdigkeit nicht durch die Reaktionsabfragen beeinflusst
worden sei. Bis auf einen Probanden gaben alle Probanden an, dass das genutzte System
mit Reaktionsabfragen generell benötigt wird. 16 Probanden bewerteten die Countdown-
Anzeige der Reaktionsbereitschaft als sehr gut verständlich und vier als eher gut ver-
ständlich. 13 Probanden bewerteten die Anzeige als sehr hilfreich, fünf als eher hilfreich
und je ein Proband als eher nicht und überhaupt nicht hilfreich. Entsprechend empfand
ein Proband die Anzeige als eher störend, vier als eher nicht störend und 15 Probanden
störte die Anzeige der Reaktionsabfragen überhaupt nicht. Auf die Frage, ob die Pro-
banden generell immer wussten, in welchem Systemzustand sich das Assistenzsystem
befand, gaben 14 Probanden die Option ja an und die sechs übrigen eher ja.
10.2.6. Diskussion zum Müdigkeits- und Fahrverhalten
In Studie 3 stand der Umgang mit den irregulären ä, der Müdigkeitsentwicklung und
der Fahrausführung in den oben genannten Testsituationen im Vordergrund. Die Er-
gebnisse zeigten wie schon in Studie 2 einen Anstieg des subjektiven Müdigkeitslevel in
200
den einzelnen Testsituationen. Hauptgründe hierfür waren wahrscheinlich die monotone
Fahrbedingung und die lange Dauer der Studie. Der Anstieg der subjektiven Müdigkeits-
bewertungen war hierbei mit dem Anstieg aus Studie 2 vergleichbar. Die vergleichsweise
hohen Summen in den Epworth-Tests deuteten auch in dieser Studie auf eine verstärk-
te Anfälligkeit der Probanden für eine Tagesschläfrigkeit hin (Johns, 1991), welche den
signifikanten Müdigkeitsanstieg begünstigte. Trotz dessen war keinem der Probanden
eine eigene Schlafkrankheit bekannt. Wie in Studie 2 konnte das Ziel erreicht werden,
den Großteil der Probanden mit der anspruchsvollen Kistensituation bei einem hohen
Müdigkeitslevel zu konfrontieren. So bewerteten sich 14 von den 20 ausgewerteten Pro-
banden vor der Kistensituation mindestens einmal mit einer KSS von acht oder neun.
Diese Stufen wurden den Probanden im Vorfeld der Studie als Indikator für eine Fahr-
untüchtigkeit aufgrund von Müdigkeit mitgeteilt.
Obwohl es bei den Vergleichen zwischen den manuellen und automatisierten Fahr-
abschnitten am Anfang und Ende der Studie signifikante Unterschiede beim subjektiven
Müdigkeitslevel der Fahrer gab, kann der allgemeine Zustand der Fahrer aufgrund der
KSS Werte in diesen Abschnitten jeweils als vergleichbar eingestuft werden. So gab es in
dem Vergleich zu Beginn der Fahrt keinen Probanden, der sich in dem automatisierten
Abschnitt mit einer KSS von acht oder neun bewertete. Der allgemeine Zustand kann
entsprechend als wach kategorisiert werden. Ähnliches gilt für die Fahrphase am Ende
der Fahrt, in der sich der Großteil der Fahrer als fahruntüchtig einschätzte (neun Fahrer
mit einer KSS größer als sieben und vier Fahrer mit einer KSS kleiner als sieben). Die
höhere Müdigkeit vor Beginn der Kistensituation deutet auf ein Maximum des Müdig-
keitsempfindens in der Studie vor dieser Testsituation hin. Die Selbsteinschätzung von 16
Probanden, Sekundenschlafereignisse während der Studie erlebt zu haben, unterstreicht
den müden Zustand der Probanden zum Ende der Fahrt.
Die Gründe für die Diskrepanz zwischen der Zahl der Personen, die offensicht-
lich nicht mehr fahren sollten (16 Probanden mit Sekundenschlafereignissen) und der
Selbstein- bzw. überschätzung auf der anderen Seite (nur elf Probanden wären im An-
schluss an die Studie nicht weitergefahren) wurde ausführlich in Kapitel 7.7 diskutiert,
auf das an dieser Stelle verwiesen wird. Hinzu kommt in dieser Studie, dass die manuelle
Fahrt am Ende und die letzte anspruchsvolle Stausituation eine zusätzliche Adrenalin-
ausschüttung ausgelöst haben könnte und die Probanden dadurch eventuell zusätzlich
aufgeweckt wurden.
Trotz der erhöhten Zeitintervalle zwischen den Reaktionsabfragen im Vergleich zu
Studie 2, war es für fast alle Probanden kein Problem die Abfragen zur Reaktionsbe-
reitschaft zu bestätigen. Anders als in der vorausgehenden Studie war es den Probanden
nicht möglich, sich auf das Intervall der Reaktionsabfragen einzustellen. Es scheint, als
sei die Zeit zur Rückmeldung auch in dieser Studie nicht von der zunehmenden Müdig-
keit beeinflusst worden. So wurde die Kistensituation bei dem Großteil der Probanden
nur durch das Ende der Studienzeit ausgelöst. Für den Großteil der Probanden stell-
te eine regelmäßige oder unregelmäßige Reaktionsabfrage somit kein Problem dar. Die
Reaktionsabfragen selbst hatten wie in der vorangegangenen Studie einen positiven Ein-
fluss auf das subjektive Müdigkeitsempfinden. Die Auswertungen der verpassten Reakti-
onsabfragen ohne Kistenauslösung ergaben, dass diese hauptsächlich auf einen einzigen
201
Probanden zurückzuführen waren. Somit wurde das Verpassen der Reaktionsabfragen
in Studie 2 und 3 stark durch individuelle Faktoren einzelner Teilnehmer beeinflusst.
Dies ist in ähnlicher Form auch in anderen Müdigkeitsuntersuchungen zu finden. So wa-
ren in einer Untersuchung von Hanowski, Wierwille und Dingus (2003) nur eine kleine
Prozentzahl der Teilnehmer für den Großteil an kritischen Zwischenfällen verantwortlich
was auch in dieser Beziehung für starke individuelle Unterschiede spricht.
Auch im Falle eines Verpassens der Reaktionsabfragen reagierten die Probanden
in dieser Studie innerhalb der Übergabezeit von fünf Sekunden. Die Übernahmezeiten
der Probanden, die die Kistensituation durch eine verpasste Reaktionsabfrage auslösten,
war nicht signifikant anders als die der übrigen Probanden. Es ist deshalb davon aus-
zugehen, dass die Probanden ab einer gewissen Reizschwelle schnell reagieren können,
obwohl ihnen die Schnelligkeit bei der Bestätigung der Reaktionsabfrage fehlte. Dies
bestätigte die Ergebnisse aus Studie 2.
Die unterschiedlichen Übernahmezeiten in den Testsituationen legten den Schluss
nahe, dass die Fahrer ihre Reaktionen in Abhängigkeit des subjektiven Anspruchs an die-
se anpassten. Ein analoges Ergebnis gab es auch in Studie 2 und der Studie von Radlmayr
et al. (2014). So waren die Übernahmezeiten in der Kurvensituation am langsamsten, ob-
wohl die Müdigkeit der Probanden in der Pannen- und Kistensituation signifikant höher
war. Die geringsten Übernahmezeiten gab es in dieser Studie in Testsituationen, in denen
die Fahrer auf ein Hindernis auf der eigenen Fahrbahn reagieren mussten (Unfall und
Kistensituation). Aufgrund der Signalwirkung des Blaulichts wurde dieser Effekt bei der
Unfallsituation eventuell zusätzlich verstärkt. Anders als in der vorangegangenen Studie
waren die Übernahmezeiten in der Kurvensituation am langsamsten. Dieser Unterschied
könnte auf die unterschiedlichen Streckenprofile und bessere Übersicht der Straßensitua-
tion in dieser Studie zurückzuführen sein. So wurde die Kritikalität und benötigte Zeit
zur Reaktion in der Kurvensituation am niedrigsten bewertet. Trotz des signifikanten
Anstiegs der Müdigkeit zeigten die Übernahmezeiten der Probanden, dass die Müdigkeit
diese nicht daran hinderte, die Fahraufgabe auch in der Kistensituation schnell zu über-
nehmen. Mit knapp fünf Sekunden gab es im Gegensatz zu der vorhergehenden Studie
einen Probanden, der eine längere Zeit zur Reaktion und Handlung brauchte. Aufgrund
der schnellen Übernahme der übrigen Probanden ist dieser Proband als Ausreißer zu be-
werten. Detailauswertungen der Videoaufnahme des Probanden zeigten, dass der Grund
für die längere Übernahmezeit eine stark zur Seite geneigte Sitzposition zu Beginn der
Übernahmeaufforderung war.
Der Vergleich der Übernahmezeiten der Fahrer, die sich in Form der subjektiven
Müdigkeitsbewertung selbst als fahruntüchtig einschätzten mit den Fahrern, die sich für
fit hielten, legt nahe, dass Fahrer während des hochautomatisierten Fahrens durch die
Müdigkeit nicht signifikant in ihrer Fähigkeit zu reagieren und handeln eingeschränkt
sind. So zeigten die Fahrer nicht nur eine schnelle Reaktion, sondern passten ebenfalls
ihre Handlung im Anschluss an die Übernahme an die jeweiligen Erfordernisse an. In-
teressant ist zudem zusätzlich, dass die müderen Probanden in der Unfallsituation signi-
fikant schneller reagierten als die wachen Probanden. Aufgrund der kleinen Stichprobe
ist dies wahrscheinlich auf individuelle Gegebenheiten zurückzuführen. Diese Ergebnisse
bestätigen insgesamt die Beobachtungen aus Studie 2 und weichen von Studienergeb-
202
nissen von Dinges, Orne und Orne (1985) ab. So fand die Forschergruppe signifikante
Unterschiede in den Reaktionszeiten von müden Probanden. Im Gegensatz zu den Stu-
dien in dieser Arbeit wurden die Probanden von Dinges et al. (1985) direkt aus dem
Schlaf gerissen um zu reagieren, was bei den Reaktionen der Probanden in den eigenen
Studien nicht eindeutig bestimmbar war. So konnte nicht eindeutig zwischen Probanden
unterschieden werden, die die Augen lediglich geschlossen hatten, weil sie entspannen
wollten oder die tatsächlich schliefen. Zusätzlich könnte es sein, dass der Einfluss der
passiven Müdigkeit keine Auswirkungen auf die Reaktions- und Übernahmefähigkeit der
Fahrer hat. Weitere Gründe sind in Kapitel 7.7 aufgelistet.
Äquivalent zu der vorhergehenden Studie wurden die Handlungen der Fahrer zur
Bewertung einer sicheren Fahrausführung mit den Vorgaben aus der Straßenverkehrs-
ordnung verglichen (siehe Kapitel 3.1). Mit einem Fahrzeugabstand von 1.33 s in der
Bremssituation und Abständen zu den Fahrzeugen in der Unfall- und Pannensituation
von mehr als einem halben Meter hielten alle Fahrer einen ausreichend großen Sicher-
heitsabstand ein. Auch in der Kurvensituation blieben alle Probanden in der Spur. Der
kleinste absolute Abstand zu der Kiste lag bei 28 cm (zuzüglich der Breite des Sei-
tenspiegels waren es 40 cm). Da von der Kiste keine Gefahr ausging und es keine Si-
cherheitsanforderungen zum Abstand zu Gegenständen auf der Fahrbahn gibt, ist nicht
auszuschließen, dass der Proband mit dem geringsten Abstand dies in der Ausführung
seiner Handlung berücksichtigte. Kein elektronisches Assistenzsystem wäre aktiv gewor-
den. Dies verdeutlicht die sichere Fahrausführung der Probanden. Zu der sicheren Fahrt
trotz starker Müdigkeit könnte auch die Signalwirkung der Übernahmeaufforderung bei-
getragen haben. Diese ist vergleichbar mit der Signalwirkung einer Müdigkeitswarnung,
von der ein positiver Effekt auf die Fahrleistung bekannt ist (Gaspar et al., 2017).
Zusätzlich hatten die Probanden keine Probleme im Anschluss an die anspruchs-
volle Kistensituation für eine weitere Viertelstunde manuell zu fahren. Die abschließende
Reaktion auf das Stauende zeigte, dass die Probanden noch gut reagieren konnten. Ab-
bildung 10.7 legt nahe, dass der zeitliche Abstand zum Vorderfahrzeug während des
Bremsens stark von dem zuvor gewählten Sicherheitsabstand in der manuellen Fahrt
abhing. Interessant ist, dass der Sicherheitsabstand mit einer bis zu vier Sekunden die
Hälfte bis zum Doppelten des Abstandes zum Vorderfahrzeug während der hochautoma-
tisierten Fahrt betrug. In der Realität könnten Probanden mit geringerem Sicherheits-
abstand diese Abstände ebenfalls während der hochautomatisierten Fahrt wählen. Dies
stellten Siebert, Oehl, Bersch und Pfister (2017) beispielsweise für assistierte Fahrten
fest.
Obwohl die Kistensituation so konzipiert war, dass sie einen hohen Anspruch er-
forderte, zeigten die Rückmeldungen der Fahrer im Vergleich zu den weiteren Testsitua-
tionen in der Nachbefragung nicht immer einen signifikanten Unterschied. Dies war im
Hinblick auf alle vier Abfragekategorien (Anspruch, Unfallrisiko, Kritikalität und Zeit
zur Reaktion) der Fall. Ein Grund hierfür könnte sein, dass die Fahrer den Anspruch
der Kistensituation reduzierten, indem sie frühzeitig und schnell reagierten. So starteten
alle Probanden bis auf einen den Spurwechsel innerhalb der Übergabezeit. Eine weitere
Begründung könnte darin liegen, dass die subjektive Einschätzung der Probanden zu-
sätzlich durch andere Verkehrsteilnehmer in den Testsituationen beeinflusst wurde. So
203
könnten das Polizeifahrzeug und die Unfallfahrzeuge in der zweiten Testsituation, sowie
die weiteren Verkehrsteilnehmer in der Brems- und Pannensituation die Rückmeldungen
zusätzlich beeinflusst haben. Durch die Kiste war lediglich die eigene Fahrt gefährdet.
Hinzu kommt, dass die Zeit zwischen den einzelnen Testsituationen und der Befragung
bereits länger zurück lagen und die Einschätzungen dadurch eventuell nicht mehr der
eigentlichen Wahrnehmungen zu den Zeitpunkten der Testsituationen entsprachen. Den
entschärften mittleren Anspruch verdeutlichen auch die gemittelten Rückmeldungen der
subjektiven Situationsbewertungen in absoluten Zahlen und bestätigen die Ergebnis-
se aus Studie 2. So lässt beispielsweise die Kritikalität mit einem mittleren Wert von
2.37 einen Spielraum von nahezu dem Doppelten bis zur Maximalzahl von vier. Das ab-
schließende anspruchsvolle Stauende könnte auch die Bewertung zusätzlich beeinflusst
haben. Diese Situation bewerteten die Probanden im Mittel in der gesamten Studie
hinsichtlich des Unfallrisikos, der benötigten Zeit zur Reaktion und Kritikalität als am
anspruchsvollsten. Zusammen mit den hohen maximalen Bremsverzögerungen belegen
diese Rückmeldungen den gewünschten Anspruch der Situation.
Die Korrelationsanalysen der Übernahmezeiten der beiden Testsituationen mit
Hindernissen auf der Fahrspur legen nahe, dass die Reaktionsgeschwindigkeit der Fahrer
unabhängig von der Müdigkeit durch die individuelle Reaktionsfähigkeit der Probanden
und die Anpassung auf die Testsituation beeinflusst wird. So gab der Großteil der Fahrer
zur Zeit der Unfallsituation an, sich selbst für fahrtüchtig zu halten. In der Kistensitua-
tion war dies allerdings nicht mehr der Fall und der Großteil der Probanden hielt sich
müdigkeitsbedingt für fahruntüchtig. Die Ergebnisse der Korrelationsanalyse wichen da-
mit von den Ergebnissen in Studie 2 ab. Die Analyse des Zeitpunktes des Spurwechsels
in den beiden Testsituationen zeigt, dass die Probanden, die in der einen Testsituation
schnell handelten nicht zwangsläufig einen schnellen Spurwechsel in der zweiten Testsi-
tuation vollführten. Die negative Korrelation zwischen Übernahme und Handlung bei der
anspruchsvollen Kistensituation bestätigt die Ergebnisse aus der vorausgehenden Studie
und spricht entweder für eine absichtlich spätere Handlung der schnell reagierenden Leu-
te oder die Unabhängigkeit der Ausführungszeiten zwischen unbewusster, reflexartiger
Übernahme und einer geplanten, komplexen Handlungsausführung.
Wie in Studie 2 wurde das Bedien- und Anzeigekonzept allgemein als positiv und
verständlich bewertet. Mit Hilfe der beiden Eingewöhnungsteile in der manuellen und
hochautomatisierten Fahrt war es den Probanden vielleicht nur hierdurch möglich immer
richtig auf die verschiedenen Gegebenheiten zu reagieren.
Trotz der Komplexität des Systems mit unterschiedlichen Fahrmodi, Anzeigen und
Aufforderungen an die Probanden verinnerlichten diese das Konzept und die unterschied-
lichen Anforderung an sie zu einem hohen Grad. Nur so ist zu erklären, dass sie auch auf
die anspruchsvollen Situationen unter hoher Müdigkeit richtig und sicher reagierten. Die
sichere Übernahme und Handlung der Probanden in dieser Studie war durch die größe-
ren Abstände zwischen den Reaktionsabfragen vor Beginn der Studie nicht zu erwarten.
Diese ergänzen und bestätigen die Ergebnisse aus der Studie 2 .
204
10.3. Kopfbewegungen und Lidschlagverhalten in
Studie 3
10.3.1. Auswertungen der kamerabasierten Parameter
Wie Kapitel 8 zeigte, sind die Ergebnisse einer kamerabasierten Fahrerbeobachtung stark
von der Aufnahme, der Bildverarbeitung und dem Algorithmus zur Lidschlagerkennung
abhängig. Aus diesem Grund wurde die Verfügbarkeit und Genauigkeit des Signals zur
Kopf- und Lidposition der eingesetzten Kamera in Studie 3 in einem ersten Schritt über-
prüft.
Es gab Zeitpunkte, in denen es der Kamera nicht möglich war, die Position von
Kopf und Lid zu bestimmen. Ursache hierfür waren beispielsweise die Verdeckung des
Fahrerkopfes, Kopfdrehungen durch Schulterblicke oder Schwierigkeiten der Algorith-
men den Fahrerkopf und die Lider zu detektieren. Der Median der fehlenden schräg
verteilten Daten aus diesen Zeitpunkten für alle 20 Probanden betrug 1.3 % mit einem
Maximalwert von 5.6 %.
Um die Genauigkeit des Signals zur Kopfposition zu überprüfen, wurden die Daten
der Kamera mit den Aufzeichnungen des Laserscanners Laserbird (Burlington Ascension
Technology Corporation, 2004) überprüft, da dieser sehr genaue Positionsdaten liefer-
te. Bei dem Vergleich zwischen Laserscanner und Kamera wurde ein Winkelbereich für
Kopfdrehungen von unter +/- zehn Grad vertikal und horizontal getrennt von größeren
Kopfdrehungen mit einer absoluten Drehung von mehr als zehn Grad in eine Richtung
unterschieden. Für die horizontalen Drehungen des Kopfes innerhalb +/- zehn Grad be-
trug der absolute Median des Fehlers der Kamera 2.1◦ und für vertikale Drehungen 2.7◦.
Für den Bereich oberhalb einer absoluten Drehung von zehn Grad war der Fehler für
horizontale Drehungen 5.1◦ und für vertikale Drehungen 5.2◦.
Anders als in Kapitel 8.5 konnte das prozentuale Signal zur Lidposition nicht mit
demselben Detaillierungsgrad überprüft werden. Ein Grund hierfür war, dass es keine
Kamera in direkter Nähe des Auges gab, die ein Bild von diesem aufzeichnete. Zusätz-
lich konnte das Video der eingesetzten Kamera zur Berechnung der Lidposition nicht
gespeichert werden. Somit standen lediglich die Signale der Kamera und die Videos der
übrigen Kameras im Fahrzeuginnenraum zur Verfügung.
Während der Fahrt wurden die Aufnahmen der Kamera auf dem Mantelrohr durch
Verdeckungen mit den Händen, durch das Brillengestell bei Brillenträgern oder dem
Lenkrad bei Kopfbewegungen beeinflusst. Für die Kamera auf dem Armaturenbrett gab
es aufgrund der unterschiedlichen Position dieselben Verdeckungen zu unterschiedlichen
Zeitpunkten. Das Gesicht wurde auch aus einer seitlich versetzten Position aufgenom-
men. Aufgrund möglicher Einflüsse dieser Unterschiede auf die Bewertung wurde kein
Vergleich der Lidschlagdetektion zwischen den ausgewerteten Signalen der Kamera auf
dem Mantelrohr und dem Video der versetzt angebrachten Kamera auf dem Armatu-
renbrett durchgeführt. Anstatt dessen wurden die Probanden vor Beginn der Studie
gebeten, die Augen für mehr als eine Sekunde zu schließen und diesen Zeitraum durch
einen Tastendruck zu bestätigen. Dieser Vorgang erfolgte bereits unter denselben Umge-
205
0.5
0.4
0.3
0.2
0.1
0
t t t t t t t t t t t
1 2 3 4 5 6 7 8 9 10 11
Ausgewerteter Abschnitt
Abbildung 10.8.: Mittlere Pl2 Werte und Standardabweichungen über die Zeit in den elf
Auswerteabschnitten t1 bis t11 von Studie 3
bungsbedingungen wie während der Fahrt. In den Auswertungen wurden diese Sequenzen
anschließend mit dem Signal der Lidschlagdetektion verglichen.
Von den 20 Probanden in der Studie hatten zwei Probanden eine Detektionsrate
der geschlossenen Augen von weniger als 90 % über dem Zeitraum des Tastendruckes.
Aus diesem Grund wurden diese Probanden für alle weiteren Analysen auf Basis des
Lidschlagsignals ausgeschlossen.
Äquivalent zu Kapitel 9.4 wurden die genutzten Signale des Algorithmus der übri-
gen 18 Probanden in denselben zehn-minütigen Intervallen wie in Kapitel 10.2 analysiert.
Für den Perclos und langen Lidschlüsse wurde direkt das binäre Signal zur Beschreibung
von mehr als 80 % geschlossenen Augen genutzt. Im Gegensatz zu Kapitel 9.4 konnten
deshalb nicht dieselben Lidschlagparameter ausgewertet werden. So wurden lediglich die
beiden Parameter des Algorithmus Sp2 (lange Lidschlüsse) und Pl2 (Perclos) zusammen
mit der Anzahl an bewussten Kopfbewegungen Kb ausgewertet.
Die Abbildungen 10.8 bis 10.10 zeigen den Verlauf der drei Signale in den Auswer-
tefenstern. Der Verlauf der Perclos-Werte ist mit Hilfe des Mittelwerts und der Stan-
dardabweichung dargestellt. Zu beachten ist, dass die Werte für die Darstellung nicht
normiert wurden, da Reaktionsabfragen bei dem fixen Schwellwert von 0.2 ausgelöst
wurden. Das Verhältnis zu diesem Wert würde bei einer Normierung verzerrt. Die An-
zahl der langen Lidschlüsse und der bewussten Kopfbewegung ist durch den Median, das
25 % bzw. 75 % Perzentil (Box) und Whiskers mit der maximal 1.5 fachen Länge der
Box zu sehen.
Bei der Auswertung der einzelnen Parameter in den hochautomatisierten Phasen
gab es signifikante Unterschiede der Perclos-Werte bei einer ANOVA mit Messwieder-
206
Perclos−Werte
100
80
60
40
20
0
1 2 3 4 5 6 7 8 9 10 11
t t t
1 2 t 4 A
t t t t t t t
5usgewertet6er Abschni7tt 8 9 10 11
3
Abbildung 10.9.: Median der langen Lidschlüsse Sp2 über die Zeit in den elf Auswerteab-
schnitten t1 bis t11 von Studie 3
60
40
20
0
1 2 3 4 5 6 7 8 9 10 11
t t t t
1 2 t 4 A5usgewerte
tt6er Abschn
titt t t t t7 8 9 10 11
3
Abbildung 10.10.: Median der bewussten Kopfbewegungen über die Zeit in den elf Aus-
werteabschnitten t1 bis t11 von Studie 3
207
Anzahl an großen Kopfbewegungen Anzahl langer Lidschlüsse
holungen [F (2.128, 36.179) = 4.28, p = .020, η2p = .20] mit einem signifikanten linear
steigenden Trend [F (1, 17) = 8.24, p = .011, η2p = .33]. Bei der Auswertung der langen
Lidschlüsse mit einem Friedman Test gab es ebenfalls signifikante Unterschiede [χ2(7,
N = 18) = 39.29, p < .001] und einen signifikant steigenden Trend bei einem Mann-
Kendall Trend Test (z = 2.38, p = .017). Die Anzahl der Kopfbewegungen über die Zeit
war nicht signifikant [χ2(7, N = 18) = 5.30, p = .62]. Hinsichtlich einer Korrelation der
Parameter mit den KSS-Rückmeldungen gab es eine positive Korrelation der Perclos-
Werte (r = .32, p < .001 , N = 136) und der langen Lidschlüsse (τ = .36, p < .001,
N = 136). Zwischen den Kopfbewegungen und KSS Rückmeldungen gab es keine signi-
fikante Korrelation (τ = .007, p = .91, N = 136).
Neben den Auswertungen zu den Verläufen der drei Parameter während der hoch-
automatisierten Fahrt wurde das Verhalten der Fahrer zwischen dem manuellen und
hochautomatisierten Abschnitt zu Beginn und Ende der Studie verglichen. Hierzu wur-
den die Daten der ersten manuellen Fahrphase t1 mit dem ersten hochautomatisierten
Abschnitt in t2 verglichen. In einem zweiten Vergleich wurden die letzten zehn Minu-
ten der hochautomatisierten Fahrt in Abschnitt t10 mit dem letzten manuell gefahrenen
Fahrabschnitt t11 verglichen.
Bei dem Vergleich der Perclos Werte aus den einzelnen Fahrabschnitten gab es si-
gnifikante Unterschiede. So waren die Perclos-Werte in dem ersten hochautomatisierten
Abschnitt signifikant höher als in dem vorangehenden manuellen Abschnitt [t(17) = -2.62,
p = .018]. Ebenfalls waren die Perclos-Werte im letzten Abschnitt vor der Kistensitua-
tion höher als in dem anschließenden Abschnitt [t(17) = 2.86, p = .011].
Im Vergleich der langen Lidschlüsse gab es ähnliche Ergebnisse mit signifikant mehr
Ereignissen in dem ersten hochautomatisierten Abschnitt gegenüber dem manuellen Ab-
schnitt zuvor (z = -2.23, p = 0.026), sowie einem signifikanten Abfall der Ereignisse von
dem vorletzten zum letzten Abschnitt (z = -2.63, p = 0.009). Ebenfalls gab es einen
signifikanten Unterschied in der Anzahl an bewussten Kopfbewegungen. So gab es in
den zwei manuellen Fahrabschnitten zu Beginn (z = -2.70, p = 0.007) und am Ende der
Fahrt (z = -2.54, p = 0.011) jeweils signifikant weniger bewusste Kopfbewegungen, als
in den hochautomatisierten Abschnitten danach bzw. davor.
Die aufgenommenen Signale zur Lidstellung und der Kopfposition der Probanden
wurde anschließend mit einem Modell des Algorithmus zur Bestimmung der Reaktions-
abfragen erneut simuliert. Hierbei ist zu beachten, dass in der Nachsimulation keine
erzwungenen Reaktionsabfragen durch die Verknüpfung mit den KSS-Abfragen einflos-
sen. So basieren die nachsimulierten Reaktionsabfragen lediglich auf den Signalen zu
Kopf-, Lidposition und Validitätssignal.
Die Häufigkeit der nachsimulierten Reaktionsabfragen während der hochautoma-
tisierten Fahrt korrelierten signifikant mit der subjektiven Müdigkeitseinschätzung der
Probanden (τ = 0.41, p < .001, N = 136). Die Anzahl der Reaktionsabfragen direkt
vor der Kistensituation ist hierbei signifikant höher als die Anzahl zu Beginn der Fahrt
(z = -2.58, p = .010).
208
10.3.2. Diskussion zu den kamerabasierten Parametern
Die ausgewerteten Parameter zur Aktivität der Fahrer geben einen wertvollen Einblick
in das Verhalten in hochautomatisierten Fahrten. Die ausgewerteten Parameter Perclos,
lange Lidschlüsse und bewusste Kopfbewegungen zeigten allesamt signifikante Unter-
schiede des Verhaltens bei Fahrern in der HAF-Phase gegenüber Fahrphasen, die sie in
vergleichbaren Zeitabschnitten manuell zurücklegten. Der signifikante Anstieg der langen
Lidschlüsse zu Beginn der Fahrt trotz des wachen Zustandes der Fahrer legt nahe, dass
die Häufigkeit der langen Lidschlüsse während der hochautomatisierten Fahrt nicht mit
langen Lidschlüssen während einer manuellen Fahrphase gleichzusetzen sind. Dasselbe
gilt auch für die gemessenen Perclos-Werte und die Häufigkeit der bewussten Kopfbewe-
gungen. Der höhere Anteil dieser Werte in der hochautomatisierten Fahrt deutet darauf
hin, dass die Fahrer den Blick von der Fahrbahn lösen. Da die Fahrer keine Nebentätig-
keiten ausführen durften, betrachteten die Fahrer vermehrt die Umgebung oder nutzten
kurze visuelle Entspannungsphasen mit längeren Lidschlüssen. Es bot sich den Fahrern
auch die Möglichkeit an, den Umgebungsverkehr besser und länger zu beobachten und
den Blick länger und häufiger in die Seiten- und den Rückspiegel zu werfen.
Die signifikanten Änderungen aller einzelnen Parameter während den hochauto-
matisierten Abschnitten gegenüber der manuellen Fahrphase legen nahe, dass bisherige
Modelle und Auslegungen von Systemen zur Müdigkeitsdetektion des manuellen Fah-
rens nicht eins zu eins für das hochautomatisierte Fahren übernommen werden sollten.
Dies bestätigt die Ergebnisse der Auswertungen in Kapitel 9, bei denen bereits größere
Unterschiede in den absoluten Zahlen der einzelnen Parameter festgestellt wurden.
In den hochautomatisierten Abschnitten war ein signifikant steigender Trend der
Lidparameter mit Zunahme der Fahrtzeit und der Zunahme des subjektiven Müdig-
keitslevel zu sehen. Dieser Anstieg war trotz der Unterschiede der absoluten Zahlen von
Perclos und der Anzahl an langen Lidschlüssen zwischen dem manuellen und hochau-
tomatisierten Fahren messbar. Die Korrelation dieser Verläufe mit den Müdigkeitsbe-
wertungen der Fahrer bildete die Basis für die Korrelation der Reaktionsabfragen mit
den Müdigkeitsbewertungen. Die Zunahme der Percloswerte und der Anzahl der langen
Lidschlüsse zeigte auch, dass die Reaktionsabfragen eine Zunahme der Percloswerte und
langen Lidschlüsse der Fahrer mit dem HAFS nicht einschränken konnte. Betrachtet man
die müden Fahrabschnitte mit dem HAFS im Detail, so sieht man, dass die maximale
Anzahl an langen Lidschlüssen der Probanden nie oberhalb von 100 Stück in einem Eva-
luationsfenster von zehn Minuten lag. Da der Fahrer die Möglichkeit hatte, die Augen
in dem zehnminütigen Fenster für bis zu 600 Sekunden zu schließen und die Perclos-
Werte maximal 40 % erreichten, lag die maximale Zeit an geschlossenen Lidern somit
ebenfalls bei höchstens 40 %. Dies zeigt, dass die Probanden trotz des hochautomati-
sierten Fahrens und ihrer hohen Müdigkeitslevel noch immer zum Großteil die Straße
oder die Umgebung beobachteten. Ein Grund könnte sein, dass sie sich ihrer Aufgabe
reaktionsbereit zu sein noch immer bewusst waren. Auch könnten sie dem System nicht
vollständig vertraut haben. Ebenfalls könnten sie die Reaktionsabfragen von längeren
Zeitabschnitten mit geschlossenen Augen abgehalten haben. Die hohe Anzahl an be-
wussten Kopfbewegungen, auch während der müden Fahrt, könnte dem Überblick über
209
das Fahrgeschehen dienen oder eine Strategie gegen Müdigkeit sein. Da die Studie nicht
mehrmals mit denselben Probanden durchgeführt werden konnte und die Probanden mit
dem System nicht im Vorfeld üben konnten, kann der Einfluss der Gewöhnung und des
Systemvertrauens auf das Verhalten über den gesamten Fahrtverlauf nicht abgeschätzt
oder überprüft werden.
Der Vergleich der drei Paramter zwischen dem hochautomatisierten und manuellen
Fahrabschnitt am Ende der Studie und die signifikanten Änderungen dieser zeigen, dass
sich die Fahrer ihrer Aufgabe und Verantwortung wieder bewusst waren und ihr Verhal-
ten zur sicheren Weiterfahrt anpassten. So gab es signifikant weniger lange Lidschlüsse,
geringere Perclos-Werte und weniger bewusste Kopfbewegungen. Ebenfalls gab es eine
signifikante Reduktion der KSS-Werte zwischen dem letzten hochautomatisierten Ab-
schnitt und dem folgenden manuellen Abschnitt. Trotz dessen reduzierte sich die Zahl
der Probanden, die sich mit einer KSS von acht oder neun einstuften lediglich von zwölf
der 17 Probanden zu neun der 17 Probanden, womit die Mehrheit noch immer als zu
müde zum Fahren eingestuft werden kann. Die Abnahme der Müdigkeitslevel kann auch
ein Indiz für den passiven Müdigkeitszustand sein, der durch die monotone hochautoma-
tisierte Fahrt induziert wurde. So wurde die Monotonie durch die Übernahme und die
manuelle Fahrt unterbrochen. Hierbei wurde versucht, die Effekte durch die Kistensitua-
tion möglichst klein zu halten, indem ein Zeitfenster von fünf Minuten im Anschluss an
die Testsituation nicht in die Auswertung einfloss. Nichtsdestotrotz kann ein möglicher
Einfluss der Kistensituation nicht vollständig ausgeschlossen werden.
Bei dem Vergleich der Parameter zwischen Kapitel 8 und 9 ist zu beachten, dass
diese in den vorhergehenden Kapiteln stark durch den Signalverlauf des EOG beeinflusst
wurden. In diesem Kapitel basierten die Ergebnisse nur auf den Daten einer Kamera.
Hinzu kommt, dass die manuellen und hochautomatisierten Fahrten in Studie 1 und
2 im Gegensatz zu Studie 3 von unterschiedlichen Probanden aufgezeichnet wurden.
Ebenfalls gab es keine Optimierung des Prozesses zur Lidschlagdetektion. Insgesamt be-
stätigen die Auswertungen von Studie 3 das geänderte Verhalten zwischen manueller
und hochautomatisierter Fahrt.
210
11. Zusammenfassung und Ausblick
11.1. Zusammenfassung
Lange hochautomatisierte Fahrten bei Untätigkeit des Fahrers verstärken, im Gegen-
satz zum manuellen Fahren die passive Müdigkeit. Grund hierfür ist die Unterforderung
des Fahrers. Dies könnte einen Risikofaktor für eine sichere und schnelle Übernahme
des Fahrzeugs durch den Fahrer aus der Automatisierung darstellen. Deshalb war die
Untersuchung des Reaktionsverhaltens von Fahrern bei Übernahmen aus dem hochauto-
matisierten Fahren unter Müdigkeit Hauptziel dieser Arbeit. Zur Umsetzung dieses Ziels
wurden zwei eigene Studien mit langen, monotonen, hochautomatisierten Fahrten durch-
geführt. In diesen wurden 61 Probanden nach einer hochautomatisierten Fahrtzeit von
jeweils über 90 min mit einer anspruchsvollen Testsituation konfrontiert. In dieser musste
das Fahrzeug von den Probanden innerhalb von 6.8 s übernommen werden und in dieser
Zeit adäquat auf eine Kiste reagiert werden, die in der eigenen Spur lag. Diese Kiste
war erst 1.9 s nach Start der Übernahmeaufforderung sichtbar. Erschwerend kam hinzu,
dass ein Großteil der Probanden zum Zeitpunkt der Übernahmeaufforderung einen Mü-
digkeitszustand aufwies, den sie als kritisch in Bezug auf ihre Fahrtüchtigkeit einstuften.
Die hohe Zahl an Probanden mit subjektiv selbst wahrgenommenen Sekundenschlafer-
eignissen zeugt zusätzlich von der Müdigkeit dieser. Trotz dessen war es ihnen möglich,
schnell und sicher auf die Übernahmeaufforderung zu reagieren. Dabei konnte kein Un-
terschied in den Reaktionen der Fahrer festgestellt werden, die sich selbst als fahrtüchtig
oder -untüchtig klassifizierten. Ebenfalls hatten die Probanden keine Schwierigkeit im
vorhergehenden Versuchsverlauf auf vier weitere Übernahmen zu reagieren sowie in einer
der Studien im Anschluss an die anspruchsvolle Übernahme für 15 min manuell weiter-
zufahren und sicher auf ein Stauende zu bremsen. Trotz der Entlastung bei der Fahraus-
führung durch das hochautomatisierte System stieg das Müdigkeitslevel der Probanden
mit zunehmender Fahrtdauer nicht stärker an als bei vergleichbaren manuellen Fahrten.
Dies zeigte ein Vergleich mit einer dritten Studie mit manuellen Fahrten. Zusätzlich zu
den Übernahmen mussten die Probanden ihre Reaktionsfähigkeit in den hochautomati-
sierten Fahrten in Form von Reaktionsabfragen in unterschiedlichen Abfrageintervallen
bestätigen. Bis auf vereinzelte fehlende Bestätigungen der Reaktionsabfragen konnte kein
Effekt der bestätigten oder verpassten Reaktionsabfragen auf die Reaktionen der Fahrer
in den Übernahmen gefunden werden. Es gab auch keinen signifikanten Unterschied der
subjektiven Müdigkeitsbewertungen im Vergleich unterschiedlicher Abfrageintervalle.
Zusätzlich zu der Untersuchung der Reaktionen in Fahrzeugübernahmen wurde
das Lidschlagverhalten, bzw. die Lidschlagparameter der Fahrer in allen drei Studien
untersucht. Hierzu wurden verschiedene Verfahren zur Lidschlagdetektion angewendet
211
und verglichen. Die Ergebnisse zeigten, dass die Detektionsraten von Lidschlägen von
verschiedenen Bedingungen abhängen. So gibt es Einflüsse durch den Automatisierungs-
grad, die Messtechnik zur Fahrerbeobachtung, den Müdigkeitszustand der Fahrer, die
Aufnahmefrequenz und den Algorithmus zur Signalverarbeitung. Zusätzlich ermöglich-
te eine detaillierte Abstufung der verschiedenen Lidbewegungen eine genaue Analyse
des Fahrerverhaltens. So konnte ein Unterschied im Verhalten der Probanden in den
verschiedenen Fahrphasen gezeigt werden. Durch das Labelling und die Lidschlagde-
tektion mit Hilfe von Videos eines Head-mounted Eye Tracker konnte eine sehr hohe
Genauigkeit bei der Validierung erzielt werden. Dazu trug die hohe Auflösung der Au-
genregionen im Video und die Auswertung eines Head-mounted Eye Trackers bei. Hier-
durch wurden die Aufnahmen nicht durch unterschiedliche Kopfpositionen des Fahrers
oder die Verdeckung seines Gesichts beeinflusst. Der Vergleich eigener Algorithmen zur
Lidschlagdetektion mit Verfahren anderer Forschergruppen zeigte, wie abhängig einzel-
ne Lidschlagalgorithmen von der Bildverarbeitung und den Randbedingungen während
einzelner Studien sind. Durch eine Signalfusion mehrerer Einzelverfahren gelang es die
Lidschlagdetektion zusätzlich zu verbessern und das Fahrerverhalten in Form von Lid-
schlagparametern zu analysieren. Die Auswertungen deuten darauf hin, dass sich das
Fahrerverhalten bei Lidschlägen und Kopfbewegungen in manuellen und hochautoma-
tisierten Fahrten unterscheidet. So konnten Unterschiede im Verhalten der Probanden
im müden und wachen Zustand festgestellt werden. Bei der Auswertung der Müdigkeit
der Fahrer und deren Lidschlagverhalten korrelierten diese in den hochautomatisierten
Studien. Auch wenn sich das Lidschlagverhalten zum manuellen Fahren unterscheidet,
kann diese Verhaltensänderung zur Müdigkeitserkennung bei hochautomatisierten Fahr-
ten genutzt werden. Ein Algorithmus zur Fahrerbeobachtung für das hochautomatisierte
Fahren zeigte hierzu auf, wie die Daten aus dem Lidschlagverhalten zur Kopfposition des
Fahrers in einen Algorithmus zur Detektion und Sicherstellung der Reaktionsfähigkeit
integriert werden können.
Zusammenfassend sind die drei ausgewerteten Studien, inklusive ihrer Randbedin-
gungen und der Anzahl der ausgewerteten Probanden in Tabelle 11.1 aufgelistet. Die
Probanden waren in allen drei Studien aufgefordert, trotz ihres Müdigkeitszustandes
länger zu fahren als sie dies normalerweise tun würden. Insgesamt wurden in dieser
Arbeit über 200 h Versuchsdaten von 75 Probanden ausgewertet, davon circa 155 h
hochautomatisierte Fahrten.
11.2. Ausblick
Mithilfe der durchgeführten Studien mit langen, hochautomatisierten Fahrten nach ei-
nem Arbeitstag wurde in dieser Arbeit ein Anwendungsfall untersucht, der laut der
Aussagen mehrerer Automobilhersteller in einigen Jahren Realität sein wird. Auf Ba-
sis der durchgeführten Literaturrechere sind die durchgeführten Studien die ersten ih-
rer Art, die hochautomatisierte Fahrten von mehr als 60 min Länge untersuchen. Da
die beiden Studien jeweils einen spezifischen Anwendungsfall abbilden, sollten weite-
re Versuche zu langen hochautomatisierten Fahrten unter dem Einfluss von Müdigkeit
212
Tabelle 11.1.: Überblick zu den drei durchgeführten Studien
Versuch 1 Versuch 2 Versuch 3
Probanden 14 41 20
Simulator Moving Base Fixed Base Moving Base
Messtechnik Head-mounted Head-mounted Remote
Eye Tracker (25 Hz) Eye Tracker (25 Hz) Eye Tracker (45 Hz)
EOG (50 & 25 Hz) EOG (50 & 25 Hz) Kopfposition (50 Hz)
Müdigkeitsskala KSS KSS KSS
Intervall der KSS 15 min 15 - 17 min 15 - 24 min
Fahrtumgebung Monoton, bewölkt Monoton, bewölkt Monoton, bewölkt
Nebentätigkeit Keine Keine Keine
Fahrtzeit Limitiert auf 4 h Limitiert auf 4 h Limitiert auf 4 h
durchgeführt werden. Ideal wäre hierbei eine große Anzahl an Probanden, um genügend
Fahrer in einer manuellen Kontrollgruppe zu testen. Aufgrund der Komplexität der un-
terschiedlichen Faktoren die Müdigkeit hervorrufen, sollte darüber hinaus insbesondere
die aktive Müdigkeit durch Nebentätigkeiten im Zusammenhang mit dem hochautoma-
tisierten Fahren in langen Fahrten untersucht werden. Ebenfalls würden Fahrstudien im
realen Straßenverkehr die Untersuchungen und Ergebnisse, basierend auf Fahrsimula-
torfahrten, ergänzen. Zusätzlich treten im Straßenverkehr Situationen mit einer hohen
Verkehrsdichte auf. Diese erhöhen die Beanspruchung des Fahrers bei Übernahmen, was
eventuell zu Fahrfehlern führen kann. Da unklar ist, wie sich die Kombination dieses Fak-
tors mit Müdigkeit auswirkt, sollten diese Faktoren zusammen getestet und analysiert
werden. Ein Ziel zukünftiger Studien zum hochautomatisierten Fahren sollte darüber
hinaus die Detektion von einsetzender Müdigkeit sein. In diesem Zusammenhang zeigen
die durchgeführten Studien, dass Fahrer trotz hoher Müdigkeitslevel weiterhin auf Re-
aktionsabfragen reagieren können und diese deshalb nicht als Indikator für den Beginn
einer einsetzenden Müdigkeit dienen können. Zusätzlich sind weitere Studien nötig, um
die Einflüsse der unterschiedlichen Startzeiten des Versuches genauer zu untersuchen.
So könnte die Frage beantwortet werden, ob diese die Reaktionsfähigkeit und Handlung
bis hin zu einer falschen oder fehlenden Reaktion beeinflusst. Mit den Ergebnissen wäre
ein Rückschluss möglich, ob lediglich subjektive Entscheidungen in den durchgeführten
Studien zu den Gruppenunterschieden geführt haben oder zirkadiane Effekte hierfür
verantwortlich waren.
Unbeantwortet bleibt die Frage, inwieweit Fahrer ihr Verhalten ändern, wenn sie häufiger
mit einem hochautomatisierten Fahrzeug fahren und sie ein verstärktes Systemvertrauen
entwickeln. Zur Analyse dieser Fragestellung bietet sich die genutzte Messtechnik und
das Lidschlagdetektionsverfahren an. In Kombination mit einer höheren Aufnahmefre-
quenz bietet die kamerabasierte Lidschlagerkennung darüber hinaus noch ein Verbesse-
rungspotential. Die Fusion mit weiteren Lidschlagdetektionsverfahren könnte die Detek-
213
tionsrate und Falschdetektionsrate zusätzlich verbessern. Das Verfahren könnte auch zur
Lidschlagerkennung optimaler auf das individuelle Fahrerverhalten abgestimmt werden.
Eine Verwendung weiterer Informationen wie Fixationen, Sakkaden und eine Blickrich-
tungserkennung bieten darüber hinaus noch zusätzliches Verbesserungspotential bei der
Lidschlagdetektion und sollten als Teil des Fahrerverhaltens in vergleichbaren Studi-
en untersucht werden. Eine Validierung des vorgestellten Algorithmus zur Detektion der
Reaktionsfähigkeit in anderen Anwendungsfällen könnte dessen Eignung zusätzlich unter
Beweis stellen. Eine adaptive Automation unter Verwendung einer Fahrerbeobachtung
könnte zudem individuell auf die Zustände bzw. das Verhalten des Fahrers reagieren und
zur Sicherheit und zum Komfort des Fahrzeugs beitragen.
214
A. Vorbefragung von Studie 2
Datum:   ______________________   VP-Nr.:   ______________________ 
 
