城市道路拥堵是世界各大城市面临的重要交通问题。目前国内外学者主要从形成机理、疏解策略和环境污染等方面研究道路堵车的危害;而关于堵车对驾驶员身心健康和驾驶行为影响的研究还是起步阶段。因此,本文分析堵车状态下驾驶员的生理和行为特性的差异,并将这些变化的特征进行量化。驾驶员的眼部活动是衡量驾驶员驾驶状态的重要指标,本课题中采用注视时间、注视频次、扫视特征参数。脑电波信号(Electroencephalogram,EEG)作为一种表现人大脑活动的有效指标,在近几年驾驶领域研究中占有越来越重要的地位,本课题同时提取了驾驶员的脑电信号作为基础研究数据,探索驾驶员在经历拥堵情况下脑电变化。旨在全方位探索驾驶员在经历堵车后的反应系统。本文主要解决三个问题:a)利用ANOVA的方法探索驾驶员的驾驶行为和生理特征在经历道路拥堵后相对于全程没有拥堵的变化趋势,并量化该逻辑关系;b)使用机器学习层次聚类的方法建立不同驾驶条件下的“PE-response”模型(Performance and Eye Movement response model);c)查看音乐干预的方式能否缓解堵车带来的不良影响。本实验设计两种路段,一个有拥堵和不拥堵两种路段,一个全程没有拥堵路段的自由路段;每名受试人员按随机顺序完成以下四组实验,分别是:实验一无音乐无拥堵场景(Light)、实验二无音乐有拥堵场景(Congestion)、实验三舒缓类音乐有拥堵场景(M-Soft)、实验四DJ摇滚类音乐有拥堵场景(M-DJ)。结果显示,堵车对驾驶员的影响会在后续驾驶中延续,经历过堵车的驾驶员和未经历过堵车的驾驶员相比,在非拥堵路段的驾驶速度会更快、加速度更大、油门和方向盘控制更不稳定等多个驾驶表现都有显著差异,且眼动注视区域更为集中,注视时间分配不均衡。采用层次聚类分析方法识别驾驶反应模式。将不经历拥堵驾驶员的驾驶表现即Light组数据的聚类,得到两种驾驶模式NCA(Neutral-Cautious-Aware)和NAN(Neutral-Aggressive-Not aware);对Congestion组的聚类得到的三种驾驶模式分别是CCA(Congestion-Cautious-Aware)、CCN(CongestionCautious-Not aware)和CAN(Congestion-Aggressive-Not aware)三种。这种模式的提取有利于我们用来识别驾驶员的危险驾驶模式。脑电信号的研究中发现,驾驶员在经历堵车后颞叶区β波功率会有所下降,其他区域以及成分波并没有显著的差异。在音乐的干预下,缓解了驾驶员经历堵车后,后续驾驶中的视觉范围变窄的问题,驾驶员大脑皮层的额叶区域α波的功率明显下降,与前人研究中音频驾驶员影响的结论一致。对驾驶员驾驶表现无显著影响。总体来说音乐的参与一定程度上缓解驾驶员因为拥堵造成高认知负荷的状态,使驾驶员有更多的认知资源应对突发状况。