Vorbefragung 
 
1. Alter: ________ Jahre 
 
2. Geschlecht: m O  w O 
 
3. Benötigen Sie zum Autofahren eine Brille/Kontaktlinsen? Ja O  Nein O 
 
4. In welcher körperlichen Verfassung sind Sie im Moment?  
O Ich befinde mich in meinem üblichen Fitness- & Gesundheitszustand 
O Ich bin derzeit in einer schlechteren Verfassung als üblich (z.B. Erkältung) 
 
5. Trinken Sie regelmäßig Kaffee/schwarzen Tee/ Energy Drinks/ andere Koffeinhaltige 
Getränke (Cola…)? Ja O  Nein O 
a) Falls Ja, wie viele Tassen/Gläser pro Tag? _____________________ 
 
6. Haben Sie heute Kaffee/schwarzen Tee/ Energy Drinks/ andere Koffeinhaltige 
Getränke (Cola…) getrunken? Ja O  Nein O 
a. Falls Ja, wie viele Tassen/Gläser? _____________________ 
b. Falls Ja, wie viel Uhr haben Sie die letzte Tasse/Glas konsumiert? 
_________Uhr 
7. Wann haben Sie Ihren Führerschein für Pkw erworben? _______ (Jahr) 
 
8. Wann sind Sie heute Morgen aufgestanden? _________ Uhr 
 
  
Abbildung A.1.: Vorbefragung in Studie 2
215
Die folgende Frage bezieht sich auf Ihr normales Alltagsleben in der letzten Zeit: 
Für wie wahrscheinlich halten Sie es, dass Sie in einer der folgenden Situationen 
einnicken oder einschlafen würden, - sich also nicht  nur müde fühlen? 
Auch wenn Sie in der letzten Zeit einige dieser Situationen nicht erlebt haben, versuchen Sie 
sich trotzdem vorzustellen, wie sich diese Situationen auf Sie ausgewirkt hätten. 
Benutzen Sie bitte die folgende Skala, um für jede Situation eine möglichst genaue 
Einschätzung vorzunehmen und kreuzen Sie die entsprechende Zahl an: 
Situation Warscheinlichkeit einzunicken 
nie   hoch 
Im sitzen lesen O O O O 
Beim Fernsehen O O O O 
Wenn Sie passiv (als Zuhörer) in der Öffentlichkeit sitzen O O O O 
(z.B. im Theater oder bei einem Vortrag) 
Als Beifahrer im Auto während einer einstündigen Fahrt O O O O 
ohne Pause 
Wenn Sie sich am Nachmittag hingelegt haben, um O O O O 
auszuruhen 
Wenn Sie sitzen und sich mit jemand unterhalten O O O O 
Wenn Sie nach dem Mittagessen (ohne Alkohol) ruhig O O O O 
dasitzen 
Wenn Sie als Fahrer eines Autos verkehrsbedingt einige O O O O 
Minuten halten müssen 
 
Situation Wahrscheinlichkeit aufzuwachen 
Sehr   Sehr 
schwer leicht 
Wie leicht Wachen Sie während der Nacht auf (durch O O O O 
Geräusche, Bewegungen)? 
Wachen Sie morgens leicht, mittel oder schwer auf O O O O 
(Geräusche, Bewegungen)? 
 
Frage Morgen-   Aben
typ d-typ 
Man spricht bei Menschen von „Morgen-„ und O O O O 
„Abendtypen“. Zu welchem der folgenden Typen zählen Sie 
sich? 
 
Frage Sehr an-   Nicht an-
strengend strengend 
Wie anstrengend war der Tag bisher für Sie? O O O O 
 
 Abbildung A.2.: Vorbefragung in Studie 2
216
B. Nachbefragung von Studie 2
Datum:   ______________________   VP-Nr.:   ______________________ 
 
Fragen zum Versuchsverlauf 
 
Müdigkeit während der Fahrt 
 
Hatten Sie während der Fahrt Sekundenschlafereignisse?  
 
Ja ONein O
 
Falls Ja, wie häufig trat dies in etwa auf? 
 
 
--------------------------------- 
 
Hielten Sie sich am Ende der Fahrt noch für so fahrtüchtig, dass Sie normalerweise  
weitergefahren wären?     
 
Ja ONein O 
 
Verschiedene Übernahmeszenarien: 
Bitte denken Sie zurück an die verschiedenen Übernahmeszenarien und ihre Reaktion. 
Szene 1: Übernahmeaufforderung und anschließendes Bremsen des Vorderfahrzeuges 
Frage Bewertung 
 sehr   Sehr Kann 
einfach/ schwierig mich 
gut /schlecht nicht 
erinnern 
Wie empfanden Sie die zeitliche O O O O O 
Anforderung der Übernahme 
Wie empfanden Sie Ihre Reaktion O O O O O 
auf das Bremsen? 
Wie leicht viel es Ihnen die O O O O O 
Fahraufgabe zu übernehmen  
 unkritisch etwas Krit- sehr Kann 
kritisch isch kritisch mich 
nicht 
erinnern 
Wie kritisch haben Sie die gesamte O O O O O 
Situation wahrgenommen? Hierbei 
relevant sind z. B. die Zeit zur 
Fahrzeugübernahme, die 
Schwierigkeit auszuführender 
Manöver oder die Komplexität  
der Situation 
 
 Abbildung B.1.: Nachbefragung in Studie 2
 
217
Welcher der folgenden Punkte traf auf die Situation und ihre Reaktion zu: 
O Ich kam dem Vorderfahrzeug näher als beabsichtigt 
O Ich war bei der Übernahme durch folgende Dinge abgelenkt: 
________________________________________________________________________ 
 
 
 
Szene 2: Übernahmeaufforderung und anschließendes Vorbeifahren an einer Unfallstelle 
Frage Bewertung 
 sehr   Sehr Kann 
einfach/ schwierig mich 
gut /schlecht nicht 
erinnern 
Wie empfanden Sie die zeitliche O O O O O 
Anforderung der Übernahme 
Wie empfanden Sie Ihre Reaktion O O O O O 
auf das Bremsen? 
Wie leicht viel es Ihnen die O O O O O 
Fahraufgabe zu übernehmen  
 unkritisch etwas Krit- sehr Kann 
kritisch isch kritisch mich 
nicht 
erinnern 
Wie kritisch haben Sie die gesamte O O O O O 
Situation wahrgenommen? Hierbei 
relevant sind z. B. die Zeit zur 
Fahrzeugübernahme, die 
Schwierigkeit auszuführender 
Manöver oder die Komplexität  
der Situation 
 
Welcher der folgenden Punkte traf auf die Situation und ihre Reaktion zu: 
O Ich kam dem Vorderfahrzeug näher als beabsichtigt 
O Ich kam der Unfallstelle näher als beabsichtigt 
O Ich erkannte die folgende Situation (Unfallstelle) bereits vor der Übernahmeaufforderung 
 Falls dieser Punkt zutrifft: 
O Ich handelte Vorausschauend auf die Situation 
O Ich war bei der Übernahme durch folgende Dinge abgelenkt: 
________________________________________________________________________ 
 
Abbildung B.2.: Nachbefragung in Studie 2
218
Szene 3: Übernahmeaufforderung und anschließende Kurvenfahrt 
Frage Bewertung 
 sehr   Sehr Kann 
einfach/ schwierig mich 
gut /schlecht nicht 
erinnern 
Wie empfanden Sie die zeitliche O O O O O 
Anforderung der Übernahme 
Wie empfanden Sie Ihre Reaktion O O O O O 
auf das Bremsen? 
Wie leicht viel es Ihnen die O O O O O 
Fahraufgabe zu übernehmen  
 unkritisch etwas Krit- sehr Kann 
kritisch isch kritisch mich 
nicht 
erinnern 
Wie kritisch haben Sie die gesamte O O O O O 
Situation wahrgenommen? Hierbei 
relevant sind z. B. die Zeit zur 
Fahrzeugübernahme, die 
Schwierigkeit auszuführender 
Manöver oder die Komplexität  
der Situation 
 
Welcher der folgenden Punkte traf auf die Situation und ihre Reaktion zu: 
O Ich kam dem Vorderfahrzeug näher als beabsichtigt 
O Ich kam von der eigenen Spur mehr ab als gedacht 
O Ich war bei der Übernahme durch folgende Dinge abgelenkt: 
________________________________________________________________________ 
 
 Abbildung B.3.: Nachbefragung in Studie 2
 
 
 
 
 
 
 
 
219
Szene 4: Übernahmeaufforderung und anschließendes Vorbeifahren an einem 
Pannenfahrzeug 
Frage Bewertung 
 sehr   Sehr Kann 
einfach/ schwierig mich 
gut /schlecht nicht 
erinnern 
Wie empfanden Sie die zeitliche O O O O O 
Anforderung der Übernahme 
Wie empfanden Sie Ihre Reaktion O O O O O 
auf das Bremsen? 
Wie leicht viel es Ihnen die O O O O O 
Fahraufgabe zu übernehmen  
 unkritisch etwas Krit- sehr Kann 
kritisch isch kritisch mich 
nicht 
erinnern 
Wie kritisch haben Sie die gesamte O O O O O 
Situation wahrgenommen? Hierbei 
relevant sind z. B. die Zeit zur 
Fahrzeugübernahme, die 
Schwierigkeit auszuführender 
Manöver oder die Komplexität  
der Situation 
 
Welcher der folgenden Punkte traf auf die Situation und ihre Reaktion zu: 
O Ich kam dem Vorderfahrzeug näher als beabsichtigt 
O Ich kam dem Pannenfahrzeug näher als beabsichtigt 
O Ich erkannte die folgende Situation (Pannenfahrzeug) bereits vor der 
Übernahmeaufforderung 
 Falls dieser Punkt zutrifft: 
O Ich handelte Vorausschauend auf die Situation 
O Ich war bei der Übernahme durch folgende Dinge abgelenkt: 
________________________________________________________________________ 
 
 Abbildung B.4.: Nachbefragung in Studie 2
 
 
 
 
 
220
Szene 5: Übernahmeaufforderung und Ausweichen einer Kiste 
Frage Bewertung 
 sehr   Sehr Kann 
einfach/ schwierig mich 
gut /schlecht nicht 
erinnern 
Wie empfanden Sie die zeitliche O O O O O 
Anforderung der Übernahme 
Wie empfanden Sie Ihre Reaktion O O O O O 
auf das Bremsen? 
Wie leicht viel es Ihnen die O O O O O 
Fahraufgabe zu übernehmen  
 unkritisch etwas Krit- sehr Kann 
kritisch isch kritisch mich 
nicht 
erinnern 
Wie kritisch haben Sie die gesamte O O O O O 
Situation wahrgenommen? Hierbei 
relevant sind z. B. die Zeit zur 
Fahrzeugübernahme, die 
Schwierigkeit auszuführender 
Manöver oder die Komplexität  
der Situation 
 
Welcher der folgenden Punkte traf auf die Situation und ihre Reaktion zu: 
O Ich kam dem Vorderfahrzeug näher als beabsichtigt 
O Ich kam mehr ab von der eigenen Spur als gedacht 
O Ich kam der Kiste näher als gedacht 
O Ich erkannte die folgende Situation (Kiste im Weg) bereits vor der Übernahmeaufforderung 
 Falls dieser Punkt zutrifft: 
O Ich handelte Vorausschauend auf die Situation 
O Ich war bei der Übernahme durch folgende Dinge abgelenkt: 
________________________________________________________________________  
 
Abbildung B.5.: Nachbefragung in Studie 2
 
 
 
 
 
 
221
Reaktionsabfrage 
 
Hatten Sie den Eindruck, dass Sie die regelmäßige Reaktionsabfrage wach gemacht hat, 
bzw. denken Sie, dass Sie ohne die Reaktionsabfrage müder geworden wären? 
O Die Abfrage hat meine Müdigkeit nicht beeinflusst 
O Die Abfrage hat mich ein wenig wach gemacht 
O Die Abfrage hat mich spürbar wach gemacht 
O Die Abfrage hat mich deutlich wach gemacht 
Falls die Reaktionsabfrage Sie grundsätzlich wach gemacht hat, treffen welche der 
folgenden Aussagen auf Sie zu?  
O Die Abfrage hat mich nur anfangs wach gemacht, im Verlauf des Versuchs ließ der  
    Effekt nach.  
O Die Abfrage hat mich den Versuch hindurch immer gleich wach gemacht 
O Die Abfrage hat mich jedes Mal, wenn sie kam, nur kurz wach gemacht 
O Die Abfrage hat mich jedes Mal, wenn sie kam, für längere Zeit wach gemacht 
O Die Abfrage hielt mich vor allem gegen Ende wach als ich müder wurde 
O ______________________________________________ 
 
 
 Bedien- und Anzeigenkonzept 
 
Wie verständlich fanden Sie die Bedienung und die Anzeigen der Funktion? Haben Sie 
verstanden, wie die Funktion aktiviert bzw. deaktiviert wird und wann und wie Sie das 
Fahrzeug wieder übernehmen?  
Sehr O O O O Überhaupt 
verständlich nicht 
verständlich 
 
 Abbildung B.6.: Nachbefragung in Studie 2
222
C. Fahrverhalten in den Situationen in
Studie 2
Die ersten vier Situationen in Studie 2 waren dazu gedacht, den Fahrer mit Übernah-
meaufforderungen vertraut zu machen und so parametriert, dass die Situation einfach
zu meistern war. Erst die letzte Testsituation sollte aufgrund der geringeren Abstände
und der höheren Müdigkeit einen höheren Anspruch haben. In allen Situationen griffen
die Probanden im Mittel unter drei Sekunden in das Fahrgeschehen durch ergreifen des
Lenkrades, Bremsen oder Beschleunigen ein (Kapitel 7.4.1). Dieser Eingriff ist unabhän-
gig von der richtigen Ausführung der Fahraufgabe nach Ende der Unterstützung durch
das automatisierte System. So könnte ein Fahrer das Lenkrad schnell ergreifen, das Fahr-
zeug aber nicht gut in der Spur halten oder rechtzeitig bremsen. Um die Ausführung
der Fahrt der Probanden nach der Fahrzeugübernahme zu bewerten, wurde die Reakti-
on der Fahrer auf die Straßensituationen näher untersucht. Die wichtigsten Kennzahlen
zu der Fahrausführung auf die Testsituationen sind in Kapitel 7.5.1 beschrieben und
zeigen, dass die Reaktion der Probanden situationsgerecht erfolgte. Im Folgenden sind
in den Tabellen C.1 bis C.9 weitere Kennzahlen zu den Situationen enthalten, die die
Fahrausführung der Probanden beschreiben. Hierbei kürzt ∆ts die Zeitspanne zwischen
letzter Reaktionsabfrage und Beginn der Situation ab. ]DHAF drückt die Anzahl der
Probanden aus, die HAF durch ihre Übernahme vor Ende der Übergabezeit komplett
deaktivierten. Maxq beschreibt die Maximale Querbeschleunigung nach der Übernahme
und Maxv bzw. Minv die maximale bzw. minimale reale Geschwindigkeit zwischen der
Übernahme und dem Start der Situation. In Maxa ist die maximale Bremsverzögerung
nach der Übernahme und ]Blinken die Anzahl der Probanden die links vor dem Spur-
wechsel blinkten zusammengefasst. Bei den Werten ist zu beachten, dass kein Proband
aufgrund einer frühzeitigen Übernahme oder eines Spurwechsels ausgeschlossen wurde
und die Fahrphasen ohne Ausschluss von Teilabschnitten analysiert wurden.
Tabelle C.1.: Kennzahlen der Bremssituation (M ± SD; Max) 1/2
Intervall Startzeit ∆ts in s ]DHAF Max 2q in m/s Maxv in km/h
30 s 18:00 Uhr 39.0 ± 14.2 5/11 0.5 ± 0.2; 0.9 96.0 ± 0.3; 96.9
22:00 Uhr 23.6 ± 16.5 6/9 0.4 ± 0.2; 0.9 96.0 ± 0.0; 96.0
180 s 18:00 Uhr 172.8 ± 89.0 5/10 0.6 ± 0.3; 1.0 96.0 ± 0.3; 96.9
22:00 Uhr 141.6 ± 60.2 4/11 0.6 ± 0.4; 1.8 96.0 ± 0.0; 96.0
223
Tabelle C.2.: Kennzahlen der Bremssituation (M ± SD;
Min bzw. Max) 2/2
Intervall Startzeit Minv in km/h Maxa in m/s2
30 s 18:00 Uhr 93.9 ± 0.4; 93.1 -3.0 ± 0.8; -4.1
22:00 Uhr 91.8 ± 4.6; 79.8 -3.8 ± 1.6; -6.7
180 s 18:00 Uhr 93.5 ± 1.4; 89.3 -3.3 ± 1.5; -5.6
22:00 Uhr 93.6 ± 1.0; 91.2 -3.5 ± 1.3; -5.5
Tabelle C.3.: Kennzahlen der Unfallsituation (M ± SD; Max) 1/2
Intervall Startzeit ∆ts in s ]DHAF Max 2q in m/s Maxv in km/h
30 s 18:00 Uhr 17.8 ± 11.5 11/11 1.0 ± 0.2; 1.5 98.7 ± 1.7; 101.7
22:00 Uhr 21.9 ± 17.2 8/9 0.9 ± 0.2; 1.4 99.5 ± 2.2; 101.7
180 s 18:00 Uhr 142.5 ± 32.2 9/10 1.2 ± 0.3; 1.8 98.4 ± 2.0; 101.7
22:00 Uhr 118.8 ± 51.5 10/11 1.0 ± 0.4; 2.0 100.0 ± 1.7; 101.7
Tabelle C.4.: Kennzahlen der Unfallsituation (M ± SD; Min bzw.
Max) 2/2
Intervall Startzeit Minv in km/h Maxa in m/s2 ]Blinken
30 s 18:00 Uhr 84.4 ± 9.0; 65.6 -2.0 ± 1.5; -4.9 7/11
22:00 Uhr 82.9 ± 9.3; 63.7 -2.1 ± 1.6; -5.3 6/9
180 s 18:00 Uhr 81.1 ± 11.3; 56.1 -2.0 ± 1.6; -5.7 6/10
22:00 Uhr 82.8 ± 10.0; 61.8 -2.4 ± 1.7; -6.5 6/11
Tabelle C.5.: Kennzahlen der Kurvensituation (M ± SD; Max)
Intervall Startzeit ∆ts in s ]DHAF Maxq in m/s2 Maxa in m/s2
30 s 18:00 Uhr 31.1 ± 15.6 8/11 0.5 ± 0.5; 2.1 -1.6 ± 1.1; -4.4
22:00 Uhr 38.2 ± 21.3 5/9 0.5 ± 0.3; 1.1 -1.4 ± 0.9; -3.1
180 s 18:00 Uhr 148.6 ± 42.4 7/10 0.6 ± 0.3; 1.4 -2.0 ± 1.6; -5.7
22:00 Uhr 180.5 ± 50.2 4/11 0.4 ± 0.3; 1.3 -1.3 ± 0.5; -2.8
224
Tabelle C.6.: Kennzahlen der Pannensituation (M ± SD; Max) 1/2
Intervall Startzeit ∆ts in s ]DHAF Max 2q in m/s Maxv in km/h
30 s 18:00 Uhr 28.5 ± 31.0 8/11 0.5 ± 0.3; 1.2 96.5 ± 0.8; 98.8
22:00 Uhr 24.9 ± 20.8 4/9 0.6 ± 0.3; 1.2 96.2 ± 0.6; 97.9
180 s 18:00 Uhr 91.4 ± 62.2 6/10 0.5 ± 0.3; 1.2 96.2 ± 0.9; 98.8
22:00 Uhr 145.1 ± 115.2 6/11 0.5 ± 0.3; 1.4 96.7 ± 1.7; 100.7
Tabelle C.7.: Kennzahlen der Pannensituation (M ± SD;
Min bzw. Max) 2/2
Intervall Startzeit Minv in km/h Maxa in m/s2
30 s 18:00 Uhr 88.1 ± 6.1; 72.2 -1.5 ± 0.7; -3.1
22:00 Uhr 86.8 ± 6.3; 70.3 -2.3 ± 1.2; -4.6
180 s 18:00 Uhr 87.5 ± 4.0; 78.9 -1.8 ± 1.2; -4.8
22:00 Uhr 88.9 ± 3.6; 82.7 -1.6 ± 0.7; -2.9
Tabelle C.8.: Kennzahlen der Kistensituation (M ± SD; Max) 1/2
Intervall Startzeit ∆ts in s ]DHAF Maxq in m/s2 Maxv in km/h
30 s 18:00 Uhr 18.7 ± 17.8 11/11 2.1 ± 0.8; 3.5 96.9 ± 1.3; 99.8
22:00 Uhr 13.2 ± 25.0 9/9 1.8 ± 0.5; 3.0 97.1 ± 0.4; 97.9
180 s 18:00 Uhr 231.7 ± 82.3 10/10 2.2 ± 0.9; 3.5 96.9 ± 1.0; 98.8
22:00 Uhr 146.7 ± 110.2 10/11 2.2 ± 1.6; 5.8 97.4 ± 1.2; 99.8
Tabelle C.9.: Kennzahlen der Kistensituation (M ± SD; Min bzw.
Max) 2/2
Intervall Startzeit Min 2v in km/h Maxa in m/s ]Blinken
30 s 18:00 Uhr 86.5 ± 11.5; 56.1 -1.6 ± 1.2; -5.1 6/11
22:00 Uhr 90.7 ± 3.4; 81.7 -1.4 ± 0.9; -4.0 2/9
180 s 18:00 Uhr 80.7 ± 23.5; 17.1 -1.9 ± 1.1; -5.9 0/10
22:00 Uhr 91.2 ± 4.2; 80.8 -1.8 ± 1.0; -3.9 6/11
225
D. Detailauswertung zur
Detektionsleistung der
Lidschlagdetektionsverfahren
In diesem Kapitel sind die Detailergebnisse zu der Detektionsleistung der fünf Lidschlag-
detektionsverfahren a1, a2, a5b, a6 und a7 entsprechend der einzelnen Unterkategorien
Aa, Ab, Ac, Ad, Ae und Af aus Kapitel 8 aufgeführt.
Tabelle D.1.: Detailliertes Detektionsergebnis in % mit den Algorithmen
a1, a2 und a5b in den zweiminütigen Abschnitten (M ± SD)
Fahrstil Label a1 a2 a5b
Wach Müde Wach Müde Wach Müde
Manuell TPR 94±5 92±13 91±7 89±13 76±13 71±11
Aa 69±21 84±16 68±21 82±15 54±19 63±13
Ab 25±19 8±10 24±19 7±9 22±18 7±7
F DRBR 6±11 2±2 5±8 2±2 16±14 20±11
Ac 6±10 0±1 5±8 0±1 6±12 1±2
Ad 0±1 1±2 0±1 1±2 10±5 15±8
Ae 0±0 0±1 0±0 0±1 2±4 5±6
F DRNBR 2±2 1±1 4±4 2±2 7±6 5±7
HAF TPR 81±20 69±22 71±60 60±24 71±30 54±28
Aa 71±18 64±24 62±17 57±24 59±27 45±25
Ab 10±12 5±9 81±0 3±6 11±11 8±15
F DRBR 8±11 11±14 11±13 14±21 23±28 43±33
Ac 1±2 0±1 1±2 0±1 3±4 1±2
Ad 6±11 3±6 5±10 3±5 7±6 8±7
Ae 1±2 7±13 4±10 11±18 14±26 34±33
F DRNBR 4±6 4±6 5±8 2±4 7±7 5±5
226
Tabelle D.2.: Detailliertes Detektionsergebnis in % mit den Algorithmen a6,
a7 und des Fusionsverfahrens in den zweiminütigen Abschnit-
ten (M ± SD)
Fahrstil Label a6 a7 Fusionsverfahren
Wach Müde Wach Müde Wach Müde
Manuell TPR 91±6 85±20 87±7 82±23 90 ±14 95± 6
Aa 65±22 76±19 63±23 73±21 66±22 86±11
Ab 26±19 9±11 24±18 9±11 24±19 9±10
F DRBR 5±8 5±7 4±6 5±9 6±10 2±2
Ac 5±7 1±2 3±6 0±1 6±9 0±1
Ad 1±2 4±7 0±0 5±9 0±1 2±2
Ae 0±0 0±0 0±0 0±0 0±0 0±1
F DRNBR 9±9 8±13 6±5 7±5 2±3 1±1
HAF TPR 82±20 66±27 81±17 63±26 85±19 77±18
Aa 71±17 58±25 71±15 55±24 73±17 68±19
Ab 11±12 9±16 11±10 8±13 12±13 8±14
F DRBR 6±6 19±32 7±8 19±29 8±10 13±16
Ac 2±3 1±1 2±3 1±2 2±2 0±1
Ad 3±6 2±5 3±5 2±5 6±10 3±4
Ae 1±3 16±31 2±5 16±29 1±1 10±16
F DRNBR 6±6 4±6 4±5 2±4 2±3 2±3
227
Tabelle D.3.: Detailliertes Detektionsergebnis in % mit den Algorith-
men a1, a2 und a5b in den zweiminütigen Abschnitten
(Median)
Fahrstil Label a1 a2 a5b
Wach Müde Wach Müde Wach Müde
Manuell TPR 98 95 93 91 73 68
Aa 77 92 75 88 54 63
Ab 21 2 18 2 14 4
F DRBR 0 0 0 0 13 16
Ac 0 0 0 0 2 0
Ad 0 0 0 0 10 15
Ae 0 0 0 0 0 1
F DRNBR 1 0 3 0 6 3
HAF TPR 81 67 66 65 69 46
Aa 75 6 61 65 64 45
Ab 6 0 5 0 5 1
F DRBR 0 0 0 1 5 34
Ac 0 0 0 0 0 0
Ad 0 0 0 0 5 8
Ae 0 0 0 1 0 26
F DRNBR 2 1 2 0 5 5
228
Tabelle D.4.: Detailliertes Detektionsergebnis in % mit den Algorithmen
a6, a7 und des Fusionsverfahrens in den zweiminütigen Ab-
schnitten (Median)
Fahrstil Label a6 a7 Fusionsverfahren
Wach Müde Wach Müde Wach Müde
Manuell TPR 91 87 86 80 93 95
Aa 70 82 64 76 74 90
Ab 21 5 22 5 19 5
F DRBR 2 1 0 0 0 0
Ac 2 0 0 0 0 0
Ad 0 1 0 0 0 0
Ae 0 0 0 0 0 0
F DRNBR 5 5 6 6 0 0
HAF TPR 82 52 79 50 82 71
Aa 77 52 74 50 76 71
Ab 5 0 5 0 6 0
F DRBR 0 0 0 0 1 5
Ac 0 0 0 0 1 0
Ad 0 0 0 0 0 0
Ae 0 0 0 0 0 5
F DRNBR 5 1 2 3 0 0
Tabelle D.5.: Detektionsergebnis in % mit den Algo-
rithmen a3 und a4 in den zweiminüti-
gen Abschnitten (Median)
Fahrstil Label a3 a4
Wach Müde Wach Müde
Manuell TPR 56 51 82 49
FDRBR 8 9 10 4
FDRNBR 59 35 6 2
HAF TPR 59 31 46 0
FDRBR 12 19 2 0
FDRNBR 32 33 2 0
229
Tabelle D.6.: Detailliertes Detektionsergebnis in % mit
den Algorithmen a1 und a5b in den einmi-
nütigen Abschnitten (M ± SD)
Fahrstil Label a1 a5b
Wach Müde Wach Müde
Manuell TPR 87±15 85±12 70±17 66±14
Aa 51±29 66±13 39±27 47±21
Ab 35±23 19±19 31±17 19±18
F DRBR 5±11 4±5 14±6 21±16
Ac 5±11 1±2 1±2 1±1
Ad 0±0 2±5 13±6 10±5
Ae 0±0 1±3 0±0 10±15
F DRNBR 6±9 1±2 11±18 2±3
HAF TPR 87±15 82±20 83±12 54±30
Aa 76±18 76±20 73±18 48±31
Ab 11±14 6±12 10±13 7±12
F DRBR 15±13 13±16 8±7 32±22
Ac 3±5 1±1 0±1 1±2
Ad 11±12 11±15 5±5 9±8
Ae 1±3 2±4 3±7 22±22
F DRNBR 2±4 1±3 8±7 13±15
230
Tabelle D.7.: Detailliertes Detektionsergebnis in % mit den
Algorithmen a6 und des Fusionsverfahrens in
den einminütigen Abschnitten (M ± SD)
Fahrstil Label a6 Fusionsverfahren
Wach Müde Wach Müde
Manuell TPR 93±9 87±15 81 ±22 90± 8
Aa 53±29 65±13 48±32 71±14
Ab 40±29 21±19 33±24 19±19
F DRBR 4±6 6±7 6±11 4±4
Ac 0±0 0±0 6±11 1±2
Ad 3±4 6±7 0±0 2±5
Ae 1±2 0±0 0±0 1±2
F DRNBR 10±11 8±9 3±4 0±0
HAF TPR 95±5 78±21 87±15 82±20
Aa 85±18 73±24 76±18 76±21
Ab 11±15 5±8 11±14 6±12
F DRBR 1±2 1±2 14±14 13±15
Ac 0±0 0±0 2±4 1±1
Ad 1±2 0±0 11±12 11±14
Ae 0±0 1±2 1±3 2±4
F DRNBR 5±8 5±6 2±3 1±2
231
Tabelle D.8.: Detailliertes Detektionsergebnis in %
mit den Algorithmen a1 und a5b in den
einminütigen Abschnitten (Median)
Fahrstil Label a1 a5b
Wach Müde Wach Müde
Manuell TPR 93 84 74 63
Aa 54 66 41 45
Ab 29 15 30 15
F DRBR 0 3 14 17
Ac 0 0 0 0
Ad 0 0 14 8
Ae 0 0 0 4
F DRNBR 0 0 3 0
HAF TPR 93 88 86 56
Aa 81 82 70 47
Ab 5 0 2 0
F DRBR 15 6 7 36
Ac 0 0 0 0
Ad 7 2 2 8
Ae 0 0 0 17
F DRNBR 0 0 7 9
232
Tabelle D.9.: Detailliertes Detektionsergebnis in % mit
den Algorithmen a6 und des Fusionsverfah-
rens in den einminütigen Abschnitten (Me-
dian)
Fahrstil Label a6 Fusionsverfahren
Wach Müde Wach Müde
Manuell TPR 100 92 93 89
Aa 56 71 56 66
Ab 44 23 29 15
F DRBR 0 3 0 3
Ac 0 0 0 0
Ad 0 3 0 0
Ae 0 0 0 0
F DRNBR 4 4 0 0
HAF TPR 97 86 93 86
Aa 90 82 81 84
Ab 2 0 5 0
F DRBR 0 0 13 7
Ac 0 0 0 0
Ad 0 0 7 2
Ae 0 0 0 0
F DRNBR 0 2 0 0
233
E. Nachbefragung von Studie 3
Datum:   ______________________   VP-Nr.:   ______________________ 
 
Fragen zum Versuchsverlauf 
 
Müdigkeit während der Fahrt 
 
Hatten Sie während der Fahrt Sekundenschlafereignisse?  
 
Ja ONein O
 
Falls Ja, wie häufig traten diese in etwa auf? 
 
 
--------------------------------- 
 
Hielten Sie sich am Ende der Fahrt noch für so fahrtüchtig, dass Sie normalerweise  
weitergefahren wären?     
 
Ja ONein O 
 
a) Falls nein, bis zu welcher KSS hielten Sie sich für fahrtüchtig? 
KSS: _______ 
 
Wenn Sie selbst die freie Entscheidung gehabt hätten, die Fahrt müdigkeitsbedingt zu 
beenden oder eine Pause zu machen (Rastplatz, Tankstelle o. ä.), wären Sie bis zum 
Versuchsende gefahren? 
 
Ja ONein O 
 
 Abbildung E.1.: Nachbefragung in Studie 3
 
 
 
 
 
 
 
 
 
 
 
234
Verschiedene Übernahmeszenarien: 
Bitte denken Sie zurück an die verschiedenen Übernahmeszenarien und Ihre Reaktion. 
Szene 1: Übernahmeaufforderung und anschließendes Bremsen des Vorderfahrzeuges 
Frage Bewertung 
 Überhaupt   Sehr Kann 
nicht an- mich 
anspruchs- spruchs nicht 
voll -voll erinnern 
Wie anspruchsvoll empfanden Sie O O O O O 
das auszuführende Manöver nach 
der Übernahme? 
 kein gering mittel hoch  
Wie hoch war das Unfallrisiko aus O O O O O 
Ihrer Sicht während dieser 
Situation? 
 Sehr Lang- Schnell Sehr  
langsam sam schnell 
Wie schnell mussten Sie auf die O O O O O 
Verkehrssituation reagieren? 
 unkritisch Etwas Kritisch Sehr  
kritisch kritisch 
Wie kritisch haben Sie die O O O O O 
gesamte Situation 
wahrgenommen? Hierbei relevant 
sind z. B. die Schwierigkeit 
auszuführender Manöver, die 
Situation als Ganze? 
 
Trifft der folgenden Punkte auf die Situation und Ihre Reaktion zu: 
O Ich war bei der Übernahme durch folgende Dinge abgelenkt: 
________________________________________________________________________ 
 
Abbildung E.2.: Nachbefragung in Studie 3
 
 
 
 
 
 
 
 
 
235
Szene 2: Übernahmeaufforderung und anschließendes Vorbeifahren an einer Unfallstelle 
Frage Bewertung 
 Überhaupt   Sehr Kann 
nicht an- mich 
anspruchs- spruchs nicht 
voll -voll erinnern 
Wie anspruchsvoll empfanden Sie O O O O O 
das auszuführende Manöver nach 
der Übernahme? 
 kein gering mittel hoch  
Wie hoch war das Unfallrisiko aus O O O O O 
Ihrer Sicht während dieser 
Situation? 
 Sehr Lang- Schnell Sehr  
langsam sam schnell 
Wie schnell mussten Sie auf die O O O O O 
Verkehrssituation reagieren? 
 unkritisch Etwas Kritisch Sehr  
kritisch kritisch 
Wie kritisch haben Sie die O O O O O 
gesamte Situation 
wahrgenommen? Hierbei relevant 
sind z. B. die Schwierigkeit 
auszuführender Manöver, die 
Situation als Ganze? 
 
Welcher der folgenden Punkte traf auf die Situation und Ihre Reaktion zu: 
O Ich erkannte die folgende Situation (Unfall) bereits vor der Übernahmeaufforderung 
 Falls dieser Punkt zutrifft, trifft auch folgendes zu? 
O Ich handelte vorausschauend auf die Situation 
O Ich war bei der Übernahme durch folgende Dinge abgelenkt: 
________________________________________________________________________ 
 
Abbildung E.3.: Nachbefragung in Studie 3
 
 
 
 
 
 
 
 
236
Szene 3: Übernahmeaufforderung und anschließende Kurvenfahrt 
Frage Bewertung 
 Überhaupt   Sehr Kann 
nicht an- mich 
anspruchs- spruchs nicht 
voll -voll erinnern 
Wie anspruchsvoll empfanden Sie O O O O O 
das auszuführende Manöver nach 
der Übernahme? 
 kein gering Mittel hoch  
Wie hoch war das Unfallrisiko aus O O O O O 
Ihrer Sicht während dieser 
Situation? 
 Sehr Lang- Schnell Sehr  
langsam sam schnell 
Wie schnell mussten Sie auf die O O O O O 
Verkehrssituation reagieren? 
 unkritisch Etwas Kritisch Sehr  
kritisch kritisch 
Wie kritisch haben Sie die O O O O O 
gesamte Situation 
wahrgenommen? Hierbei relevant 
sind z. B. die Schwierigkeit 
auszuführender Manöver, die 
Situation als Ganze? 
 
 
Welcher der folgenden Punkte traf auf die Situation und Ihre Reaktion zu: 
O Ich kam von der eigenen Spur mehr ab, als ich wollte 
O Ich war bei der Übernahme durch folgende Dinge abgelenkt: 
________________________________________________________________________ 
 Abbildung E.4.: Nachbefragung in Studie 3
 
 
 
 
 
 
 
 
 
237
Szene 4: Übernahmeaufforderung und anschließendes Vorbeifahren an einem 
Pannenfahrzeug 
Frage Bewertung 
 Überhaupt   Sehr Kann 
nicht an- mich 
anspruchs- spruchs nicht 
voll -voll erinnern 
Wie anspruchsvoll empfanden Sie O O O O O 
das auszuführende Manöver nach 
der Übernahme? 
 kein gering Mittel Hoch  
Wie hoch war das Unfallrisiko aus O O O O O 
Ihrer Sicht während dieser 
Situation? 
 Sehr Lang- Schnell Sehr  
langsam sam schnell 
Wie schnell mussten Sie auf die O O O O O 
Verkehrssituation reagieren? 
 unkritisch Etwas Kritisch Sehr  
kritisch kritisch 
Wie kritisch haben Sie die O O O O O 
gesamte Situation 
wahrgenommen? Hierbei relevant 
sind z. B. die Schwierigkeit 
auszuführender Manöver, die 
Situation als Ganze? 
 
Welcher der folgenden Punkte traf auf die Situation und Ihre Reaktion zu: 
O Ich erkannte die folgende Situation (Pannenfahrzeug) bereits vor der 
Übernahmeaufforderung 
 Falls dieser Punkt zutrifft, trifft auch folgendes zu? 
O Ich handelte vorausschauend auf die Situation 
O Ich war bei der Übernahme durch folgende Dinge abgelenkt: 
________________________________________________________________________ 
 
Abbildung E.5.: Nachbefragung in Studie 3
 
 
 
 
 
 
 
238
Szene 5: Übernahmeaufforderung und Ausweichen einer Kiste 
Frage Bewertung 
 Überhaupt   Sehr Kann 
nicht an- mich 
anspruchs- spruchs nicht 
voll -voll erinnern 
Wie anspruchsvoll empfanden Sie O O O O O 
das auszuführende Manöver nach 
der Übernahme? 
 kein gering Mittel Hoch  
Wie hoch war das Unfallrisiko aus O O O O O 
Ihrer Sicht während dieser 
Situation? 
 Sehr Lang- Schnell Sehr  
langsam sam schnell 
Wie schnell mussten Sie auf die O O O O O 
Verkehrssituation reagieren? 
 unkritisch Etwas Kritisch Sehr  
kritisch kritisch 
Wie kritisch haben Sie die O O O O O 
gesamte Situation 
wahrgenommen? Hierbei relevant 
sind z. B. die Schwierigkeit 
auszuführender Manöver, die 
Situation als Ganze? 
 
Welcher der folgenden Punkte traf auf die Situation und Ihre Reaktion zu: 
O Ich erkannte die folgende Situation (Kiste im Weg) bereits vor der Übernahmeaufforderung 
 Falls dieser Punkt zutrifft, trifft auch folgender zu? 
O Ich handelte vorausschauend auf die Situation 
O Ich war bei der Übernahme durch folgende Dinge abgelenkt: 
________________________________________________________________________  
 Abbildung E.6.: Nachbefragung in Studie 3
 
 
 
 
 
 
 
 
239
Szene 6: Stauende 
 
Frage Bewertung 
 Überhaupt   Sehr Kann 
nicht an- mich 
anspruchs- spruchs nicht 
voll -voll erinnern 
Wie anspruchsvoll empfanden Sie O O O O O 
das auszuführende Manöver? 
 kein gering Mittel Hoch  
Wie hoch war das Unfallrisiko aus O O O O O 
Ihrer Sicht während dieser 
Situation? 
 Sehr Lang- Schnell Sehr  
langsam sam schnell 
Wie schnell mussten Sie auf die O O O O O 
Verkehrssituation reagieren? 
 unkritisch Etwas Kritisch Sehr  
kritisch kritisch 
Wie kritisch haben Sie die O O O O O 
gesamte Situation 
wahrgenommen? Hierbei relevant 
sind z. B. die Schwierigkeit 
auszuführender Manöver, die 
Situation als Ganze? 
 
Welcher der folgenden Punkte traf auf die Situation und Ihre Reaktion zu: 
O Ich erkannte die folgende Situation (Stauende) frühzeitig 
 Falls dieser Punkt zutrifft, trifft auch folgender Punkt zu? 
O Ich handelte vorausschauend auf die Situation 
O Ich war durch folgende Dinge abgelenkt: 
________________________________________________________________________ 
 Abbildung E.7.: Nachbefragung in Studie 3
 
 
 
 
 
 
 
 
240
Reaktionsabfrage 
Denken Sie, dass Sie ohne die Abfragen zur Übernahmebereitschaft müder geworden 
wären? 
O Die Abfrage hat meine Müdigkeit nicht beeinflusst 
O Die Abfrage hat mich ein wenig wach gemacht 
O Die Abfrage hat mich spürbar wach gemacht 
O Die Abfrage hat mich deutlich wach gemacht 
 
Bitte bewerten Sie die Countdown-Anzeige in der Abfrage zur Übernahmebereitschaft 
Die Anzeige zur Übernahmebereitschaft ist… 
O sehr gut verständlich 
O eher gut verständlich 
O eher nicht gut verständlich 
O überhaupt nicht gut verständlich 
Die Anzeige zur Übernahmebereitschaft ist… 
O sehr hilfreich 
O eher hilfreich 
O eher nicht hilfreich 
O überhaupt nicht hilfreich 
Die Anzeige zur Übernahmebereitschaft ist… 
O sehr störend 
O eher störend 
O eher nicht störend 
O überhaupt nicht störend 
Denken Sie, dass man das gezeigte Verfahren zur Erkennung der Übernahmebereitschaft 
generell braucht? 
O ja 
O nein 
O ja, aber nur unter folgenden Bedingungen: __________________________________ 
 
Wussten Sie zu jedem Zeitpunkt in welchem Zustand sich das System „Autobahnchauffeur“ 
befindet? 
O ja 
O eher ja 
O eher nein 
O nein 
Abbildung E.8.: Nachbefragung in Studie 3
241
F. Fahrverhalten in den Situationen in
Studie 3
Äquivalent zu den zusätzlichen Zahlen in Anhang C, sind in diesem Kapitel zusätzliche
Kennzahlen zu den Testsituationen aus Studie 3 aufgeführt. Diese sind in den Tabellen
F.1 bis F.10 zu finden. ∆ts kürzt die Zeitspanne zwischen letzter Reaktionsabfrage und
Beginn der Situation ab. In ]DHAF ist die Anzahl der Probanden aufgeführt, die HAF
durch ihre Übernahme vor Ende der Übergabezeit komplett deaktivierten. Maxq be-
schreibt die Maximale Querbeschleunigung nach der Übernahme und Maxv bzw. Minv
die maximale bzw. minimale reale Geschwindigkeit zwischen der Übernahme und dem
Start der Situation. In Maxa ist die maximale Bremsverzögerung nach der Übernahme
und ]Blinken die Anzahl der Probanden die links vor dem Spurwechsel blinkten zu-
sammengefasst. Wie in Anhang C ist bei den Werten zu beachten, dass kein Proband
aufgrund einer frühzeitigen Übernahme oder eines Spurwechsels ausgeschlossen wurde
und die Fahrphasen ohne Ausschluss von Teilabschnitten analysiert wurden. Die Anzahl
der maximalen Probanden schwankt, da es in der Brems- und Kurvensituation zu Beginn
der Übernahmeaufforderung Probanden gab, die manuell fuhren.
Tabelle F.1.: Kennzahlen der Bremssituation (M ± SD;
Max) 1/2
∆ts in s ]DHAF Maxq in m/s2 Maxv in km/h
292.5 ± 269.8 16/18 0.5 ± 0.3; 1.1 95.2 ± 0.3; 96.4
242
Tabelle F.2.: Kennzahlen der
Bremssituation (M
± SD; Min bzw.
Max) 2/2
Minv in km/h Maxa in m/s2
93.3 ± 1.6; 88.8 -2.0 ± 1.4; -6.9
Tabelle F.3.: Kennzahlen der Unfallsituation (M ± SD;
Max) 1/2
∆ts in s ]D 2HAF Maxq in m/s Maxv in km/h
364.9 ± 614.9 18/20 0.9 ± 0.2; 1.3 95.1 ± 0.2; 96.0
Tabelle F.4.: Kennzahlen der Unfallsituation
(M ± SD; Min bzw. Max) 2/2
Minv in km/h Max in m/s2a ]Blinken
67.0 ± 17.8; 19.5 -2.2 ± 1.4; -5.8 16/20
Tabelle F.5.: Kennzahlen der Kurvensituation (M ± SD;
Max)
∆ts in s ]DHAF Maxq in m/s2 Maxa in m/s2
164.2 ± 134.9 16/19 0.4 ± 0.2; 0.8 -0.9 ± 0.4; -1.9
Tabelle F.6.: Kennzahlen der Pannensituation (M ± SD;
Max) 1/2
∆ts in s ]DHAF Maxq in m/s2 Maxv in km/h
128.7 ± 127.8 16/20 0.6 ± 0.3; 1.5 95.2 ± 0.3; 96.5
243
Tabelle F.7.: Kennzahlen der Pan-
nensituation (M ±
SD; Min bzw. Max)
2/2
Minv in km/h Maxa in m/s2
92.5 ± 3.4; 80.6 -1.3 ± 0.8; -3.5
Tabelle F.8.: Kennzahlen der Kistensituation (M ± SD;
Max) 1/2
∆ts in s ]D Max in m/s2HAF q Maxv in km/h
97.5 ± 81.4 19/20 1.8 ± 0.9; 4.8 95.1 ± 0.0; 95.2
Tabelle F.9.: Kennzahlen der Kistensituation
(M ± SD; Min bzw. Max) 2/2
Minv in km/h Maxa in m/s2 ]Blinken
82.4 ± 8.0; 66.3 -1.5 ± 1.0; -3.1 13/20
Tabelle F.10.: Kennzahlen des Stauendes
(M ± SD; Max)
Maxq in m/s2 Maxa in m/s2 ]Spur
0.2 ± 0.1 -7.3 ± 1.1; -9.8 0
244
Abbildungsverzeichnis
2.1. Standardregelkreis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
3.1. Modell zur psychischen Belastung (Fastenmeier & Gstalter, 2007) . . . . 17
3.2. Übernahmemodell und Kategorisierung der Einflussfaktoren auf die Fahr-
zeugübernahme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
4.1. Modell zur Müdigkeit (May & Baldwin, 2009) . . . . . . . . . . . . . . . 25
4.2. Generellen Vorgehen zur Zustands- bzw. Müdigkeitsdetektion mit einem
objektiven Messsystem . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
4.3. Karolinska Sleepiness Scale . . . . . . . . . . . . . . . . . . . . . . . . . . 32
5.1. Vorgehen zur Müdigkeitsdetektion auf Basis der Lidschlagdetektion . . . 46
5.2. Überblick über das Auge . . . . . . . . . . . . . . . . . . . . . . . . . . 47
6.1. Messsystem Dikablis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
6.2. Messsystem EOG . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
6.3. Moving-base Fahrsimulator (Daimler AG, 2017b) . . . . . . . . . . . . . 78
6.4. Laserbird . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
6.5. Statischer Fahrsimulator . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
6.6. Skizze des Raumes für Studie 2 . . . . . . . . . . . . . . . . . . . . . . . 82
6.7. An- und Ausschalten des HAF über den Tempomathebel . . . . . . . . . 83
6.8. Anzeige der Übernahmeaufforderung . . . . . . . . . . . . . . . . . . . . 84
6.9. Anzeige der Reaktionsabfrage . . . . . . . . . . . . . . . . . . . . . . . . 85
6.10. Gesamtkonzept des hochautomatisierten Systems mit den Aktivierungs-
(B1 - B6) und Abschaltbedingungen (D1 - D4) . . . . . . . . . . . . . . . 86
6.11. Anzeige der KSS während der Fahrt . . . . . . . . . . . . . . . . . . . . . 87
6.12. Übersicht der Unfallsituation . . . . . . . . . . . . . . . . . . . . . . . . . 90
6.13. Übersicht der Kistensituation . . . . . . . . . . . . . . . . . . . . . . . . 91
6.14. Übersicht des Verlaufes der Studie . . . . . . . . . . . . . . . . . . . . . . 92
7.1. Mittlere KSS-Rückmeldungen und Standardabweichungen über der Ver-
suchszeit in den zehn Auswerteabschnitten t1 bis t10 von Studie 1 . . . . 96
7.2. Mittlere KSS-Rückmeldungen und Standardabweichungen über der Ver-
suchszeit in den acht Auswerteabschnitten t1 bis t8 von Studie 2 . . . . . 97
7.3. Mittlere Reaktionszeiten und Standardabweichungen auf die Reaktions-
abfragen über der Versuchszeit in den acht Auswerteabschnitten t1 bis t8
von Studie 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
7.4. Fahrverlauf der Probanden in der Kistensituation in Studie 2 . . . . . . 108
XI
8.1. Vier Bildverläufe zu Lidbewegungen . . . . . . . . . . . . . . . . . . . . . 125
8.2. Die Unterteilung in vier Augenbereiche . . . . . . . . . . . . . . . . . . . 126
8.3. Signalverlauf eines Lidschlages im EOG-Signal . . . . . . . . . . . . . . . 128
8.4. Signalverlauf eines Lidschlages im L1-Signal . . . . . . . . . . . . . . . . 131
8.5. Signalverlauf eines Lidschlages im L5-Signal . . . . . . . . . . . . . . . . 135
8.6. Übersicht des betrachteten Worst Case Falls einer Lidschlagaufnahme . . 140
9.1. Mögliches detailliertes Vorgehen zur Müdigkeitsdetektion auf Basis der
Lidschlagdetektion in Studie 1 und 2 . . . . . . . . . . . . . . . . . . . . 158
9.2. Fusionsverfahren zur Lidschlagdetektion . . . . . . . . . . . . . . . . . . 161
9.3. Normierte Mittelwerte und Standardabweichungen der Lidschlussparame-
ter in den Auswertungsabschnitten t1 bis t10 von Versuch 1 1/2 . . . . . . 167
9.4. Normierte Mittelwerte und Standardabweichungen der Lidschlussparame-
ter in den Auswertungsabschnitten t1 bis t10 von Versuch 1 2/2 . . . . . . 168
9.5. Normierte Mittelwerte und Standaardabweichungen der Lidschlusspara-
meter in den Auswertungsabschnitten t1 bis bis t8 von Versuch 2 1/2 . . 170
9.6. Normierte Mittelwerte und Standaardabweichungen der Lidschlusspara-
meter in den Auswertungsabschnitten t1 bis t8 von Versuch 2 2/2 . . . . 171
10.1. Algorithmus zur Überprüfung der Reaktionsfähigkeit . . . . . . . . . . . 185
10.2. Gesamtverlauf der Studie 3 . . . . . . . . . . . . . . . . . . . . . . . . . 190
10.3. Mittlere KSS-Rückmeldungen und Standardabweichungen über der Zeit
in den elf Auswerteabschnitten t1 bis t11 von Studie 3 . . . . . . . . . . 191
10.4. Häufigkeit der Reaktionsabfragen in Studie 3 . . . . . . . . . . . . . . . 193
10.5. Mittlere Reaktionszeiten und Standardabweichungen auf die Reaktions-
abfragen über die Zeit in den acht Auswerteabschnitten t2 bis t9 von
Studie 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 194
10.6. Fahrverlauf der Probanden in der Kistensituation in Studie 3 . . . . . . 198
10.7. Fahrparameter vor und während der Stausituation beginnend bei 10 Se-
kunden . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 198
10.8. Mittlere Pl2 Werte und Standardabweichungen über die Zeit in den elf
Auswerteabschnitten t1 bis t11 von Studie 3 . . . . . . . . . . . . . . . . 206
10.9. Median der langen Lidschlüsse Sp2 über die Zeit in den elf Auswerteab-
schnitten t1 bis t11 von Studie 3 . . . . . . . . . . . . . . . . . . . . . . . 207
10.10.Median der bewussten Kopfbewegungen über die Zeit in den elf Auswer-
teabschnitten t1 bis t11 von Studie 3 . . . . . . . . . . . . . . . . . . . . 207
A.1. Vorbefragung in Studie 2 . . . . . . . . . . . . . . . . . . . . . . . . . . 215
A.2. Vorbefragung in Studie 2 . . . . . . . . . . . . . . . . . . . . . . . . . . 216
B.1. Nachbefragung in Studie 2 . . . . . . . . . . . . . . . . . . . . . . . . . 217
B.2. Nachbefragung in Studie 2 . . . . . . . . . . . . . . . . . . . . . . . . . 218
B.3. Nachbefragung in Studie 2 . . . . . . . . . . . . . . . . . . . . . . . . . 219
B.4. Nachbefragung in Studie 2 . . . . . . . . . . . . . . . . . . . . . . . . . 220
B.5. Nachbefragung in Studie 2 . . . . . . . . . . . . . . . . . . . . . . . . . 221
XII
B.6. Nachbefragung in Studie 2 . . . . . . . . . . . . . . . . . . . . . . . . . 222
E.1. Nachbefragung in Studie 3 . . . . . . . . . . . . . . . . . . . . . . . . . 234
E.2. Nachbefragung in Studie 3 . . . . . . . . . . . . . . . . . . . . . . . . . 235
E.3. Nachbefragung in Studie 3 . . . . . . . . . . . . . . . . . . . . . . . . . 236
E.4. Nachbefragung in Studie 3 . . . . . . . . . . . . . . . . . . . . . . . . . 237
E.5. Nachbefragung in Studie 3 . . . . . . . . . . . . . . . . . . . . . . . . . 238
E.6. Nachbefragung in Studie 3 . . . . . . . . . . . . . . . . . . . . . . . . . 239
E.7. Nachbefragung in Studie 3 . . . . . . . . . . . . . . . . . . . . . . . . . 240
E.8. Nachbefragung in Studie 3 . . . . . . . . . . . . . . . . . . . . . . . . . 241
XIII
Tabellenverzeichnis
5.1. Vier-Felder Matrix . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
6.1. Aufteilung der Probanden in Studiengruppen . . . . . . . . . . . . . . . . 80
7.1. KSS Werte bei den Testsituationen und statistische Vergleiche (post-hoc
Tests) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
7.2. Ausgelöste Kistensituationen je nach Gruppe . . . . . . . . . . . . . . . . 100
7.3. Übernahmezeiten in den fünf Testsituationen . . . . . . . . . . . . . . . . 102
7.4. Ergebnisse der statistischen Vergleiche der Übernahmezeiten hinsichtlich
von Gruppeneffekten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
7.5. Ergebnisse der statistischen Vergleiche der Übernahmezeiten hinsichtlich
des Müdigkeitszustandes . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
7.6. Übernahmezeiten nach verpassten Reaktionsabfragen in s . . . . . . . . . 105
7.7. Wichtigste Kennzahlen der Testsituationen (M ± SD; Min) . . . . . . . 105
7.8. Wichtigste Kennzahlen der Kistensituation (M ± SD; Min) . . . . . . . 106
7.9. Rückmeldungen zur zeitlichen Handlungsanforderungen . . . . . . . . . . 110
7.10. Rückmeldungen zur Bewertung der Ausführungen . . . . . . . . . . . . . 110
7.11. Rückmeldungen zur Schwierigkeit der Übernahmen . . . . . . . . . . . . 111
7.12. Rückmeldungen zur Kritikalität der Testsituationen . . . . . . . . . . . . 111
7.13. Ergebnisse der statistischen Vergleiche der zeitlichen Handlungsanforderung112
7.14. Ergebnisse der statistischen Vergleiche der Schwierigkeit . . . . . . . . . 113
7.15. Ergebnisse der statistischen Vergleiche der Kritikalität . . . . . . . . . . 113
7.16. Positiver Einfluss der ä . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
8.1. Überblick der Ground-Truth Daten . . . . . . . . . . . . . . . . . . . . . 137
8.2. Detektionsergebnis in % mit den Algorithmen a1 bis a4 (M ± SD) . . . . 143
8.3. Länge der Lidschläge in Appel et al. (2016) und eigenen Daten . . . . . . 145
8.4. Detektionsergebnis in % mit den Algorithmen a5 bis a7 (M ± SD) . . . . 155
9.1. Detektionsergebnis in % des fusionierten Verfahrens (M ± SD) . . . . . . 162
9.2. Überblick der Ground-Truth Daten . . . . . . . . . . . . . . . . . . . . . 163
9.3. Detektionsergebnis in % der Algorithmen a1, a5b, a6 und der Fusion (M±
SD) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 163
9.4. Statistische Analyse der Lidschlagparameter (Pm) im Versuchsverlauf
von Studie 1 und die Korrelation mit der KSS . . . . . . . . . . . . . . . 169
9.5. Statistische Analyse der Lidschlagparameter (Pm) im Studienverlauf von
Studie 2 und die Korrelation mit der KSS . . . . . . . . . . . . . . . . . 172
XIV
9.6. Statistische Analyse der Lidschlagparameter (Pm) in der ersten und letz-
ten Phase hinsichtlich der Startuhrzeit (18 (FS) bzw. 22 Uhr (SS)) . . . . 174
9.7. Statistische Analyse der Lidschlagparameter (Pm) zwischen Studie 1 und
2 in dem ersten Abschnitt . . . . . . . . . . . . . . . . . . . . . . . . . . 175
9.8. Statistische Analyse der Lidschlagparameter (Pm) zwischen Studie 1 und
2 in dem letzten Abschnitt . . . . . . . . . . . . . . . . . . . . . . . . . . 176
10.1. KSS Werte bei den Testsituationen und statistische Vergleiche (post-hoc
Tests) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 193
10.2. Übernahmezeiten in den fünf Testsituationen . . . . . . . . . . . . . . . . 195
10.3. Ergebnisse der statistischen Vergleiche der Übernahmezeiten - Müdig-
keitszustand . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 196
10.4. Übernahmezeiten nach verpassten Reaktionsabfragen in s . . . . . . . . . 196
10.5. Wichtigste Kennzahlen der Testsituationen (M ± SD; Min) . . . . . . . 197
10.6. Wichtigste Kennzahlen der Kistensituation (M ± SD; Min) . . . . . . . 197
10.7. Bewertung der Testsituationen in Studie 3 . . . . . . . . . . . . . . . . . 200
11.1. Überblick zu den drei durchgeführten Studien . . . . . . . . . . . . . . . 213
C.1. Kennzahlen der Bremssituation (M ± SD; Max) 1/2 . . . . . . . . . . . 223
C.2. Kennzahlen der Bremssituation (M ± SD; Min bzw. Max) 2/2 . . . . . 224
C.3. Kennzahlen der Unfallsituation (M ± SD; Max) 1/2 . . . . . . . . . . . 224
C.4. Kennzahlen der Unfallsituation (M ± SD; Min bzw. Max) 2/2 . . . . . . 224
C.5. Kennzahlen der Kurvensituation (M ± SD; Max) . . . . . . . . . . . . . 224
C.6. Kennzahlen der Pannensituation (M ± SD; Max) 1/2 . . . . . . . . . . 225
C.7. Kennzahlen der Pannensituation (M ± SD; Min bzw. Max) 2/2 . . . . . 225
C.8. Kennzahlen der Kistensituation (M ± SD; Max) 1/2 . . . . . . . . . . . 225
C.9. Kennzahlen der Kistensituation (M ± SD; Min bzw. Max) 2/2 . . . . . 225
D.1. Detailliertes Detektionsergebnis in % mit den Algorithmen a1, a2 und a5b
in den zweiminütigen Abschnitten (M ± SD) . . . . . . . . . . . . . . . 226
D.2. Detailliertes Detektionsergebnis in % mit den Algorithmen a6, a7 und des
Fusionsverfahrens in den zweiminütigen Abschnitten (M ± SD) . . . . . 227
D.3. Detailliertes Detektionsergebnis in % mit den Algorithmen a1, a2 und a5b
in den zweiminütigen Abschnitten (Median) . . . . . . . . . . . . . . . . 228
D.4. Detailliertes Detektionsergebnis in % mit den Algorithmen a6, a7 und des
Fusionsverfahrens in den zweiminütigen Abschnitten (Median) . . . . . . 229
D.5. Detektionsergebnis in % mit den Algorithmen a3 und a4 in den zweimi-
nütigen Abschnitten (Median) . . . . . . . . . . . . . . . . . . . . . . . . 229
D.6. Detailliertes Detektionsergebnis in % mit den Algorithmen a1 und a5b in
den einminütigen Abschnitten (M ± SD) . . . . . . . . . . . . . . . . . . 230
D.7. Detailliertes Detektionsergebnis in % mit den Algorithmen a6 und des
Fusionsverfahrens in den einminütigen Abschnitten (M ± SD) . . . . . . 231
D.8. Detailliertes Detektionsergebnis in % mit den Algorithmen a1 und a5b in
den einminütigen Abschnitten (Median) . . . . . . . . . . . . . . . . . . 232
XV
D.9. Detailliertes Detektionsergebnis in % mit den Algorithmen a6 und des
Fusionsverfahrens in den einminütigen Abschnitten (Median) . . . . . . . 233
F.1. Kennzahlen der Bremssituation (M ± SD; Max) 1/2 . . . . . . . . . . . 242
F.2. Kennzahlen der Bremssituation (M ± SD; Min bzw. Max) 2/2 . . . . . 243
F.3. Kennzahlen der Unfallsituation (M ± SD; Max) 1/2 . . . . . . . . . . . 243
F.4. Kennzahlen der Unfallsituation (M ± SD; Min bzw. Max) 2/2 . . . . . . 243
F.5. Kennzahlen der Kurvensituation (M ± SD; Max) . . . . . . . . . . . . . 243
F.6. Kennzahlen der Pannensituation (M ± SD; Max) 1/2 . . . . . . . . . . 243
F.7. Kennzahlen der Pannensituation (M ± SD; Min bzw. Max) 2/2 . . . . . 244
F.8. Kennzahlen der Kistensituation (M ± SD; Max) 1/2 . . . . . . . . . . . 244
F.9. Kennzahlen der Kistensituation (M ± SD; Min bzw. Max) 2/2 . . . . . 244
F.10.Kennzahlen des Stauendes (M ± SD; Max) . . . . . . . . . . . . . . . . 244
XVI
Literatur
Abramov, I. & Harris, C. M. (1984). Artificial eye for assessing corneal-reflection eye
trackers. Behavior Research Methods, Instruments, & Computers, 16 (5), 437–438.
doi: 10.3758/BF03202479
Abtahi, S., Hariri, B. & Shirmohammadi, S. (2011). Driver drowsiness monitoring based
on yawning detection. Proceedings of the 2011 IEEE International Instrumentation
and Measurement Technology Conference (I2MTC), 1–4. doi: 10.1109/IMTC.2011
.5944101
Akashi, Y., Rea, M. S. & Bullough, J. D. (2007). Driver decision making in respon-
se to peripheral moving targets under mesopic light levels. Lighting Research &
Technology, 39 (1), 53–67. doi: 10.1177/1365782806071608
Åkerstedt, T. & Gillberg, M. (1990). Subjective and objective sleepiness in the active
individual. International Journal of Neuroscience, 52 (1-2), 29–37. doi: 10.3109/
00207459008994241
Allen, R. W., Szostak, H. T. & Rosenthal, T. J. (1988). Modeling driver/vehicle perfor-
mance in emergency maneuvers. Proceedings of the Human Factors Society Annual
Meeting, 32 (10), 573–577. doi: 10.1518/107118188786762711
Alm, H. & Nilsson, L. (1995). The effects of a mobile telephone task on driver behaviour
in a car following situation. Accident Analysis & Prevention, 27 (5), 707–715. doi:
10.1016/0001-4575(95)00026-V
Angus, R. G. & Heslegrave, R. J. (1985). Effects of sleep loss on sustained cognitive per-
formance during a command and control simulation. Behavior Research Methods,
Instruments, & Computers, 17 (1), 55–67. doi: 10.3758/BF03200897
Anstey, K. J., Mack, H. A., Christensen, H., Li, S.-C., Reglade-Meslin, C., Maller, J.,
. . . Sachdev, P. (2007). Corpus callosum size, reaction time speed and variability
in mild cognitive disorders and in a normative sample. Neuropsychologia, 45 (8),
1911–1920. doi: 10.1016/j.neuropsychologia.2006.11.020
Appel, T., Santini, T. & Kasneci, E. (2016). Brightness- and motion-based blink de-
tection for head-mounted eye trackers. In P. Lukowicz, A. Krüger, A. Bulling,
Y.-K. Lim & S. N. Patel (Hrsg.), Proceedings of the 2016 ACM International Joint
Conference on Pervasive and Ubiquitous Computing Adjunct (S. 1726–1735). New
York, New York, USA: ACM Press. doi: 10.1145/2968219.2968341
Arthur, D. & Vassilvitskii, S. (2007). k-means++: The advantages of careful seeding.
Proceedings of the Annual ACM-SIAM Symposium on Discrete Algorithms, 18 ,
1027–1035.
Audi AG. (2017). Audi AI Staupilot. Zugriff am 30.10.2017 auf https://www.audi
-mediacenter.com/de/technik-lexikon-7180/fahrerassistenzsysteme
-7184
Babkoff, H., Thorne, D. R., Sing, H. C., Genser, S. G., Taube, S. L. & Hegge, F. W.
(1985). Dynamic changes in work/rest duty cycles in a study of sleep deprivation.
Behavior Research Methods, Instruments, & Computers, 17 (6), 604–613. doi:
10.3758/BF03200972
XVII
Bainbridge, L. (1983). Ironies of automation. Automatica, 19 (6), 775–779. doi: 10.1016/
0005-1098(83)90046-8
Balkin, T. J., Horrey, W. J., Graeber, R. C., Czeisler, C. A. & Dinges, D. F. (2011). The
challenges and opportunities of technological approaches to fatigue management.
Accident Analysis & Prevention, 43 (2), 565–572. doi: 10.1016/j.aap.2009.12.006
Bandmann, M. (1999). Der Mensch im Mittelpunkt des Verkehrsgeschehens: Die ge-
schichtliche Entwicklung der Verkehrssicherheit. In H. Niemann & A. Hermann
(Hrsg.), Geschichte der Straßenverkehrssicherheit im Wechselspiel zwischen Fahr-
zeug, Fahrbahn und Mensch (S. 19–37). Bielefeld: Delius Klasing.
Barr, L., Howarth, H., Popkin, S. & Carroll, R. J. (2005). A review and evaluation of
emerging driver fatigue detection measures and technologies. National Transporta-
tion Systems Center, Cambridge. US Department of Transportation, Washington.
Baulk, S. D., La Reyner & Horne, J. A. (2001). Driver sleepiness-evaluation of reaction
time measurement as a secondary task. Sleep, 24 (6), 695–698. doi: 10.1093/sleep/
24.6.695
Beersma, D. G. M. (1998). Models of human sleep regulation. In M. Billiard (Hrsg.),
Models of human sleep regulation (S. 61–70). Boston: Springer US. doi: 10.1007/
978-1-4615-0217-3_5
Beggiato, M., Pereira, M., Petzoldt, T. & Krems, J. (2015). Learning and development
of trust, acceptance and the mental model of ACC. A longitudinal on-road study.
Transportation Research Part F: Traffic Psychology and Behaviour , 35 , 75–84. doi:
10.1016/j.trf.2015.10.005
Benoit, A. & Caplier, A. (2010). Fusing bio-inspired vision data for simplified high level
scene interpretation: Application to face motion analysis. Computer Vision and
Image Understanding, 114 (7), 774–789. doi: 10.1016/j.cviu.2010.01.010
Bentivoglio, M. & Grassi-Zucconi, G. (1997). The pioneering experimental studies on
sleep deprivation. Sleep, 20 (7), 570–576. doi: 10.1093/sleep/20.7.570
Bergasa, L. M., Nuevo, J., Sotelo, M. A., Barea, R. & Lopez, M. E. (2006). Real-
time system for monitoring driver vigilance. IEEE Transactions on Intelligent
Transportation Systems, 7 (1), 63–77. doi: 10.1109/TITS.2006.869598
Bernstein, D. S. (2002). Feedback control: An invisible thread in the history of techno-
logy. IEEE Control Systems Magazine, 22 (2), 53–61. doi: 10.1109/37.993315
Bhuiyan, S. (2009). Driver assistance systems to rate drowsiness: A preliminary study.
In J. Kacprzyk, K. Nakamatsu, G. Phillips-Wren, L. C. Jain & R. J. Howlett
(Hrsg.), New Advances in Intelligent Decision Technologies (S. 415–426). Berlin,
Heidelberg: Springer Berlin Heidelberg.
Bimbraw, K. (2015). Autonomous cars: Past, present and future: A review of the
developments in the last century, the present scenario and the expected future of
autonomous vehicle technology. Proceedings of the International Conference on
Informatics in Control, Automation and Robotics (ICINCO), 12 , 191–198. doi:
10.5220/0005540501910198
Blignaut, P. & Wium, D. (2014). Eye-tracking data quality as affected by ethnicity and
experimental design. Behavior Research Methods, 46 (1), 67–80. doi: 10.3758/
s13428-013-0343-0
XVIII
BMW AG. (2016). BMW Group, Intel and Mobileye Team Up to Bring Ful-
ly Autonomous Driving to Streets by 2021. Zugriff am 30.10.2017 auf
https://www.press.bmwgroup.com/global/article/detail/T0261586EN/
bmw-group-intel-and-mobileye-team-up-to-bring-fully-autonomous
-driving-to-streets-by-2021?language=en
BMW AG. (2017). Lenk- und Spurführungsassistent inklusive Stauassistent.
Zugriff am 30.10.2017 auf http://www.bmw.de/de/topics/faszination-bmw/
connecteddrive/fahrer-assistenz/intelligentes-fahren.html
Boehm-Davis, D. A., Gray, W. D. & Schoelles, M. J. (2000). The eye blink as a
physiological indicator of cognitive workload. Proceedings of the Human Fac-
tors and Ergonomics Society Annual Meeting, 44 (33), 6-116-6-119. doi: 10.1177/
154193120004403309
Boff, K. R. & Lincoln, J. E. (1988). Engineering Data Compendium. Human Perception
and Performance. Volume 3. Harry G Armstrong Aerospace Medical Research Lab
Wright-Patterson AFB OH.
Brain Products GmbH. (2009). Selecting a suitable EEG recording cap - Tutorial. Zugriff
am 30.10.2017 auf http://www.brainproducts.com/downloads.php?kid=8
Brandenburg, S. & Skottke, E.-M. (2014). Switching from manual to automated dri-
ving and reverse: Are drivers behaving more risky after highly automated driving?
Proceedings of the IEEE International Conference on Intelligent Transportation
Systems (ITSC), 17 , 2978–2983. doi: 10.1109/ITSC.2014.6958168
Brisson, J., Mainville, M., Mailloux, D., Beaulieu, C., Serres, J. & Sirois, S. (2013). Pupil
diameter measurement errors as a function of gaze direction in corneal reflection
eyetrackers. Behavior Research Methods, 45 (4), 1322–1331. doi: 10.3758/s13428
-013-0327-0
Brookhuis, K. A., de Waard, D. & Janssen, W. H. (2001). Behavioural impacts of
advanced driver assistance systems–an overview. European Journal of Transport
and Infrastructure Research, 1 (3), 245–253.
Brown, I. D. (1994). Driver fatigue. Human Factors, 36 (2), 298–314. doi: 10.1177/
001872089403600210
Brown, I. D. (1997). Prospects for technological countermeasures against driver fatigue.
Accident Analysis & Prevention, 29 (4), 525–531. doi: 10.1016/S0001-4575(97)
00032-8
Brown, I. D. (2002). A review of the ’looked but failed to see’ accident causation factor.
In E. Department for Transport (Hrsg.), Behavioural research in road safety (S.
116–124). London: DTLR.
Brown, T., Lee, J., Schwarz, C., Dary Fiorentino, D. & McDonald, A. (2014). Assessing
the feasibility of vehicle-based sensors to detect drowsy driving (Report Nr. DOT
HS 811 886). Washington, DC: National Highway Traffic Safety Administration.
Bubb, H. (2002). Umsetzung psychologischer Forschungsergebnisse in die ergonomi-
sche Gestaltung von Fahrerassistenzsystemen. Zeitschrift für Verkehrssicherheit,
1 (48), 8–15.
Buck, A., Tobler, I. & Borbély, A. A. (1989). Wrist activity monitoring in air
crew members: A method for analyzing sleep quality following transmeridian
XIX
and north-south flights. Journal of Biological Rhythms, 4 (1), 93–105. doi:
10.1177/074873048900400107
Buck, L. (1968). Experiments on railway vigilance devices. Ergonomics, 11 (6), 557–564.
doi: 10.1080/00140136808931008
Buck, L. & Lamonde, F. (1993). Critical incidents and fatigue among locomotive
engineers. Safety Science, 16 (1), 1–18. doi: 10.1016/0925-7535(93)90003-V
Bundele, M. M. & Banerjee, R. (2009). An SVM classifier for fatigue-detection using skin
conductance for use in the BITS-lifeguard wearable computing system. Proceedings
of the IEEE International Conference on Emerging Trends in Engineering and
Technology, 2 , 934–939. doi: 10.1109/ICETET.2009.29
Burlington Ascension Technology Corporation. (2004). laserBIRD Installation and
Operation Guide.
Cabon, P. H., Coblentz, A., Mollard, R. & Fouillot, J. P. (1993). Human vigilance
in railway and long-haul flight operation. Ergonomics, 36 (9), 1019–1033. doi:
10.1080/00140139308967974
Cabrall, C., Happee, R. & de Winter, J. (2016). From Mackworth’s clock to the open
road: A literature review on driver vigilance task operationalization. Transpor-
tation Research Part F: Traffic Psychology and Behaviour , 40 , 169–189. doi:
10.1016/j.trf.2016.04.001
Caffier, P. P., Erdmann, U. & Ullsperger, P. (2003). Experimental evaluation of eye-blink
parameters as a drowsiness measure. European Journal of Applied Physiology, 89
(3-4), 319–325.
Canny, J. (1986). A computational approach to edge detection. IEEE Transactions on
Pattern Analysis and Machine Intelligence, PAMI-8 (6), 679–698. doi: 10.1109/
TPAMI.1986.4767851
Carney, L. G. & Hill, R. M. (1982). The nature of normal blinking patterns. Acta
Ophthalmologica, 60 (3), 427–433. doi: 10.1111/j.1755-3768.1982.tb03034.x
Carskadon, M. A. (1986). Guidelines for the multiple sleep latency test (MSLT): A
standard measure of sleepiness. Sleep, 9 (4), 519–524. doi: 10.1093/sleep/9.4.519
Caterpillar Inc. (2017). Fatigue Risk Management System. Zugriff am 30.10.2017 auf
http://www.cat.com/en_US/support/operations/frms.html
Chau, M. & Betke, M. (2005). Real time eye tracking and blink detection with usb
cameras. Boston University Computer Science Department, 1–10.
Chieh, T. C., Mustafa, M. M., Hussain, A., Hendi, S. F. & Majlis, B. Y. (2005). De-
velopment of vehicle driver drowsiness detection system using electrooculogram
(EOG). Proceedings of the IEEE International Conference on Computers, Com-
munications, & Signal Processing with Special Track (CCSP), 1 , 165–168. doi:
10.1109/CCSP.2005.4977181
Chira-Chavala, T. & Yoo, S. M. (1994). Potential safety benefits of intelligent cruise
control systems. Accident Analysis & Prevention, 26 (2), 135–146. doi: 10.1016/
0001-4575(94)90083-3
Choi, I., Han, S. & Kim, D. (2011). Eye detection and eye blink detection using AdaBoost
learning and grouping. Proceedings of the IEEE International Conference on Com-
puter Communications and Networks, 20 , 1–4. doi: 10.1109/ICCCN.2011.6005896
XX
Chua, E. C.-P., Tan, W.-Q., Yeo, S.-C., Lau, P., Lee, I., Mien, I. H., . . . Gooley, J. J.
(2012). Heart rate variability can be used to estimate sleepiness-related decrements
in psychomotor vigilance during total sleep deprivation. Sleep, 35 (3), 325–334.
doi: 10.5665/sleep.1688
Cirelli, C. (2006). Cellular consequences of sleep deprivation in the brain. Sleep Medicine
Reviews, 10 (5), 307–321. doi: 10.1016/j.smrv.2006.04.001
Clark, M. R. (1975). A two-dimensional Purkinje eye tracker. Behavior Research Methods
& Instrumentation, 7 (2), 215–219. doi: 10.3758/BF03201330
Cluydts, R., de Valck, E., Verstraeten, E. & Theys, P. (2002). Daytime sleepiness and its
evaluation. Sleep Medicine Reviews, 6 (2), 83–96. doi: 10.1053/smrv.2002.0191
Coblentz, A., Cabon, P. H. & Ignazi, G. (1989). Human operator efficiency in mono-
tonous transport operations. Effects on safety. Proceedings of the Human Factors
Society Annual Meeting, 33 (15), 941–945.
Coetzer, R. C. & Hancke, G. P. (2011). Eye detection for a real-time vehicle driver fatigue
monitoring system. Proceedings of the IEEE Intelligent Vehicles Symposium (IV),
66–71. doi: 10.1109/IVS.2011.5940406
Cohn, J. F., Xiao, J., Moriyama, T., Ambadar, Z. & Kanade, T. (2003). Automatic
recognition of eye blinking in spontaneously occurring behavior. Behavior Research
Methods, 35 (3), 420–428. doi: 10.3758/BF03195519
Cole, R. J., Kripke, D. F., Gruen, W., Mullaney, D. J. & Gillin, J. C. (1992). Automatic
sleep/wake identification from wrist activity. Sleep, 15 (5), 461–469. doi: 10.1093/
sleep/15.5.461
Čolić, A., Marques, O. & Furht, B. (2014). Driver drowsiness detection and measurement
methods. In Driver Drowsiness Detection (S. 7–18). SpringerBriefs in Computer
Science. Springer, Cham. doi: 10.1007/978-3-319-11535-1_2
Collewijn, H., van der Steen, J. & Steinman, R. M. (1985). Human eye movements
associated with blinks and prolonged eyelid closure. Journal of Neurophysiology,
54 (1), 11–27.
Colzato, L. S., Slagter, H. A., van den Wildenberg, W. P. & Hommel, B. (2009). Closing
one’s eyes to reality: Evidence for a dopaminergic basis of psychoticism from spon-
taneous eye blink rates. Personality and Individual Differences, 46 (3), 377–380.
doi: 10.1016/j.paid.2008.10.017
Colzato, L. S., van Wouwe, N. C. & Hommel, B. (2007). Spontaneous eyeblink rate
predicts the strength of visuomotor binding. Neuropsychologia, 45 (10), 2387–
2392. doi: 10.1016/j.neuropsychologia.2007.03.004
ComRes. (2013). BALPA 2013 Membership Survey. Zugriff am 30.10.2017 auf http://
www.comresglobal.com/polls/balpa-membership-survey/
Cox-Fuenzalida, L.-E. (2007). Effect of workload history on task performance. Human
Factors, 49 (2), 277–291. doi: 10.1518/001872007X312496
Craig, A. (1987). Signal detection theory and probability matching apply to vigilance.
Human Factors, 29 (6), 645–652. doi: 10.1177/001872088702900604
Crundall, D., Humphrey, K. & Clarke, D. (2008). Perception and appraisal of approa-
ching motorcycles at junctions. Transportation Research Part F: Traffic Psychology
and Behaviour , 11 (3), 159–167. doi: 10.1016/j.trf.2007.09.003
XXI
Daimler AG. (2008). Hightech report 02.
Daimler AG. (2017a). Die Fahrassistenzsysteme: Helfer im Hintergrund. Zugriff
am 30.10.2017 auf http://media.daimler.com/marsMediaSite/de/instance/
ko.xhtml?oid=9904305
Daimler AG. (2017b). Neuer Fahrsimulator in Sindelfingen eingeweiht: Investitionen in
Spitzentechnologien. Zugriff am 30.10.2017 auf http://media.daimler.com/
Damböck, D., Farid, M., Tönert, L. & Bengler, K. (2012). Übernahmezeiten beim hoch-
automatisierten Fahren. Tagungsband der VDI-Tagung Fahrerassistenz in Mün-
chen, 15 , 16–27.
Danisman, T., Bilasco, I. M., Djeraba, C. & Ihaddadene, N. (2010). Drowsy driver
detection system using eye blink patterns. Proceedings of the IEEE International
Conference on Machine and Web Intelligence (ICMWI), 230–233. doi: 10.1109/
ICMWI.2010.5648121
Daquin, G., Micallef, J. & Blin, O. (2001). Yawning. Sleep Medicine Reviews, 5 (4),
299–312. doi: 10.1053/smrv.2001.0175
Dattel, A. R., Popkin, S. M. & Pollard, J. K. (2002). Effectiveness of cognitive-based
and conventional alerters for locomotive engineers. Proceedings of the Human
Factors and Ergonomics Society Annual Meeting, 46 (22), 1829–1833. doi: 10.1177/
154193120204602211
Dawson, D., Searle, A. K. & Paterson, J. L. (2014). Look before you (s)leep: Evaluating
the use of fatigue detection technologies within a fatigue risk management system
for the road transport industry. Sleep Medicine Reviews, 18 (2), 141–152. doi:
10.1016/j.smrv.2013.03.003
Denso. (2017). Driving assist system. Zugriff am 22.09.2017 auf https://www.denso
.com/global/en/products-and-services/oem/driving-assist-system
Der, G. & Deary, I. J. (2006). Age and sex differences in reaction time in adulthood:
Results from the United Kingdom Health and Lifestyle Survey. Psychology and
Aging, 21 (1), 62–73. doi: 10.1037/0882-7974.21.1.62
Desmond, P. A. & Hancock, P. A. (2001). Active and passive fatigue states. In P. A. Des-
mond & Hancock &. P. A. (Hrsg.), Stress, workload and fatigue (S. 455–465).
Mahwah: Lawrence Erlbaum Associates, Inc.
Desmond, P. A., Hancock, P. A. & Monette, J. (1998). Fatigue and automation-induced
impairments in simulated driving performance. Transportation Research Record:
Journal of the Transportation Research Board , 1628 , 8–14. doi: 10.3141/1628-02
Deutscher Bundestag. (2016). Änderung des Wiener Übereinkommens vom 8. No-
vember 1968 über den Straßenverkehr. Zugriff am 30.10.2017 auf https://
www.bundestag.de/blob/478076/841f44a098f22c40b9ac44adf6f973cb/
wd-2-131-16-pdf-data.pdf
de Waard, D. (1996). The measurement of drivers’ mental workload (Dissertation).
University of Groningen, Groningen.
de Waard, D., van der Hulst, M., Hoedemaeker, M. & Brookhuis, K. A. (1999). Driver
behavior in an emergency situation in the automated highway system. Transpor-
tation Human Factors, 1 (1), 67–82. doi: 10.1207/sthf0101_7
de Winter, J. C. F., Happee, R., Martens, M. H. & Stanton, N. A. (2014). Effects of
XXII
adaptive cruise control and highly automated driving on workload and situation
awareness: A review of the empirical evidence. Transportation Research Part F:
Traffic Psychology and Behaviour , 27 , 196–217. doi: 10.1016/j.trf.2014.06.016
Di Milia, L., Smolensky, M. H., Costa, G., Howarth, H. D., Ohayon, M. M. & Philip,
P. (2011). Demographic factors, fatigue, and driving accidents: An examination
of the published literature. Accident Analysis & Prevention, 43 (2), 516–532. doi:
10.1016/j.aap.2009.12.018
Dickerson, A., Reistetter, T. & Trujillo, L. (2009). Using an IADL assessment to identify
older adults who need a behind-the-wheel driving evaluation. Journal of Applied
Gerontology, 29 (4), 494–506. doi: 10.1177/0733464809340153
Dickmanns, E. D. (2002). The development of machine vision for road vehicles in the last
decade. Proceedings of the IEEE Intelligent Vehicles Symposium (IV), 268–281.
doi: 10.1109/IVS.2002.1187962
Dilich, M. A., Kopernik, D. & Goebelbecker, J. (2002). Evaluating driver response
to a sudden emergency: Issues of expectancy, emotional arousal and uncertainty.
Proceedings of the SAE 2002 World Congress & Exhibition. doi: 10.4271/2002-01
-0089
DIN 0119-207-5. (2016). Sicherheitsfahrschaltung (Sifa). Eisenbahnfahrzeuge-
Leittechnik-Teil, Zustand DIN Norm DIN VDE .
DIN 0119-207-6. (2017). Fahrzeugeinrichtung - PZB (punktförmige Zugbeeinflussung).
Eisenbahnfahrzeuge-Leittechnik-Teil, Zustand DIN Norm DIN VDE .
DIN 0119-207-7. (2016). Fahrzeugeinrichtung – LZB (linienförmige Zugbeeinflussung).
Eisenbahnfahrzeuge-Leittechnik-Teil, Zustand DIN Norm DIN VDE .
DIN 0119-207-8. (2004). Fahrzeugeinrichtung - GNT. Eisenbahnfahrzeuge-Leittechnik-
Teil, Zustand DIN Norm DIN VDE .
DIN IEC 60050-351. (2014). Internationales Elektrotechnisches Wörterbuch - Teil 351:
Leittechnik. DIN/VDE-DKE Deutsche Kommission Elektrotechnik Elektronik In-
formationstechnik.
Dinges, D. F. & Grace, R. (1998). PERCLOS: A valid psychophysiological measure of
alertness as assessed by psychomotor vigilance. US Department of Transportation,
Federal Highway Administration, Publication Number FHWA-MCRT-98-006 .
Dinges, D. F. & Mallis, M. M. (1998). Managing fatigue by drowsiness detection: Can
technological promises be realized? In L. Hartley (Hrsg.), Fatigue in transportation
(S. 209–229). Oxford: Pergamon.
Dinges, D. F., Orne, M. T. & Orne, E. C. (1985). Assessing performance upon ab-
rupt awakening from naps during quasi-continuous operations. Behavior Research
Methods, Instruments, & Computers, 17 (1), 37–45. doi: 10.3758/BF03200895
Dinges, D. F., Pack, F., Williams, K., Gillen, K. A., Powell, J. W., Ott, G. E., . . . Pack,
A. I. (1997). Cumulative sleepiness, mood disturbance, and psychomotor vigilance
performance decrements during a week of sleep restricted to 4–5 hours per night.
Sleep. doi: 10.1093/sleep/20.4.267
Dingus, T. A., Hardee, H. & Wierwille, W. W. (1987). Development of models for
on-board detection of driver impairment. Accident Analysis & Prevention, 19 (4),
271–283. doi: 10.1016/0001-4575(87)90062-5
XXIII
Divjak, M. & Bischof, H. (2009). Eye blink based fatigue detection for prevention
of computer vision syndrome. Proceedings of the IAPR Conference on Machine
Vision Applications, 11 , 350–353.
Dong, Y., Hu, Z., Uchimura, K. & Murayama, N. (2011). Driver inattention monito-
ring system for intelligent vehicles: A Review. IEEE Transactions on Intelligent
Transportation Systems, 12 (2), 596–614. doi: 10.1109/TITS.2010.2092770
Donges, E. (1982). Aspekte der Aktiven Sicherheit bei der Führung von Personenkraft-
wagen. Automobil–Industrie (27), 183–190.
Donges, E. (2015). Fahrerverhaltensmodelle. In H. Winner, S. Hakuli, F. Lotz & C. Sin-
ger (Hrsg.), Handbuch Fahrerassistenzsysteme (S. 17–26). Wiesbaden: Springer
Fachmedien Wiesbaden. doi: 10.1007/978-3-658-05734-3_2
Doughty, M. J. & Naase, T. (2006). Further analysis of the human spontaneous eye blink
rate by a cluster analysis-based approach to categorize individuals with ’normal’
versus ’frequent’ eye blink activity. Eye & Contact Lens, 32 (6), 294–299. doi:
10.1097/01.icl.0000224359.32709.4d
Drösser, C. (2003). Ausgebremst: Formeln für den Stau. Die Zeit, 26/2003 . Zugriff am
30.10.2017 auf http://www.zeit.de/2003/26/Staumathematik
Drutarovsky, T. & Fogelton, A. (2015). Eye blink detection using variance of motion
vectors. In L. Agapito, M. M. Bronstein & C. Rother (Hrsg.), Computer Vision
- ECCV 2014 Workshops (Bd. 8927, S. 436–448). Cham: Springer International
Publishing. doi: 10.1007/978-3-319-16199-0_31
Dudenredaktion. (o. J.). "Vigilanz". Zugriff am 30.10.2017 auf http://www.duden.de/
node/680610/revisions/1372032/view
Ebrahim, P. (2016). Driver drowsiness monitoring using eye movement features derived
from electrooculography (Dissertation, Universität Stuttgart, Stuttgart). doi: 10
.18419/opus-8820
Ebrahim, P., Abdellaoui, A., Stolzmann, W. & Yang, B. (2014). Eyelid-based driver
state classification under simulated and real driving conditions. Proceedings of the
IEEE International Conference on Systems, Man and Cybernetics (SMC), 3190–
3196. doi: 10.1109/SMC.2014.6974419
Ebrahim, P., Stolzmann, W. & Yang, B. (2013). Eye movement detection for assessing
driver drowsiness by electrooculography. Proceedings of the IEEE International
Conference on Systems, Man and Cybernetics (SMC), 4142–4148. doi: 10.1109/
SMC.2013.706
Economic Commission for Europe. (2014). Report of the sixty-eighth session of the
working party on road traffic safety. Zugriff am 30.10.2017 auf http://www.unece
.org/fileadmin/DAM/trans/doc/2014/wp1/ECE-TRANS-WP1-145e.pdf
ECT. (2006). European road safety observatory - fatigue. European Commission for
Mobility and Transport.
Edkins, G. D. & Pollock, C. M. (1997). The influence of sustained attention on railway
accidents. Accident Analysis & Prevention, 29 (4), 533–539. doi: 10.1016/S0001
-4575(97)00033-X
Endsley, M. R. (1995a). Measurement of situation awareness in dynamic systems. Human
Factors, 37 (1), 65–84. doi: 10.1518/001872095779049499
XXIV
Endsley, M. R. (1995b). Toward a theory of situation awareness in dynamic systems.
Human Factors, 37 (1), 32–64. doi: 10.1518/001872095779049543
Endsley, M. R. (1996). Automation and situation awareness. In R. Parasuraman &
M. Mouloua (Hrsg.), Automation and human performance: Theory and applications
(S. 163–181). Hillsdale, NJ: Lawrence Erlbaum Associates.
Endsley, M. R. & Kiris, E. O. (1995). The out-of-the-loop performance problem and
level of control in automation. Human Factors, 37 (2), 381–394. doi: 10.1518/
001872095779064555
Englund, C. E., Ryman, D. H., Naitoh, P. & Hodgdon, J. A. (1985). Cognitive per-
formance during successive sustained physical work episodes. Behavior Research
Methods, Instruments, & Computers, 17 (1), 75–85. doi: 10.3758/BF03200899
Ergoneers GmbH. (2016). Dikablis. Zugriff am 30.10.2017 auf http://www.irc-web.co
.jp/vicon_web/news_bn/Dikabilis.pdf
Eskandarian, A. & Mortazavi, A. (2007). Evaluation of a smart algorithm for commercial
vehicle driver drowsiness detection. Proceedings of the IEEE Intelligent Vehicles
Symposium (IV), 553–559. doi: 10.1109/IVS.2007.4290173
Evinger, C., Manning, K. A., Pellegrini, J. J., Basso, M. A., Powers, A. S. & Sibony,
P. A. (1994). Not looking while leaping: The linkage of blinking and saccadic gaze
shifts. Experimental Brain Research, 100 (2). doi: 10.1007/BF00227203
Fairclough, S. H. & Graham, R. (1999). Impairment of driving performance caused
by sleep deprivation or alcohol: A comparative study. Human Factors, 41 (1),
118–128. doi: 10.1518/001872099779577336
Fambro, D., Koppa, R., Picha, D. & Fitzpatrick, K. (1998). Driver perception-brake
response in stopping sight distance situations. Transportation Research Record:
Journal of the Transportation Research Board , 1628 , 1–7. doi: 10.3141/1628-01
Fastenmeier, W. & Gstalter, H. (2007). Driving task analysis as a tool in traffic safety
research and practice. Safety Science, 45 (9), 952–979. doi: 10.1016/j.ssci.2006.08
.023
Feldhütter, A., Gold, C., Schneider, S. & Bengler, K. (2017). How the duration
of automated driving influences take-over performance and gaze behavior. In
C. M. Schlick, S. Duckwitz & F. Flemisch (Hrsg.), Advances in Ergonomic De-
sign of Systems, Products and Processes (S. 309–319). Berlin Heidelberg: Springer
Berlin Heidelberg and Imprint: Springer.
Filion, D. L., Dawson, M. E. & Schell, A. M. (1998). The psychological significance
of human startle eyeblink modification: A review. Biological Psychology, 47 (1),
1–43. doi: 10.1016/S0301-0511(97)00020-3
Fisher, D. G. & Rothkopf, E. Z. (1982). An automated eye movement laboratory for on-
line electrooculography. Behavior Research Methods & Instrumentation, 14 (2),
113–120. doi: 10.3758/BF03202137
Flower, D. J. (2001). Alertness management in long-haul flying. Transportation Re-
search Part F: Traffic Psychology and Behaviour , 4 (1), 39–48. doi: 10.1016/
S1369-8478(01)00012-2
Fogelton, A. & Benesova, W. (2016). Eye blink detection based on motion vectors
analysis. Computer Vision and Image Understanding, 148 , 23–33. doi: 10.1016/
XXV
j.cviu.2016.03.011
Ford. (2010). Driver Alert. Zugriff am 22.09.2017 auf http://technology.fordmedia
.eu/documents/newsletter/FordTechnologyNewsletter082010.pdf
Forsman, P. M., Vila, B. J., Short, R. A., Mott, C. G. & van Dongen, H. P. A. (2013).
Efficient driver drowsiness detection at moderate levels of drowsiness. Accident
Analysis & Prevention, 50 , 341–350. doi: 10.1016/j.aap.2012.05.005
Fozard, J. L., Vercruyssen, M., Reynolds, S. L., Hancock, P. A. & Quilter, R. E. (1994).
Age differences and changes in reaction time: The Baltimore longitudinal study of
aging. Journal of Gerontology, 49 (4), 179–189. doi: 10.1093/geronj/49.4.P179
Friedrichs, F. & Yang, B. (2010a). Camera-based drowsiness reference for driver state
classification under real driving conditions. Proceedings of the IEEE Intelligent
Vehicles Symposium (IV), 101–106. doi: 10.1109/IVS.2010.5548039
Friedrichs, F. & Yang, B. (2010b). Drowsiness monitoring by steering and lane data
based features under real driving conditions. Proceedings of the IEEE European
Signal Processing Conference, 18 , 209–213.
Fuhl, W., Kübler, T., Sippel, K., Rosenstiel, W. & Kasneci, E. (2015). ExCuSe: Robust
pupil detection in real-world scenarios. In G. Azzopardi & N. Petkov (Hrsg.),
Computer Analysis of Images and Patterns (Bd. 9256, S. 39–51). Cham: Springer
International Publishing. doi: 10.1007/978-3-319-23192-1_4
Fuhl, W., Santini, T., Geisler, D., Kübler, T., Rosenstiel, W. & Kasneci, E. (2016).
Eyes wide open? Eyelid location and eye aperture estimation for pervasive eye
tracking in real-world scenarios. In P. Lukowicz, A. Krüger, A. Bulling, Y.-K. Lim
& S. N. Patel (Hrsg.), Proceedings of the 2016 ACM International Joint Conference
on Pervasive and Ubiquitous Computing Adjunct (S. 1656–1665). New York, New
York, USA: ACM Press. doi: 10.1145/2968219.2968334
Fuller, R. (2005). Towards a general theory of driver behaviour. Accident Analysis &
Prevention, 37 (3), 461–472. doi: 10.1016/j.aap.2004.11.003
Galley, L., Hentschel, E. H., Kuhn, K.-P. & W, S. (2006). DE Patent Nr. 102005026457
A1.
Galley, N., Schleicher, R. & Galley, L. (2004). Blink parameters as indicators of driver’s
sleepiness–possibilities and limitations. Vision in Vehicles, 10 , 189–196.
Galton, F. (1890). Exhibition of instruments (1) for testing perception of differences
of tint, and (2) for determining reaction-time. The Journal of the Anthropological
Institute of Great Britain and Ireland , 19 , 27. doi: 10.2307/2842529
Garcia, I., Bronte, S., Bergasa, L. M., Almazan, J. & Yebes, J. (2012). Vision-based
drowsiness detector for real driving conditions. Proceedings of the IEEE Intelligent
Vehicles Symposium (IV), 618–623. doi: 10.1109/IVS.2012.6232222
Gaspar, J. G., Brown, T. L., Schwarz, C. W., Lee, J. D., Kang, J. & Higgins, J. S.
(2017). Evaluating driver drowsiness countermeasures. Traffic Injury Prevention,
18 (1), 58–63. doi: 10.1080/15389588.2017.1303140
Gasser, T. M., Arzt, C., Ayoubi, M., Bartels, A., Bürkle, L., Eier, J., . . . Vogt, W. (2012).
Rechtsfolgen zunehmender Fahrzeugautomatisierung. Berichte der Bundesanstalt
für Straßenwesen. Unterreihe Fahrzeugtechnik (83).
XXVI
General Motors AG. (2017). CT6 Super Cruise Convenience & Persona-
lization Guide: Attention Alerts. Zugriff am 30.10.2017 auf http://
www.cadillac.com/content/dam/Cadillac/Global/master/nscwebsite/
en/home/Experience_Cadillac/Brand_Pillars/Innovation/Super_Cruise/
PDF/2018-cad-ct6-supercruise-personalization.pdf
Gharaee, H., Abrishami, M., Shafiee, M. & Ehsaei, A. (2014). White-to-white corneal
diameter: Normal values in healthy Iranian population obtained with the Orbscan
II. International Journal of Ophthalmology, 7 (2), 309–312. doi: 10.3980/j.issn
.2222-3959.2014.02.20
Gillberg, M., Kecklund, G. & Åkerstedt, T. (1996). Sleepiness and performance of pro-
fessional drivers in a truck simulator—comparisons between day and night driving.
Journal of Sleep Research, 5 (1), 12–15. doi: 10.1046/j.1365-2869.1996.00013.x
Gimeno, P. T., Cerezuela, G. P. & Montanes, M. C. (2006). On the concept
and measurement of driver drowsiness, fatigue and inattention: Implications for
countermeasures. International Journal of Vehicle Design, 42 (1/2), 67. doi:
10.1504/IJVD.2006.010178
Gold, C., Damböck, D., Lorenz, L. & Bengler, K. (2013). "Take over! " How long
does it take to get the driver back into the loop? Proceedings of the Human
Factors and Ergonomics Society Annual Meeting, 57 (1), 1938–1942. doi: 10.1177/
1541931213571433
Gold, C., Körber, M., Lechner, D. & Bengler, K. (2016). Taking over control from
highly automated vehicles in complex traffic situations: The role of traffic density.
Human Factors, 58 (4), 642–652. doi: 10.1177/0018720816634226
González-Ortega, D., Díaz-Pernas, F. J. & Antón-Rodríguez, Díez-Higuera, J. F. (2013).
Real-time vision-based eye state detection for driver alertness monitoring. Pattern
Analysis and Applications, 16 (3), 285–306. doi: 10.1007/s10044-013-0331-0
Gorodnichy, D. (2003). Second order change detection, and its application to blink-
controlled perceptual interfaces. Proceedings of the Conference on Visualization,
Imaging and Image Processing (VIIP), 140–145.
Grace, R., Byrne, V. E., Bierman, D. M., Legrand, J.-M., Gricourt, D., Davis, R. K.,
. . . Carnahan, B. (1998). A drowsy driver detection system for heavy vehicles.
Proceedings of the AIAA/IEEE/SAE Digital Avionics Systems Conference, 17 ,
I36/1–I36/8. doi: 10.1109/DASC.1998.739878
Grace, R. & Steward, S. (2001). Drowsy driver monitor and warning system. Proceedings
of the International Driving Symposium on Human Factors in Driver Assessment,
Training and Vehicle Design, 1 , 201–208.
Grauman, K., Betke, M., Gips, J. & Bradski, G. R. (2001). Communication via eye
blinks - detection and duration analysis in real time. Proceedings of the IEEE
Computer Society Conference, 1010–1017. doi: 10.1109/CVPR.2001.990641
Grauman, K., Betke, M., Lombardi, J., Gips, J. & Bradski, G. R. (2003). Communi-
cation via eye blinks and eyebrow raises: Video-based human-computer interfaces.
Universal Access in the Information Society, 2 (4), 359–373.
Greeley, H. P., Berg, J., Friets, E., Wilson, J., Greenough, G., Picone, J., . . . Nesthus,
T. (2007). Fatigue estimation using voice analysis. Behavior Research Methods,
XXVII
39 (3), 610–619. doi: 10.3758/BF03193033
Green, M. (2000). "How long does it take to stop?": Methodological analysis of driver
perception-brake times. Transportation Human Factors, 2 (3), 195–216. doi: 10
.1207/STHF0203_1
Haamann, A. (2003). Sensibilität und Sinnesorgane. In N. Menche (Hrsg.), Biologie,
Anatomie, Physiologie (S. 185–200). München: Urban & Fischer.
Haerich, P. (1998). Using airpuffs to elicit the human blink reflex. Behavior Research
Methods, Instruments, & Computers, 30 (4), 661–666. doi: 10.3758/BF03209484
Haffner, H.-T., Skopp, G. & Graw, M. (Hrsg.). (2012). Begutachtung im Verkehrsrecht.
s.l.: Springer-Verlag.
Hahn, S. (1993). Switching between autonomous and conventional car driving: A simu-
lator study. Proceedings of the IEEE Intelligent Vehicles Symposium (IV), 25–30.
doi: 10.1109/IVS.1993.697292
Häkkänen, H., LicPsych, Summala, H., Partinen, M., Tiihonen, M. & Silvo, J. (1999).
Blink duration as an indicator of driver sleepiness in professional bus drivers. Sleep,
22 (6), 798–802. doi: 10.1093/sleep/22.6.798
Han, S., Yang, S., Kim, J. & Gerla, M. (2012). EyeGuardian: A framework of eye
tracking and blink detection for mobile device users. In G. Borriello & R. K. Balan
(Hrsg.), Proceedings of the Twelfth Workshop on Mobile Computing Systems &
Applications - HotMobile ’12 (S. 27–34). New York, New York, USA: ACM Press.
doi: 10.1145/2162081.2162090
Hancock, P. A. & Caird, J. K. (1993). Experimental evaluation of a model of mental
workload. Human Factors, 35 (3), 413–429. doi: 10.1177/001872089303500303
Hancock, P. A. & Verwey, W. B. (1997). Fatigue, workload and adaptive driver systems.
Accident Analysis & Prevention, 29 (4), 495–506. doi: 10.1016/S0001-4575(97)
00029-8
Hanowski, R. J., Wierwille, W. W. & Dingus, T. A. (2003). An on-road study to
investigate fatigue in local/short haul trucking. Accident Analysis & Prevention,
35 (2), 153–160. doi: 10.1016/S0001-4575(01)00098-7
Hansen, D. W. & Pece, A. E. (2005). Eye tracking in the wild. Computer Vision and
Image Understanding, 98 (1), 155–181. doi: 10.1016/j.cviu.2004.07.013
Hargutt, V. (2003). Das Lidschlussverhalten als Indikator für Aufmerksamkeits-
und Müdigkeitsprozesse bei Arbeitshandlungen (Dissertation). Julius-Maximilians-
Universität Würzburg, Würzburg.
Harper, C. D., Hendrickson, C. T. & Samaras, C. (2016). Cost and benefit estimates of
partially-automated vehicle collision avoidance technologies. Accident Analysis &
Prevention, 95 (Pt A), 104–115. doi: 10.1016/j.aap.2016.06.017
Hartzler, B. M. (2014). Fatigue on the flight deck: The consequences of sleep loss
and the benefits of napping. Accident Analysis & Prevention, 62 , 309–318. doi:
10.1016/j.aap.2013.10.010
Haslam, D. R. (1985). Sleep deprivation and naps. Behavior Research Methods, Instru-
ments, & Computers, 17 (1), 46–54. doi: 10.3758/BF03200896
Hayes, T. R. & Petrov, A. A. (2016). Mapping and correcting the influence of gaze
position on pupil size measurements. Behavior Research Methods, 48 (2), 510–
XXVIII
527. doi: 10.3758/s13428-015-0588-x
Headrick, M. V. (2002). Origin and evolution of the anchor clock escapement. IEEE
Control Systems Magazine, 22 (2), 41–52. doi: 10.1109/37.993314
Hendrick, J. L. & Switzer, J. R. (2007). Hands-free versus hand-held cell phone conver-
sation on a braking response by young drivers. Perceptual and Motor Skills, 105
(2), 514–522. doi: 10.2466/pms.105.2.514-522
Henry, F. M. & Rogers, D. E. (1960). Increased response latency for complicated move-
ments and a “memory drum” theory of neuromotor reaction. Research Quarterly.
American Association for Health, Physical Education and Recreation, 31 (3), 448–
458. doi: 10.1080/10671188.1960.10762052
Hergeth, S., Lorenz, L. & Krems, J. F. (2017). Prior familiarization with takeover re-
quests affects drivers’ takeover performance and automation trust. Human Factors,
59 (3), 457–470. doi: 10.1177/0018720816678714
Hergeth, S., Lorenz, L., Vilimek, R. & Krems, J. F. (2016). Keep your scanners peeled:
Gaze behavior as a measure of automation trust during highly automated driving.
Human Factors, 58 (3), 509–519. doi: 10.1177/0018720815625744
Hervey, A. S., Epstein, J. N., Curry, J. F., Tonev, S., Eugene Arnold, L., Keith Conners,
C., . . . Hechtman, L. (2006). Reaction time distribution analysis of neuropsycho-
logical performance in an ADHD sample. Child Neuropsychology, 12 (2), 125–140.
doi: 10.1080/09297040500499081
Hessels, R. S., Cornelissen, T. H. W., Kemner, C. & Hooge, I. T. C. (2015). Quali-
tative tests of remote eyetracker recovery and performance during head rotation.
Behavior Research Methods, 47 (3), 848–859. doi: 10.3758/s13428-014-0507-6
Hildebrandt, G., Rohmert, W. & Rutenfranz, J. (1973). Über jahresrhythmische Häufig-
keitsschwankungen der Inanspruchnahme von Sicherheitseinrichtungen durch die
Triebfahrzeugführer der Deutschen Bundesbahn. Internationales Archiv für Ar-
beitsmedizin, 31 (2), 73–80.
Hildebrandt, G., Rohmert, W. & Rutenfranz, J. (1974). 12 and 24 h rhythms in er-
ror frequency of locomotive drivers and the influence of tiredness. International
Journal of Chronobiology, 2 (2), 175–180.
Hing, J. Y. C., Stamatiadis, N. & Aultman-Hall, L. (2003). Evaluating the impact
of passengers on the safety of older drivers. Journal of Safety Research, 34 (4),
343–351. doi: 10.1016/j.jsr.2003.09.011
Hino Motors. (2009). Hino Adds Driver Monitor to the Pre-Crash Safety System for
"Hino Profia" Heavy-Duty Trucks. Zugriff am 30.10.2017 auf http://www.hino
-global.com/news_release/146.html
Ho, T. K. (1995). Random decision forests. Proceedings of the IEEE International
Conference on Document Analysis and Recognition, 3 , 278–282. doi: 10.1109/
ICDAR.1995.598994
Hockey, G. R. J. (1988). The maintenance of vigilance: A state control analysis. In
J. P. Leonard (Hrsg.), Vigilance (S. 13–21). Frankfurt am Main: Lang.
Hockey, G. R. J. (1997). Compensatory control in the regulation of human performance
under stress and high workload: A cognitive-energetical framework. Biological
Psychology, 45 (1-3), 73–93. doi: 10.1016/S0301-0511(96)05223-4
XXIX
Hoddes, E., Dement, W. C. & Zarcone, V. (1972). The development and use of the
Stanford Sleepiness Scale. Psychophysiology, 9 (1), 150.
Hoddes, E., Zarcone, V., Smythe, H., Phillips, R. & Dement, W. C. (1973). Quanti-
fication of sleepiness: A new approach. Psychophysiology, 10 (4), 431–436. doi:
10.1111/j.1469-8986.1973.tb00801.x
Hoedemaeker, M. & Brookhuis, K. A. (1998). Behavioural adaptation to driving with an
adaptive cruise control (ACC). Transportation Research Part F: Traffic Psychology
and Behaviour , 1 (2), 95–106. doi: 10.1016/S1369-8478(98)00008-4
Hoeks, B. & Levelt, W. J. M. (1993). Pupillary dilation as a measure of attention: A
quantitative system analysis. Behavior Research Methods, Instruments, & Com-
puters, 25 (1), 16–26. doi: 10.3758/BF03204445
Hoffmann, E. R. & Mortimer, R. G. (1994). Drivers’ estimates of time to collision.
Accident Analysis & Prevention, 26 (4), 511–520. doi: 10.1016/0001-4575(94)90042
-6
Holmqvist, K., Nyström, M., Andersson, R., Dewhurst, R., Jarodzka, H. & van de Weijer,
J. (2011). Eye tracking: A comprehensive guide to methods and measures. Oxford:
Oxford Univ. Press.
Horne, J. A. (1988). Sleep need and sleepiness. In J. P. Leonard (Hrsg.), Vigilance (S.
209–215). Frankfurt am Main: Lang.
Horrey, W. J. &Wickens, C. D. (2006). Examining the impact of cell phone conversations
on driving using meta-analytic techniques. Human Factors, 48 (1), 196–205. doi:
10.1518/001872006776412135
Hörwick, M. A. (2011). Sicherheitskonzept für hochautomatisierte Fahrerassistenzsyste-
me (Dissertation). Technische Universität München, München.
Hu, S. & Zheng, G. (2009). Driver drowsiness detection with eyelid related parameters
by Support Vector Machine. Expert Systems with Applications, 36 (4), 7651–7658.
doi: 10.1016/j.eswa.2008.09.030
Hughes, H. (1900). Die Mimik des Menschen: Auf Grund Voluntarischer Psychologie.
Johannes Alt.
Ingre, M., Åkerstedt, T., Peters, B., Anund, A. & Kecklund, G. (2006). Subjecti-
ve sleepiness, simulated driving performance and blink duration: Examining in-
dividual differences. Journal of Sleep Research, 15 (1), 47–53. doi: 10.1111/
j.1365-2869.2006.00504.x
ISO 15007-1. (2014). Road vehicles - Measurement of driver visual behaviour with
respect to transport information and control systems: Definitions and parameters.
International Standard.
Ito, T., Mita, S., Kozuka, K., Nakano, T. & Yamamoto, S. (2002). Driver blink measure-
ment by the motion picture processing and its application to drowsiness detection.
Proceedings of the IEEE International Conference on Intelligent Transportation
Systems (ITSC), 168–173. doi: 10.1109/ITSC.2002.1041208
Jafar Ali, M., Sarkar, S., Kumar, G. P. & Cabibihan, J.-J. (2012). A non intrusive
human fatigue monitoring system. International Journal of Future Computer and
Communication, 284–288. doi: 10.7763/IJFCC.2012.V1.76
Jammes, B., Sharabty, H. & Esteve, D. (2008). Automatic EOG analysis: A first step
XXX
toward automatic drowsiness scoring during wake-sleep transitions. Somnologie,
12 (3), 227–232. doi: 10.1007/s11818-008-0351-y
Jamson, A. H., Merat, N., Carsten, O. M. J. & Lai, F. C. H. (2013). Behavioural
changes in drivers experiencing highly-automated vehicle control in varying traffic
conditions. Transportation Research Part C: Emerging Technologies, 30 , 116–125.
doi: 10.1016/j.trc.2013.02.008
Jarosch, O., Kuhnt, M., Paradies, S. & Bengler, K. (2017). It’s out of our hands now!
Effects of non-driving related tasks during highly automated driving on drivers’
fatigue. Proceedings of the International Driving Symposium on Human Factors
in Driver Assessment, Training and Vehicle Design, 9 , 1–7.
Jarvis, M. J. (1993). Does caffeine intake enhance absolute levels of cognitive perfor-
mance? Psychopharmacology, 110 (1-2), 45–52. doi: 10.1007/BF02246949
Jiang, X., Tien, G., Huang, D., Zheng, B. & Atkins, M. S. (2013). Capturing and
evaluating blinks from video-based eyetrackers. Behavior Research Methods, 45
(3), 656–663. doi: 10.3758/s13428-012-0294-x
Job, R. F. S. & Dalziel, J. (2001). Defining fatigue as a condition of the organism
and distinguishing it from habituation, adaptation, and boredom. In P. A. Han-
cock (Hrsg.), Stress, workload, and fatigue (S. 466–475). Mahwah, NJ: Lawrence
Erlbaum.
Johansson, G. & Rumar, K. (1971). Drivers’ brake reaction times. Human Factors, 13
(1), 23–27. doi: 10.1177/001872087101300104
Johns, M. W. (1991). A new method for measuring daytime sleepiness: The Epworth
Sleepiness Scale. Sleep, 14 (6), 540–545. doi: 10.1093/sleep/14.6.540
Johns, M. W. (1998). Rethinking the assessment of sleepiness. Sleep Medicine Reviews,
2 (1), 3–15. doi: 10.1016/S1087-0792(98)90050-8
Johns, M. W. (2000). A sleep physiologist’s view of the drowsy driver. Transportation
Research Part F: Traffic Psychology and Behaviour , 3 (4), 241–249. doi: 10.1016/
S1369-8478(01)00008-0
Johnson, J. S., Liu, L., Thomas, G. & Spencer, J. P. (2007). Calibration algorithm
for eyetracking with unrestricted head movement. Behavior Research Methods, 39
(1), 123–132. doi: 10.3758/BF03192850
Kalligeropoulos, D. (1988). Die Automaten des Heron von Alexandria. at - Automati-
sierungstechnik, 36 (1-12). doi: 10.1524/auto.1988.36.112.161
Karrer-Gauß, K. (2011). Prospektive Bewertung von Systemen zur Müdigkeitserkennung
(Dissertation, Technische Universität Berlin, Berlin). doi: 10.14279/depositonce
-3185
Karson, C. N., Berman, K. F., Donnelly, E. F., Mendelson, W. B., Kleinman, J. E. &
Wyatt, R. J. (1981). Speaking, thinking, and blinking. Psychiatry Research, 5
(3), 243–246. doi: 10.1016/0165-1781(81)90070-6
Kecklund, G., Åkerstedt, T., Ingre, M. & Soderstrom, M. (1999). Train drivers’ working
conditions and their impact on safety, stress and sleepiness: A literature review,
analyses of accidents and schedules. National Institute for Psychosocial Factors
and Health. Stress Research Report, 288 .
XXXI
Kennard, D. W. & Glaser, G. H. (1964). An analysis of eyelid movements. The Journal
of Nervous and Mental Disease, 139 (1), 31–48.
Kennard, D. W. & Smyth, G. L. (1963). The causes of downward eyelid movement with
changes of gaze, and a study of the physical factors concerned. The Journal of
Physiology, 166 (1), 178–190. doi: 10.1113/jphysiol.1963.sp007098
Kim, N., Jeong, K., Yang, M., Oh, Y. & Kim, J. (2017). "Are you ready to take-over?".
In G. Mark et al. (Hrsg.), Proceedings of the CHI Conference Extended Abstracts
on Human Factors in Computing Systems (S. 1771–1778). New York, USA: ACM
Press. doi: 10.1145/3027063.3053155
Knapp, R. K. & Vardaman, J. J. (1991). Response to an automated function failure
cue: An operational measure of complacency. Proceedings of the Human Factors
Society Annual Meeting, 35 (2), 112–115. doi: 10.1518/107118191786755931
Kong, X. & Wilson, G. F. (1998). A new EOG-based eyeblink detection algorithm.
Behavior Research Methods, Instruments, & Computers, 30 (4), 713–719. doi:
10.3758/BF03209491
Körber, M. & Bengler, K. (2014). Potential individual differences regarding automa-
tion effects in automated driving. In C. S. González-González, C. C. Ordóñez
& H. Fardoun (Hrsg.), INTERACCIÓN 2014. New York: ACM. doi: 10.1145/
2662253.2662275
Körber, M., Cingel, A., Zimmermann, M. & Bengler, K. (2015). Vigilance decrement
and passive fatigue caused by monotony in automated driving. Procedia Manufac-
turing, 3 , 2403–2409. doi: 10.1016/j.promfg.2015.07.499
Körber, M., Gold, C., Lechner, D. & Bengler, K. (2016). The influence of age on the take-
over of vehicle control in highly automated driving. Transportation Research Part
F: Traffic Psychology and Behaviour , 39 , 19–32. doi: 10.1016/j.trf.2016.03.002
Krajewski, J., Batliner, A. & Golz, M. (2009). Acoustic sleepiness detection: Frame-
work and validation of a speech-adapted pattern recognition approach. Behavior
Research Methods, 41 (3), 795–804. doi: 10.3758/BRM.41.3.795
Kranjec, J., Beguš, S., Geršak, G. & Drnovšek, J. (2014). Non-contact heart rate and
heart rate variability measurements: A review. Biomedical Signal Processing and
Control, 13 , 102–112. doi: 10.1016/j.bspc.2014.03.004
Kreuzmair, C., Gold, C. & Meyer, M.-L. (2017). The influence of driver fatigue on take-
over performance in highly automated vehicles. Proceedings of the International
Technical Conference on the Enhanced Safety of Vehicles, 25 (17-0199).
Kröger, F. (2015). Das automatisierte Fahren im gesellschaftsgeschichtlichen und kul-
turwissenschaftlichen Kontext. In M. Maurer, J. Gerdes, B. Lenz & H. Winner
(Hrsg.), Autonomes Fahren (S. 41–67). Berlin and Heidelberg: Springer Vieweg.
Królak, A. & Strumiłło, P. (2012). Eye-blink detection system for human–computer
interaction. Universal Access in the Information Society, 11 (4), 409–419. doi:
10.1007/s10209-011-0256-6
Kvålseth, T. O. (1987). Stimulus probability, surprise, and reaction time. Proceedings
of the Human Factors Society Annual Meeting, 31 (2), 147–150. doi: 10.1177/
154193128703100202
Lal, S., Lal, S. J., Fisher, P., Penzel, T. & Agbinya, J. (2011). Brief overview of tech-
XXXII
nology and applications in railway operator safety. Proceedings of the IEEE Inter-
national Conference on Broadband Communications and Biomedical Applications,
7 , 252–258. doi: 10.1109/IB2Com.2011.6217930
Langham, M., Hole, G., Edwards, J. & O’Neil, C. (2002). An analysis of ’looked but
failed to see’ accidents involving parked police vehicles. Ergonomics, 45 (3), 167–
185. doi: 10.1080/00140130110115363
Lee, J. D., Caven, B., Haake, S. & Brown, T. L. (2001). Speech-based interaction with
in-vehicle computers: The effect of speech-based e-mail on drivers’ attention to the
roadway. Human Factors, 43 (4), 631–640. doi: 10.1518/001872001775870340
Lee, W. O., Lee, E. C. & Park, K. R. (2010). Blink detection robust to various facial
poses. Journal of Neuroscience Methods, 193 (2), 356–372. doi: 10.1016/j.jneumeth
.2010.08.034
Lee, Y., Micheals, R. J., Filliben, J. J. & Phillips, P. J. (2013). VASIR: An open-
source research platform for advanced iris recognition technologies. Journal of
Research of the National Institute of Standards and Technology, 118 , 218–259.
doi: 10.6028/jres.118.011
Lei, S. (2011). Driver mental states monitoring based on brain signals (Dissertation,
Technische Universität Berlin, Berlin). doi: 10.14279/depositonce-2914
Lenné, M. G., Triggs, T. J. & Redman, J. R. (1997). Time of day variations in driving
performance. Accident Analysis & Prevention, 29 (4), 431–437. doi: 10.1016/
S0001-4575(97)00022-5
Lewis, F. L. (1992). Applied optimal control and estimation: Digital design and imple-
mentation. Englewood Cliffs NJ: Prentice-Hall.
Li, D., Winfield, D. & Parkhurst, D. J. (2005). Starburst: A hybrid algorithm for
video-based eye tracking combining feature-based and model-based approaches.
Proceedings of the IEEE Computer Vision and Pattern Recognition-Workshops,
1–8. doi: 10.1109/CVPR.2005.531
Light, K. C. (1978). Effects of mild cardiovascular and cerebrovascular disorders on
serial reaction time performance. Experimental Aging Research, 4 (1), 3–22. doi:
10.1080/03610737808257123
Lin, C.-T., Wu, R.-C., Liang, S.-F., Chao, W.-H., Chen, Y.-J. & Jung, T.-P. (2005).
EEG-based drowsiness estimation for safety driving using independent component
analysis. IEEE Transactions on Circuits and Systems I: Regular Papers, 52 (12),
2726–2738. doi: 10.1109/TCSI.2005.857555
Lisper, H.-O., Dureman, I., Ericsson, S. & Karlsson, N. G. (1971). Effects of sleep
deprivation and prolonged driving on a subsidiary auditory reaction time. Accident
Analysis & Prevention, 2 (4), 335–341. doi: 10.1016/0001-4575(71)90045-5
Lisper, H.-O., Laurell, H. & Stening, G. (1973). Effects of experience of the
driver on heart-rate, respiration-rate, and subsidiary reaction time in a three
hours continuous driving task. Ergonomics, 16 (4), 501–506. doi: 10.1080/
00140137308924539
Liu, C. C., Hosking, S. G. & Lenné, M. G. (2009). Predicting driver drowsiness using ve-
hicle measures: Recent insights and future challenges. Journal of Safety Research,
40 (4), 239–245. doi: 10.1016/j.jsr.2009.04.005
XXXIII
Liu, K., Gong, J., Kurt, A., Chen, H. & Özgüner, U. (2017). A model predictive-based
approach for longitudinal control in autonomous driving with lateral interruptions.
Proceedings of the IEEE Intelligent Vehicles Symposium (IV), 359–364. doi: 10
.1109/IVS.2017.7995745
Liu, Y.-C. & Wen, M.-H. (2004). Comparison of head-up display (HUD) vs. head-down
display (HDD): Driving performance of commercial vehicle operators in Taiwan.
International Journal of Human-Computer Studies, 61 (5), 679–697. doi: 10.1016/
j.ijhcs.2004.06.002
Lobb, M. L. & Stern, J. A. (1986). Pattern of eyelid motion predictive of decision errors
during drowsiness: Oculomotor indices of altered states. International Journal of
Neuroscience, 30 (1-2), 17–22. doi: 10.3109/00207458608985650
Loeb, M. & Alluisi, E. A. (1980). Theories of vigilance: A modern perspective. Pro-
ceedings of the Human Factors Society Annual Meeting, 24 (1), 600–604. doi:
10.1177/1071181380024001154
Loomis, B. (26.04.2015). 1900-1930: The years of driving dangerously. Zugriff
am 30.10.2017 auf http://www.detroitnews.com/story/news/local/michigan
-history/2015/04/26/auto-traffic-history-detroit/26312107/
Louw, T., Markkula, G., Boer, E., Madigan, R., Carsten, O. & Merat, N. (2017). Coming
back into the loop: Drivers’ perceptual-motor performance in critical events after
automated driving. Accident Analysis & Prevention, 108 , 9–18. doi: 10.1016/
j.aap.2017.08.011
Lu, Z., Happee, R., Cabrall, C. D., Kyriakidis, M. & de Winter, J. C. (2016). Human
factors of transitions in automated driving: A general framework and literature
survey. Transportation Research Part F: Traffic Psychology and Behaviour , 43 ,
183–198. doi: 10.1016/j.trf.2016.10.007
Macadam, C. C. (2003). Understanding and modeling the human driver. Vehicle System
Dynamics, 40 (1-3), 101–134. doi: 10.1076/vesd.40.1.101.15875
Mackie, R. R. (1987). Vigilance research–are we ready for countermeasures? Human
Factors, 29 (6), 707–723. doi: 10.1177/001872088702900610
Mackworth, N. H. (1948). The breakdown of vigilance during prolonged visu-
al search. Quarterly Journal of Experimental Psychology, 1 (1), 6–21. doi:
10.1080/17470214808416738
Mahalanobis, P. C. (1936). On the generalized distance in statistics. Proceedings of the
National Institute of Sciences of India, 2 , 49–55.
Malik, K. & Smolka, B. (2014). Eye blink detection using local binary patterns. Procee-
dings of the IEEE International Conference on Multimedia Computing and Systems
(ICMCS), 385–390. doi: 10.1109/ICMCS.2014.6911268
Matthews, G., Sparkes, T. J. & Bygrave, H. M. (1996). Attentional overload, stress, and
simulate driving performance. Human Performance, 9 (1), 77–101. doi: 10.1207/
s15327043hup0901_5
Mavjee, V. & Horne, J. A. (1994). Boredom effects on sleepiness/alertness in the
early afternoon vs. early evening and interactions with warm ambient temperature.
British Journal of Psychology, 85 (3), 317–333. doi: 10.1111/j.2044-8295.1994
.tb02527.x
XXXIV
May, J. F. & Baldwin, C. L. (2009). Driver fatigue: The importance of identifying causal
factors of fatigue when considering detection and countermeasure technologies.
Transportation Research Part F: Traffic Psychology and Behaviour , 12 (3), 218–
224. doi: 10.1016/j.trf.2008.11.005
Maycock, G. (1997). Sleepiness and driving: The experience of U.K. car drivers. Accident
Analysis & Prevention, 29 (4), 453–462. doi: 10.1016/S0001-4575(97)00024-9
Maylor, E. A. & Rabbitt, P. M. A. (1993). Alcohol, reaction time and memory: A
meta-analysis. British Journal of Psychology, 84 (3), 301–317. doi: 10.1111/
j.2044-8295.1993.tb02485.x
McCartt, A. T., Ribner, S. A., Pack, A. I. & Hammer, M. C. (1996). The scope and
nature of the drowsy driving problem in New York state. Accident Analysis &
Prevention, 28 (4), 511–517. doi: 10.1016/0001-4575(96)00021-8
McConkie, G. W. (1981). Evaluating and reporting data quality in eye movement
research. Behavior Research Methods & Instrumentation, 13 (2), 97–106. doi:
10.3758/BF03207916
Meinold, P. E. (2005). Psychologie des Lidschlags - eine literatur- und methodenkritische
Studie (Dissertation). Universität zu Köln, Köln.
Melcher, V., Rauh, S., Diederichs, F., Widlroither, H. & Bauer, W. (2015). Take-
over requests for automated driving. Procedia Manufacturing, 3 , 2867–2873. doi:
10.1016/j.promfg.2015.07.788
Merat, N., Jamson, A. H., Lai, F. C., Daly, M. & Carsten, O. M. (2014). Transition to
manual: Driver behaviour when resuming control from a highly automated vehicle.
Transportation Research Part F: Traffic Psychology and Behaviour , 27 , 274–282.
doi: 10.1016/j.trf.2014.09.005
Merat, N., Jamson, A. H., Lai, F. C. H. & Carsten, O. (2012). Highly automated driving,
secondary task performance, and driver state. Human Factors, 54 (5), 762–771.
doi: 10.1177/0018720812442087
Meyer, D. E. & Kieras, D. E. (1997). A computational theory of executive cogni-
tive processes and multiple-task performance: Part 2. Accounts of psychologi-
cal refractory-period phenomena. Psychological Review, 104 (4), 749–791. doi:
10.1037/0033-295X.104.4.749
Michon, J. A. (1985). A critical view of driver behavior models: What do we know,
what should we do? In L. Evans & R. C. Schwing (Hrsg.), Human Behavior
and Traffic Safety (S. 485–524). Boston, MA: Springer Verlag. doi: 10.1007/
978-1-4613-2173-6_19
Miller, D., Sun, A., Johns, M., Ive, H., Sirkin, D., Aich, S. & Ju, W. (2015). Dis-
traction becomes engagement in automated driving. Proceedings of the Hu-
man Factors and Ergonomics Society Annual Meeting, 59 (1), 1676–1680. doi:
10.1177/1541931215591362
Minderhoud, M. M. & Bovy, P. H. (2001). Extended time-to-collision measures for
road traffic safety assessment. Accident Analysis & Prevention, 33 (1), 89–97. doi:
10.1016/S0001-4575(00)00019-1
Missimer, E. & Betke, M. (2010). Blink and wink detection for mouse pointer control. In
F. Makedon (Hrsg.), International Conference on Pervasive Technologies Related
XXXV
to Assistive Environments. doi: 10.1145/1839294.1839322
Mitalis, S. A. & Druss, F. (1985). An optoelectronic motion-sensing eye blink detector.
Behavior Research Methods, Instruments, & Computers, 17 (3), 385–387. doi:
10.3758/BF03200946
Miyakawa, T., Takano, H. & Nakamura, K. (2004). Development of non-contact real-
time blink detection system for doze alarm. Proceedings of the SICE Annual Con-
ference, 1626–1631.
Mohammadi, G., Shanbehzadeh, J. & Sarrafzadeh, H. (2015). A fast and adaptive video-
based method for eye blink rate estimation. International Journal of Advanced
Computer Research, 5 (19), 105–114.
Mohammed, G. J., Hong, B. R. & Jarjes, A. A. (2012). Accurate pupil features extraction
based on new projection function. Computing and Informatics, 29 (4), 663–680.
Mok, B. K.-J., Johns, M., Lee, K. J., Ive, H. P., Miller, D. & Ju, W. (2015). Timing of
unstructured transitions of control in automated driving. Proceedings of the IEEE
Intelligent Vehicles Symposium (IV), 1167–1172. doi: 10.1109/IVS.2015.7225841
Montés-Micó, R., Alió, J. L. & Charman, W. N. (2005). Dynamic changes in the tear
film in dry eyes. Investigative Ophthalmology & Visual Science, 46 (5), 1615–1619.
doi: 10.1167/iovs.05-0017
Moriyama, T., Kanade, T., Cohn, J. F., Xiao, J., Ambadar, Z., Gao, J. & Imamura, H.
(2002). Automatic recognition of eye blinking in spontaneously occurring behavior.
Proceedings of the IEEE International Conference on Pattern Recognition, 78–81.
doi: 10.1109/ICPR.2002.1047404
Morris, T., Blenkhorn, P. & Zaidi, F. (2002). Blink detection for real-time eye tracking.
Journal of Network and Computer Applications, 25 (2), 129–143. doi: 10.1006/
jnca.2002.0130
Morris, T. L. & Miller, J. C. (1996). Electrooculographic and performance indices
of fatigue during simulated flight. Biological Psychology, 42 (3), 343–360. doi:
10.1016/0301-0511(95)05166-X
Mortazavi, A., Eskandarian, A. & Sayed, R. A. (2009). Effect of drowsiness on dri-
ving performance variables of commercial vehicle drivers. International Journal of
Automotive Technology, 10 (3), 391–404. doi: 10.1007/s12239-009-0045-x
Moskowitz, H. (1985). Marihuana and driving. Accident Analysis & Prevention, 17 (4),
323–345. doi: 10.1016/0001-4575(85)90034-X
Moskowitz, H. & Robinson, C. D. (1988). Effects of low doses of alcohol on driving-
related skills: A review of the evidence (Report Nr. DOT HS 807 280). Washington,
DC: National Highway Traffic Safety Administration.
Mullaney, D. J., Fleck, P. A., Daira, N. & Kripke, D. F. (1985). An automated system
for administering continuous workload and for measuring sustained continuous
performance. Behavior Research Methods, Instruments, & Computers, 17 (1),
16–18. doi: 10.3758/BF03200892
Nakano, T., Yamamoto, Y., Kitajo, K., Takahashi, T. & Kitazawa, S. (2009). Syn-
chronization of spontaneous eyeblinks while viewing video stories. Proceedings:
Biological Sciences, 276 (1673), 3635–3644. doi: 10.1098/rspb.2009.0828
National Center for Statistics and Analysis. (2016). Occupant protection in passenger
XXXVI
vehicles: 2014 data (Report No. DOT HS 812 262). Washington, DC: National
Highway Traffic Safety Administration.
Naujoks, F., Mai, C. & Neukum, A. (2014). The effect of urgency of take-over requests
during highly automated driving under distraction conditions. Advances in Human
Aspects of Transportation: Part I , 431–438.
Nettelbeck, T. (1973). Individual differences in noise and associated perceptual indices
of performance. Perception, 2 (1), 11–21. doi: 10.1068/p020011
Neubauer, C., Matthews, G., Langheim, L. & Saxby, D. (2012). Fatigue and voluntary
utilization of automation in simulated driving. Human Factors, 54 (5), 734–746.
doi: 10.1177/0018720811423261
Neubauer, C., Matthews, G. & Saxby, D. (2014). Fatigue in the automated vehicle.
Proceedings of the Human Factors and Ergonomics Society Annual Meeting, 58
(1), 2053–2057. doi: 10.1177/1541931214581432
NHTSA. (2013). Preliminary statement of policy concerning automated vehicles. Na-
tional Highway Traffic Safety Administration, Washington, DC .
NHTSA. (2016). Federal automated vehicles policy. National Highway Traffic Safety
Administration, Washington, DC .
Nilsson, T., Nelson, T. M. & Carlson, D. (1997). Development of fatigue symptoms
during simulated driving. Accident Analysis & Prevention, 29 (4), 479–488. doi:
10.1016/S0001-4575(97)00027-4
Nyström, M., Andersson, R., Holmqvist, K. & van de Weijer, J. (2013). The influence
of calibration method and eye physiology on eyetracking data quality. Behavior
Research Methods, 45 (1), 272–288. doi: 10.3758/s13428-012-0247-4
Ohzeki, K. & Ryo, B. (2006). Video analysis for detecting eye blinking using a high-speed
camera. Proceedings of the Fortieth Asilomar Conference on Signals, Systems and
Computers, 1081–1085. doi: 10.1109/ACSSC.2006.354919
Oman, C. M. & Liu, A. M. (2006). Locomotive In-Cab Alerter Technology Assessment
(MVL Publication # 07.30).
Ongerboer de Visser, B. W. & Bour, L. J. (2006). Eye and eyelid movements during
blinking: An eye blink centre? Supplements to Clinical Neurophysiology, 58 , 16–25.
doi: 10.1016/S1567-424X(09)70056-X
Oppenheim, I. & Shinar, D. (2012). A context-sensitive model of driving behaviour and
its implications for in-vehicle safety systems. Cognition, Technology & Work, 14
(3), 261–281. doi: 10.1007/s10111-011-0178-3
Orchard, L. N. & Stern, J. A. (1991). Blinks as an index of cognitive activity during
reading. Integrative Physiological and Behavioral Science, 26 (2), 108–116. doi:
10.1007/BF02691032
Ortega, A., Sukno, F. M., Lleida, E., Frangi, A. F., Miguel, A., Buera, L. & Zacur, E.
(2004). AV@CAR: A spanish multichannel multimodal corpus for in-vehicle auto-
matic audio-visual speech recognition. Proceedings of the International Conference
on Language Resources and Evaluation, 763–767.
Osborne, B., Roach, T., Au, L. G. & Gendreau, P. (1974). An electrode hookup for eyelid
conditioning. Behavior Research Methods & Instrumentation, 6 (4), 416–418. doi:
10.3758/BF03200392
XXXVII
Otmani, S., Pebayle, T., Roge, J. & Muzet, A. (2005). Effect of driving duration and
partial sleep deprivation on subsequent alertness and performance of car drivers.
Physiology & Behavior , 84 (5), 715–724. doi: 10.1016/j.physbeh.2005.02.021
Özgüner, U., Stiller, C. & Redmill, K. (2007). Systems for safety and autonomous
behavior in cars: The DARPA grand challenge experience. Proceedings of the
IEEE , 95 (2), 397–412. doi: 10.1109/JPROC.2006.888394
Pan, G., Sun, L. & Wu, Z. (2008). Liveness detection for face recognition. In K. Delac,
M. Grgic & M. S. Bartlett (Hrsg.), Recent advances in face recognition (S. 109–
124). Wien: In-Teh.
Pan, G., Sun, L., Wu, Z. & Lao, S. (2007). Eyeblink-based anti-spoofing in face recogni-
tion from a generic webcamera. Proceedings of the IEEE International Conference
on Computer Vision (ICCV), 11 , 1–8. doi: 10.1109/ICCV.2007.4409068
Pander, T., Przybyla, T. & Czabanski, R. (2008). An application of detection function
for the eye blinking detection. Proceedings of the IEEE Conference on Human
Systems Interactions, 287–291. doi: 10.1109/HSI.2008.4581450
Parasuraman, R. & Manzey, D. H. (2010). Complacency and bias in human use of
automation: An attentional integration. Human Factors, 52 (3), 381–410. doi:
10.1177/0018720810376055
Parasuraman, R., Sheridan, T. B. & Wickens, C. D. (2000). A model for types and levels
of human interaction with automation. IEEE Transactions on Systems, Man, and
Cybernetics - Part A: Systems and Humans, 30 (3), 286–297.
Parasuraman, R., Sheridan, T. B. & Wickens, C. D. (2008). Situation awareness,
mental workload, and trust in automation: Viable, empirically supported cognitive
engineering constructs. Journal of Cognitive Engineering and Decision Making, 2
(2), 140–160. doi: 10.1518/155534308X284417
Patel, S., Henderson, R., Bradley, L., Galloway, B. & Hunter, L. (1991). Effect of visual
display unit use on blink rate and tear stability. Optometry & Vision Science, 68
(11), 888–892.
Pauly, L. & Sankar, D. (2015). A novel method for eye tracking and blink de-
tection in video frames. Proceedings of the IEEE International Conference on
Computer Graphics, Vision and Information Security (CGVIS), 252–257. doi:
10.1109/CGVIS.2015.7449931
Payre, W., Cestac, J. & Delhomme, P. (2016). Fully automated driving: Impact of trust
and practice on manual control recovery. Human Factors, 58 (2), 229–241. doi:
10.1177/0018720815612319
Pedrotti, M., Lei, S., Dzaack, J. & Rötting, M. (2011). A data-driven algorithm for
offline pupil signal preprocessing and eyeblink detection in low-speed eye-tracking
protocols. Behavior Research Methods, 43 (2), 372–383. doi: 10.3758/s13428-010
-0055-7
Peter, J.-H. (1980). Kann die Sicherheitsfahrschaltung SIFA die Dienstfähigkeit von
Triebfahrzeugführern gewährleisten? (Dissertation). Universität Marburg, Mar-
burg.
Peter, J.-H., Fuchs, E., Langanke, P., Meinzer, K. & Pfaff, U. (1983). The SIFA train
function safety circuit. International Archives of Occupational and Environmental
XXXVIII
Health, 52 (4), 341–352. doi: 10.1007/BF02226899
Pfromm, M., Khan, R., Oppelt, S., Abendroth, B. & Bruder, R. (2015). Investigation
of take-over performance of driving tasks by the driver due to system Failure of
Semi-Automated and Assisted Driving. Proceedings of the Triennial Congress of
the IEA, 19 (8), 14–21.
Philip, P., Taillard, J., Quera-Salva, M. A., Bioulac, B. & Åkerstedt, T. (1999).
Simple reaction time, duration of driving and sleep deprivation in young versus
old automobile drivers. Journal of Sleep Research, 8 (1), 9–14. doi: 10.1046/
j.1365-2869.1999.00127.x
Picot, A., Caplier, A. & Charbonnier, S. (2009). Comparison between EOG and high
frame rate camera for drowsiness detection. Proceedings of the IEEE Applications
of Computer Vision (WACV), 1–6. doi: 10.1109/WACV.2009.5403120
Picot, A., Charbonnier, S. & Caplier, A. (2012). On-line detection of drowsiness using
brain and visual information. IEEE Transactions on Systems, Man, and Cyberne-
tics, 42 (3), 764–775. doi: 10.1109/TSMCA.2011.2164242
Pilcher, J. J., Pury, C. L. S. & Muth, E. R. (2003). Assessing subjective daytime
sleepiness: An internal state versus behavior approach. Behavioral Medicine, 29
(2), 60–67. doi: 10.1080/08964280309596058
Plainis, S. & Murray, I. J. (2002). Reaction times as an index of visual conspicuity
when driving at night. Ophthalmic and Physiological Optics, 22 (5), 409–415. doi:
10.1046/j.1475-1313.2002.00076.x
Platho, C., Pietrek, A. & Kolrep, H. (2013). Erfassung der Fahrermüdigkeit. Berichte
der Bundesanstalt für Straßenwesen. Unterreihe Fahrzeugtechnik (89).
Pleban, R. J., Thomas, D. A. & Thompson, H. L. (1985). Physical fitness as a moderator
of cognitive work capacity and fatigue onset under sustained combat-like operati-
ons. Behavior Research Methods, Instruments, & Computers, 17 (1), 86–89. doi:
10.3758/BF03200900
Plewan, T. & Rinkenauer, G. (2017). Simple reaction time and size-distance integration
in virtual 3D space. Psychological Research, 81 (3), 653–663. doi: 10.1007/s00426
-016-0769-y
Pollak, C. P., Tryon, W. W., Nagaraja, H. & Dzwonczyk, R. (2001). How accurately
does wrist actigraphy identify the states of sleep and wakefulness? Sleep, 24 (8),
957–965. doi: 10.1093/sleep/24.8.957
Popieul, J. C., Simon, P. & Loslever, P. (2003). Using driver’s head movements evolution
as a drowsiness indicator. Proceedings of the IEEE Intelligent Vehicles Symposium
(IV), 616–621. doi: 10.1109/IVS.2003.1212983
Radlak, K. & Smolka, B. (2012). A novel approach to the eye movement analysis
using a high speed camera. Proceedings of the IEEE International Conference on
Advances in Computational Tools for Engineering Applications (ACTEA), 145–
150. doi: 10.1109/ICTEA.2012.6462854
Radlmayr, J. & Bengler, K. (2015). Literaturanalyse und Methodenauswahl zur Gestal-
tung von Systemen zum hochautomatisierten Fahren. FAT Schriftenreihe, 276 .
Radlmayr, J., Gold, C., Lorenz, L., Farid, M. & Bengler, K. (2014). How traffic situations
and non-driving related tasks affect the take-over quality in highly automated dri-
XXXIX
ving. Proceedings of the Human Factors and Ergonomics Society Annual Meeting,
58 (1), 2063–2067. doi: 10.1177/1541931214581434
Rasmussen, J. (1983). Skills, rules, and knowledge; signals, signs, and symbols, and
other distinctions in human performance models. IEEE Transactions on Systems,
Man, and Cybernetics, SMC-13 (3), 257–266. doi: 10.1109/TSMC.1983.6313160
Rechtschaffen, A. & Kales, A. (1968). A manual of standardized terminology, techniques
and scoring system for sleep stages of human subjects. U.S. Department of Health,
Education, and Welfare.
Rhede, J. G. (2017). Konzeption und Evaluation einer hochintegrativen Anzeige für
Fahrassistenzsysteme im Pkw in einer handlungsorientierten Warnstrategie (Dis-
sertation, TU Berlin, Berlin). doi: 10.14279/depositonce-5725
Richard, C. M., Wright, R. D., Ee, C., Prime, S. L., Shimizu, Y. & Vavrik, J.
(2002). Effect of a concurrent auditory task on visual search performance in
a driving-related image-flicker task. Human Factors, 44 (1), 108–119. doi:
10.1518/0018720024494874
Riggs, L. A., Kelly, J. P., Manning, K. A. & Moore, R. K. (1987). Blink-related eye
movements. Investigative Ophthalmology & Visual Science, 28 (2), 334–342.
Ruscio, D., Ciceri, M. R. & Biassoni, F. (2015). How does a collision warning system
shape driver’s brake response time? The influence of expectancy and automation
complacency on real-life emergency braking. Accident Analysis & Prevention, 77 ,
72–81. doi: 10.1016/j.aap.2015.01.018
SAE J3016. (2016). Taxonomy and definitions for terms related to driving automation
systems for on-road motor vehicles. SAE International.
Samel, A., Wegmann, H.-M. & Vejvoda, M. (1997). Aircrew fatigue in long-haul
operations. Accident Analysis & Prevention, 29 (4), 439–452. doi: 10.1016/
S0001-4575(97)00023-7
Sanders, A. F. (1983). Towards a model of stress and human performance. Acta
Psychologica, 53 (1), 61–97. doi: 10.1016/0001-6918(83)90016-1
Savitzky, A. & Golay, M. J. E. (1964). Smoothing and differentiation of data by simplified
least squares procedures. Analytical Chemistry, 36 (8), 1627–1639. doi: 10.1021/
ac60214a047
Saxby, D. J., Matthews, G., Hitchcock, E. M. & Warm, J. S. (2007). Development of
active and passive fatigue manipulations using a driving simulator. Proceedings of
the Human Factors and Ergonomics Society Annual Meeting, 51 (18), 1237–1241.
doi: 10.1177/154193120705101839
Saxby, D. J., Matthews, G., Hitchcock, E. M., Warm, J. S., Funke, G. J. & Gantzer,
T. (2008). Effect of active and passive fatigue on performance using a driving
simulator. Proceedings of the Human Factors and Ergonomics Society Annual
Meeting, 52 (21), 1751–1755. doi: 10.1177/154193120805202113
Saxby, D. J., Matthews, G., Warm, J. S., Hitchcock, E. M. & Neubauer, C. (2013).
Active and passive fatigue in simulated driving: Discriminating styles of workload
regulation and their safety impacts. Journal of Experimental Psychology: Applied,
19 (4), 287–300. doi: 10.1037/a0034386
Sayahzadeh, J., Pourreza, H. & Salehi Fadardi, J. (2014). A fast, robust, automatic
XL
blink detector. Iranian Journal of Medical Physics, 11 (4), 334–349. doi: 10.22038/
ijmp.2014.3571
Schittenhelm, H. & Schmidt, J. (2018). Driving safety in the Event of take-over at the
limits of workload in the case of Level 3 automated driving. Proceedings of the
VDA Technischer Kongress, 1-26.
Schleicher, R., Galley, N., Briest, S. & Galley, L. (2008). Blinks and saccades as indicators
of fatigue in sleepiness warnings: Looking tired? Ergonomics, 51 (7), 982–1010.
doi: 10.1080/00140130701817062
Schmidt, E. A. (2010). Die objektive Erfassung von Müdigkeit während monotoner
Tagfahrten und deren verbale Selbsteinschätzung durch den Fahrer (Dissertation).
Heinrich-Heine-Universität Düsseldorf, Düsseldorf.
Schmidt, J., Braunagel, C., Stolzmann, W. & Karrer-Gauß, K. (2016). Driver drowsiness
and behavior detection in prolonged conditionally automated drives. Proceedings
of the IEEE Intelligent Vehicles Symposium (IV), 400–405. doi: 10.1109/IVS.2016
.7535417
Schmidt, J., Dreißig, M., Stolzmann, W. & Rötting, M. (2017). The influence of pro-
longed conditionally automated driving on the take-over ability of the driver. Pro-
ceedings of the Human Factors and Ergonomics Society Annual Meeting, 61 (1),
1974–1978. doi: 10.1177/1541931213601972
Schmidt, J., Laarousi, R., Stolzmann, W. & Karrer-Gauß, K. (2017). Eye blink detection
for different driver states in conditionally automated driving and manual driving
using EOG and a driver camera. Behavior Research Methods. doi: 10.3758/s13428
-017-0928-0
Schmidt, J. & Stolzmann, W. (o. J.). Drowsy conditionally automated driving: An
analysis of the drivers’ behavior and take-over performance. Manuskript eingereicht
zur Publikation.
Schmidt, J., Stolzmann, W. & Karrer-Gauß, K. (2016). Experimental evaluation of
different request intervals for a driver alertness device for conditionally automa-
ted driving with induced drowsiness. Automatisierungs–, Assistenzsysteme und
eingebettete Systeme für Transportmittel (AAET), 98–117.
Schömig, N., Hargutt, V., Neukum, A., Petermann-Stock, I. & Othersen, I. (2015). The
interaction between highly automated driving and the development of drowsiness.
Procedia Manufacturing, 3 , 6652–6659. doi: 10.1016/j.promfg.2015.11.005
Schramm, T., Fuchs, K., Wagner, N. & Bruder, R. (2009). Detektion von Fahrer-
müdigkeit anhand des Lenkwinkelsignals. Tagungsband der Berliner Werkstatt
Mensch-Maschine-Systeme, 8 , 129–134.
Schwartz, F., Carr, A. C., Munich, R. L., Glauber, S., Lesser, B. & Murray, J. (1989).
Reaction time impairment in schizophrenia and affective illness: The role of atten-
tion. Biological Psychiatry, 25 (5), 540–548. doi: 10.1016/0006-3223(89)90214-X
Seetharaman, G., Lakhotia, A. & Blasch, E. P. (2006). Unmanned vehicles come of
age: The DARPA grand challenge. Computer , 39 (12), 26–29. doi: 10.1109/
MC.2006.447
Sheridan, T. B. (2004). Driver distraction from a control theory perspective. Human
Factors, 46 (4), 587–599. doi: 10.1518/hfes.46.4.587.56807
XLI
Sherwood, N. (2004). Effects of cigarette smoking on performance in a simulated driving
task. Neuropsychobiology, 32 (3), 161–165. doi: 10.1159/000119229
Siebert, F. W., Oehl, M., Bersch, F. & Pfister, H.-R. (2017). The exact determination
of subjective risk and comfort thresholds in car following. Transportation Research
Part F: Traffic Psychology and Behaviour , 46 , 1–13. doi: 10.1016/j.trf.2017.01
.001
Sigari, M. H. (2009). Driver hypo-vigilance detection based on eyelid behavior. Procee-
dings of the IEEE International Conference on Advances in Pattern Recognition,
7 , 426–429. doi: 10.1109/ICAPR.2009.108
Silva, F. P. d. (2014). Mental workload, task demand and driving derformance: What
relation? Procedia - Social and Behavioral Sciences, 162 , 310–319. doi: 10.1016/
j.sbspro.2014.12.212
Singh, S. (2015). Critical reasons for crashes investigated in the national motor vehicle
crash causation survey (Report Nr. DOT HS 812 115). Washington, DC: National
Highway Traffic Safety Administration.
Sirohey, S., Rosenfeld, A. & Duric, Z. (2002). A method of detecting and tracking
irises and eyelids in video. Pattern Recognition, 35 (6), 1389–1401. doi: 10.1016/
S0031-3203(01)00116-9
Skotte, J. H., Nøjgaard, J. K., Jørgensen, L. V., Christensen, K. B. & Sjøgaard, G.
(2007). Eye blink frequency during different computer tasks quantified by elec-
trooculography. European Journal of Applied Physiology, 99 (2), 113–119. doi:
10.1007/s00421-006-0322-6
Smith, A. (2002). Effects of caffeine on human behavior. Food and Chemical Toxicology,
40 (9), 1243–1255. doi: 10.1016/S0278-6915(02)00096-0
Sommer, D. & Golz, M. (2010). Evaluation of PERCLOS based current fatigue mo-
nitoring technologies. Proceedings of the IEEE International Conference of En-
gineering in Medicine and Biology Society (EMBC), 4456–4459. doi: 10.1109/
IEMBS.2010.5625960
Song, F., Tan, X., Liu, X. & Chen, S. (2014). Eyes closeness detection from still images
with multi-scale histograms of principal oriented gradients. Pattern Recognition,
47 (9), 2825–2838. doi: 10.1016/j.patcog.2014.03.024
Song, Y. & Liao, C. (2016). Analysis and review of state-of-the-art automatic parking
assist system. Proceedings of the IEEE International Conference on Vehicular
Electronics and Safety (ICVES), 1–6. doi: 10.1109/ICVES.2016.7548171
Spring, P., McIntosh, A., Caponecchia, C. & Baysari, M. (2009). Level of automation:
Effects on train driver vigilance. Proceedings of the International Conference on
Rail Human Factors, 3 .
Statistisches Bundesamt. (2017). Verkehr: Verkehrsunfälle. Zugriff am
30.10.2017 auf https://www.destatis.de/DE/Publikationen/Thematisch/
TransportVerkehr/Verkehrsunfaelle/VerkehrsunfaelleJ2080700167004
.pdf?__blob=publicationFile
Stelmack, R. M., Houlihan, M. & McGarry-Roberts, P. A. (1993). Personality, reaction
time, and event-related potentials. Journal of Personality and Social Psychology,
65 (2), 399–409. doi: 10.1037/0022-3514.65.2.399
XLII
Stern, J. A., Boyer, D. & Schroeder, D. (1994). Blink rate: A possible measure of fatigue.
Human Factors, 36 (2), 285–297. doi: 10.1177/001872089403600209
Stern, J. A. & Skelly, J. J. (1984). The eye blink and workload considerations. Pro-
ceedings of the Human Factors Society Annual Meeting, 28 (11), 942–944. doi:
10.1177/154193128402801101
Stern, J. A., Walrath, L. C. & Goldstein, R. (1984). The endogenous eyeblink. Psycho-
physiology, 21 (1), 22–33. doi: 10.1111/j.1469-8986.1984.tb02312.x
Stevenson, S. B., Volkmann, F. C., Kelly, J. P. & Riggs, L. A. (1986). Dependence of
visual suppression on the amplitudes of saccades and blinks. Vision research, 26
(11), 1815–1824. doi: 10.1016/0042-6989(86)90133-1
Stolzmann, W., Braunagel, C., Prangel, T. & Sieloff, S. (2016). DE Patent Nr.
102015001686 A1.
Strayer, D. L., Cooper, J. M., Turrill, J., Coleman, J., Medeiros-Ward, N. & Biondi,
F. (2013). Measuring Cognitive Distraction in the Automobile (Bericht). AAA
Foundation for Traffic Safety.
Stuss, D. T., Stethem, L. L., Hugenholtz, H., Picton, T., Pivik, J. & Richard, M. T.
(1989). Reaction time after head injury: Fatigue, divided and focused attention,
and consistency of performance. Journal of Neurology, Neurosurgery & Psychiatry,
52 (6), 742–748. doi: 10.1136/jnnp.52.6.742
StVO. (2016). Straßenverkehrs-Ordnung der Bundesrepublik Deutschland.
Sukno, F. M., Pavani, S.-K., Butakoff, C. & Frangi, A. F. (2009). Automatic assess-
ment of eye blinking patterns through statistical shape models. Computer Vision
Systems, 5815 , 33–42. doi: 10.1007/978-3-642-04667-4_4
Summala, H., Hietamäki, J., Lehikoinen, A. & Vierimaa, J. (1988). Patrol car reduces
driver reaction times. Proceedings of the Human Factors Society Annual Meeting,
32 (15), 919–922. doi: 10.1518/107118188786761802
Sun, W. S., Baker, R. S., Chuke, J. C., Rouholiman, B. R., Hasan, S. A., Gaza, W.,
. . . Porter, J. D. (1997). Age-related changes in human blinks. Passive and active
changes in eyelid kinematics. Investigative Ophthalmology & Visual Science, 38
(1), 92–99.
Sundelin, T., Lekander, M., Kecklund, G., van Someren, E. J. W., Olsson, A. & Axelsson,
J. (2013). Cues of fatigue: Effects of sleep deprivation on facial appearance. Sleep,
36 (9), 1355–1360. doi: 10.5665/sleep.2964
Suzuki, M., Yamamoto, N., Yamamoto, O., Nakano, T. & Yamamoto, S. (2006). Mea-
surement of driver’s consciousness by image processing - A method for presuming
driver’s drowsiness by eye-blinks coping with individual differences. Proceedings
of the IEEE International Conference on Systems, Man and Cybernetics (SMC),
2891–2896. doi: 10.1109/ICSMC.2006.385313
Świrski, L., Bulling, A. & Dodgson, N. (2012). Robust real-time pupil tracking in highly
off-axis images. Proceedings of the ACM Symposium on Eye Tracking Research
and Applications, 173. doi: 10.1145/2168556.2168585
Taylor, Elsworth, J. D., Lawrence, M. S., Sladek, Roth, R. H. & Redmond, D. E. (1999).
Spontaneous blink rates correlate with dopamine levels in the caudate nucleus of
MPTP-treated monkeys. Experimental Neurology, 158 (1), 214–220. doi: 10.1006/
XLIII
exnr.1999.7093
Teichner, W. H. (1954). Recent studies of simple reaction time. Psychological Bulletin,
51 (2), 128–149. doi: 10.1037/h0060900
Tesla Motors. (2016). All Tesla cars being produced now have full self-driving hard-
ware. Zugriff am 30.10.2017 auf https://www.tesla.com/blog/all-tesla-cars
-being-produced-now-have-full-self-driving-hardware
Teyeb, I., Jemai, O., Zaied, M. & Amar, C. B. (2014). A novel approach for drow-
sy driver detection using head posture estimation and eyes recognition system
based on wavelet network. Proceedings of the IEEE International Conference
on Information, Intelligence, Systems and Applications (IISA), 5 , 379–384. doi:
10.1109/IISA.2014.6878809
Thiffault, P. & Bergeron, J. (2003). Monotony of road environment and driver fatigue: A
simulator study. Accident Analysis & Prevention, 35 (3), 381–391. doi: 10.1016/
S0001-4575(02)00014-3
Torsvall, L. & Åkerstedt, T. (1987). Sleepiness on the job: Continuously measured EEG
changes in train drivers. Electroencephalography and Clinical Neurophysiology, 66
(6), 502–511. doi: 10.1016/0013-4694(87)90096-4
Toyota Motor Corporation. (2017). Safety Technology History: Pre-collision Safety.
Zugriff am 30.10.2017 auf http://www.toyota-global.com/innovation/safety
_technology/history/#precrash-safety
Tran, Y., Wijesuriya, N., Tarvainen, M., Karjalainen, P. & Craig, A. (2009). The
relationship between spectral changes in heart rate variability and fatigue. Journal
of Psychophysiology, 23 (3), 143–151. doi: 10.1027/0269-8803.23.3.143
Trimble, T. E., Bishop, R., Morgan, J. F. & Blanco, M. (2014). Human Factors Eva-
luation of Level 2 and Level 3 Automated Driving Concepts: Past Research, State
of Automation Technology, and Emerging System Concepts (Report Nr. DOT HS
812 043). Washington, D.C.: National Highway Traffic Safety Administration.
Trutschel, U., Sirois, B., Sommer, D., Golz, M. & Edwards, D. (2011). PERCLOS: An
alertness measure of the past. Proceedings of the International Driving Symposium
on Human Factors in Driver Assessment, Training and Vehicle Design, 6 .
Tzambazis, K. (2000). Alcohol impairs speed of information processing and simple
and choice reaction time and differentially impairs higher-order cognitive abilities.
Alcohol and Alcoholism, 35 (2), 197–201. doi: 10.1093/alcalc/35.2.197
United Nations. (1968). Chapter XI. transport and communications B. road traffic.
United Nations Conference on Road Traffic, 19 .
van Dongen, H. P. A., Caldwell, J. A. & Caldwell, J. L. (2006). Investigating systematic
individual differences in sleep-deprived performance on a high-fidelity flight simu-
lator. Behavior Research Methods, 38 (2), 333–343. doi: 10.3758/BF03192785
Vanlaar, W., Simpson, H., Mayhew, D. & Robertson, R. (2008). Fatigued and drowsy
driving: A survey of attitudes, opinions and behaviors. Journal of Safety Research,
39 (3), 303–309. doi: 10.1016/j.jsr.2007.12.007
Veltman, J. A. & Gaillard, A. (1996). Physiological indices of workload in a simulated
flight task. Biological Psychology, 42 (3), 323–342. doi: 10.1016/0301-0511(95)
05165-1
XLIV
Venkataramanan, S., Prabhat, P., Choudhury, S. R., Nemade, H. B. & Sahambi, J. S.
(2005). Biomedical instrumentation based on electrooculogram (EOG) signal pro-
cessing and application to a hospital alarm system. Proceedings of IEEE Inter-
national Conference on Intelligent Sensing and Information Processing, 535–540.
doi: 10.1109/ICISIP.2005.1529512
Verhaegen, P. K. & Ryckaert, R. W. (1986). Vigilance of train engineers. Proceedings
of the Human Factors Society Annual Meeting, 30 (4), 403–407. doi: 10.1177/
154193128603000422
Verwey, W. B. & Zaidel, D. M. (2000). Predicting drowsiness accidents from personal
attributes, eye blinks and ongoing driving behaviour. Personality and Individual
Differences, 28 (1), 123–142. doi: 10.1016/S0191-8869(99)00089-6
Vogelpohl, T., Vollrath, M. & Kühn, M. (2017). Übergabe von hochautomatisiertem
Fahren zu manueller Steuerung: Teil 2: Müdigkeit und lange Fahrtdauer als Ein-
flussfaktoren auf die Sicheheit nach einer Übernahmeaufforderung. Gesamtverband
der Deutschen Versicherungswirtschaft e.V., Forschungsbericht, 47 .
Vogelpohl, T., Vollrath, M., Kühn, M., Hummel, T. & Gehlert, T. (2016). Übergabe von
hochautomatisiertem Fahren zu manueller Steuerung: Teil 1: Review der Literatur
und Studie zu Übernahmezeiten. Gesamtverband der Deutschen Versicherungs-
wirtschaft e.V., Forschungsbericht, 39 .
Volkmann, F. C., Riggs, L. A., Ellicott, A. G. & Moore, R. K. (1982). Measurements
of visual suppression during opening, closing and blinking of the eyes. Vision
research, 22 (8), 991–996. doi: 10.1016/0042-6989(82)90035-9
Volkswagen AG. (2016). Müdigkeitserkennung. Zugriff am 30.10.2017 auf https://
www.volkswagen.de/de/technologie/technik-lexikon/k-o.html
Vollrath, M. (2014). Motivationale und psychophysische Leistungsgrenzen im Rahmen
der Überwachung von Kontrollelementen (Vigilanzaufgabe) zur Durchführung einer
teilautomatisierten Fahraufgabe (Gutachten). TU Braunschweig.
Volvo Car Corporation. (2014). Driver Alert. Zugriff am 12.09.2016 auf http://
www.volvocars.com/intl/us/about/our-innovations/intellisafe
Wan, J., Wu, C. & Zhang, Y. (2016). Effects of lead time of verbal collision warning
messages on driving behavior in connected vehicle settings. Journal of Safety
Research, 58 , 89–98. doi: 10.1016/j.jsr.2016.07.003
Warm, J. S., Matthews, G. & Finomore Jr., V. S. (2008). Vigilance, workload, and
stress. In P. A. Hancock & J. L. Szalma (Hrsg.), Performance under stress (S.
115–141). Ashgate.
Webb, W. B. (1985). Experiments on extended performance: Repetition, age, and
limited sleep periods. Behavior Research Methods, Instruments, & Computers, 17
(1), 27–36. doi: 10.3758/BF03200894
Weeß, H.-G., Sauter, C., Geisler, P., Bohning, W., Wilhelm, B., Rotte, M., . . . Stein-
berg, R. (2000). Vigilanz, Einschlafneigung, Daueraufmerksamkeit, Müdigkeit,
Schläfrigkeit Diagnostische Instrumentarien zur Messung müdigkeits- und schläf-
rigkeitsbezogener Prozesse und deren Gütekriterien. Somnologie, 4 (1), 20–38. doi:
10.1046/j.1439-054x.2000.00116.x
Wibbenmeyer, R., Stern, J. A. & Chen, S. C. (2009). Elevation of visual threshold
XLV
associated with eyeblink onset. International Journal of Neuroscience, 18 (3-4),
279–285. doi: 10.3109/00207458308987372
Wickens, C. D. (2008). Situation awareness: Review of Mica Endsley’s 1995 articles on
situation awareness theory and measurement. Human Factors, 50 (3), 397–403.
doi: 10.1518/001872008X288420
Wickens, C. D., Laux, L., Hutchins, S. & Sebok, A. (2014). Effects of sleep restriction,
sleep inertia, and overload on complex cognitive performance before and after
workload transition. Proceedings of the Human Factors and Ergonomics Society
Annual Meeting, 58 (1), 839–843. doi: 10.1177/1541931214581177
Wiener, E. L. & Curry, R. E. (1980). Flight-deck automation: Promises and problems.
Ergonomics, 23 (10), 995–1011. doi: 10.1080/00140138008924809
Wierwille, W. W., Casali, J. G. & Repa, B. S. (1983). Driver steering reaction time to
abrupt-onset crosswinds, as measured in a moving-base driving simulator. Human
Factors, 25 (1), 103–116. doi: 10.1177/001872088302500110
Wierwille, W. W. & Ellsworth, L. A. (1994). Evaluation of driver drowsiness by
trained raters. Accident Analysis & Prevention, 26 (5), 571–581. doi: 10.1016/
0001-4575(94)90019-1
Wierwille, W. W., Wreggit, S. S., Kirn, C. L., La Ellsworth & Fairbanks, R. J. (1994).
Research on vehicle-based driver status/performance monitoring; development, va-
lidation, and refinement of algorithms for detection of driver drowsiness. Final
report (Report Nr. DOT HS 808 247). Washington, DC: National Highway Traffic
Safety Administration.
Wild, H. (1983). Experimentelle Untersuchungen über die zeitliche Verteilung der spon-
tanen Lidschlussereignisse (Dissertation). Universität Innsbruck, Innsbruck.
Wilhelm, B., Neugebauer, P., Lüdtke, H., Hohenstein, E., Ederle, K. & Wilhelm, H.
(1999). Pupillographic sleepiness test for therapy control in obstructive sleep apnea
syndrome after three months nCPAP. Somnologie, 3 , 53–56. doi: 10.1007/s11818
-999-0009-4
Wilkinson, H. P. (1979). Eye movements measured with a solid state photodiode matrix.
Behavior Research Methods & Instrumentation, 11 (4), 429–432. doi: 10.3758/
BF03205696
Williams, N. (1992). The PROMETHEUS programme. IEE Colloquium on Engineering
Solutions - Towards Safer Road Transport, 1–3.
Williamson, A. M., Feyer, A.-M., Mattick, R. P., Friswell, R. & Finlay-Brown, S. (2001).
Developing measures of fatigue using an alcohol comparison to validate the effects
of fatigue on performance. Accident Analysis & Prevention, 33 (3), 313–326. doi:
10.1016/S0001-4575(00)00045-2
Williamson, A. M., Friswell, R., Olivier, J. & Grzebieta, R. (2014). Are drivers aware of
sleepiness and increasing crash risk while driving? Accident Analysis & Prevention,
70 , 225–234. doi: 10.1016/j.aap.2014.04.007
Williamson, A. M., Lombardi, D. A., Folkard, S., Stutts, J., Courtney, T. K. & Connor,
J. L. (2011). The link between fatigue and safety. Accident Analysis & Prevention,
43 (2), 498–515. doi: 10.1016/j.aap.2009.11.011
Wimmer, M. (2014). Entwicklung und Erprobung von Mensch-Maschine-Systemen
XLVI
zur automatisierten Fahrzeugführung (Dissertation). Universität der Bundeswehr
München, München.
Wirtz, M. A., Strohmer, J. & Dorsch, F. (2013). Dorsch - Lexikon der Psychologie (16.,
überarbeitete Auflage Aufl.).
Wolkoff, P., Nøjgaard, J. K., Troiano, P. & Piccoli, B. (2005). Eye complaints in
the office environment: Precorneal tear film integrity influenced by eye blinking
efficiency. Occupational and Environmental Medicine, 62 (1), 4–12. doi: 10.1136/
oem.2004.016030
Wong, C. K. & Easton, M. C. (1980). An efficient method for weighted sampling without
replacement. SIAM Journal on Computing, 9 (1), 111–113. doi: 10.1137/0209009
Wood, J. M. & Troutbeck, R. (1994). Effect of visual impairment on driving. Human
Factors, 36 (3), 476–487. doi: 10.1177/001872089403600305
Woods, D. L., Wyma, J. M., Yund, E. W., Herron, T. J. & Reed, B. (2015). Factors
influencing the latency of simple reaction time. Frontiers in Human Neuroscience,
9 , 131. doi: 10.3389/fnhum.2015.00131
Wulf, F., Zeeb, K., Rimini-Doring, M., Arnon, M. & Gauterin, F. (2013). Effects of
human-machine interaction mechanisms on situation awareness in partly auto-
mated driving. Proceedings of the IEEE International Conference on Intelligent
Transportation Systems (ITSC), 2012–2019.
XSENS. (2017). XSENS MTw Awinda - Wireless Motion Tracker. Zugriff am 30.10.2017
auf https://www.xsens.com/products/mtw-awinda/
Yang, F., Yu, X., Huang, J., Yang, P. & Metaxas, D. (2012). Robust eyelid tracking
for fatigue detection. Proceedings of the IEEE International Conference on Image
Processing (ICIP), 19 , 1829–1832. doi: 10.1109/ICIP.2012.6467238
Yerkes, R. M. & Dodson, J. D. (1908). The relation of strength of stimulus to rapidity
of habit-formation. Journal of Comparative Neurology and Psychology, 18 (5),
459–482. doi: 10.1002/cne.920180503
Young, L. R. & Sheena, D. (1975). Survey of eye movement recording methods. Behavior
Research Methods & Instrumentation, 7 (5), 397–429. doi: 10.3758/BF03201553
Zeeb, E. (2010). Daimler’s new full-scale, high-dynamic driving simulator - A technical
overview. Actes INRETS , 157–165.
Zeeb, K., Buchner, A. & Schrauf, M. (2015). What determines the take-over time? An
integrated model approach of driver take-over after automated driving. Accident
Analysis & Prevention, 78 , 212–221. doi: 10.1016/j.aap.2015.02.023
Zeeb, K., Buchner, A. & Schrauf, M. (2016). Is take-over time all that matters?
The impact of visual-cognitive load on driver take-over quality after conditio-
nally automated driving. Accident Analysis & Prevention, 92 , 230–239. doi:
10.1016/j.aap.2016.04.002
Zhang, Y.-F., Gao, X.-Y., Zhu, J.-Y., Zheng, W.-L. & Lu, B.-L. (2015). A novel approach
to driving fatigue detection using forehead EOG. Proceedings of the IEEE/EMBS
International Conference on Neural Engineering (NER), 707–710. doi: 10.1109/
NER.2015.7146721
Zhao, C., Zhao, M., Liu, J. & Zheng, C. (2012). Electroencephalogram and electrocar-
diograph assessment of mental fatigue in a driving simulator. Accident Analysis &
XLVII
Prevention, 45 , 83–90. doi: 10.1016/j.aap.2011.11.019
Ziegler, J., Bender, P., Schreiber, M., Lategahn, H., Strauss, T., Stiller, C., . . . Zeeb,
E. (2014). Making Bertha drive - An autonomous journey on a historic route.
IEEE Intelligent Transportation Systems Magazine, 6 (2), 8–20. doi: 10.1109/
MITS.2014.2306552
XLVIII