CN112353392B - 一种智能驾驶汽车乘员舒适性评价方法 - Google Patents
一种智能驾驶汽车乘员舒适性评价方法 Download PDFInfo
- Publication number
- CN112353392B CN112353392B CN202011237853.9A CN202011237853A CN112353392B CN 112353392 B CN112353392 B CN 112353392B CN 202011237853 A CN202011237853 A CN 202011237853A CN 112353392 B CN112353392 B CN 112353392B
- Authority
- CN
- China
- Prior art keywords
- comfort
- passenger
- evaluation
- indexes
- index
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000011156 evaluation Methods 0.000 claims abstract description 166
- 238000013210 evaluation model Methods 0.000 claims abstract description 33
- 230000003068 static effect Effects 0.000 claims abstract description 7
- 210000003205 muscle Anatomy 0.000 claims description 57
- 238000001514 detection method Methods 0.000 claims description 22
- 230000004913 activation Effects 0.000 claims description 14
- 230000003183 myoelectrical effect Effects 0.000 claims description 14
- 238000002567 electromyography Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000008602 contraction Effects 0.000 claims description 7
- 210000001139 rectus abdominis Anatomy 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000002474 experimental method Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 238000000611 regression analysis Methods 0.000 claims description 3
- 230000001133 acceleration Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 238000012545 processing Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012952 Resampling Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000002565 electrocardiography Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 210000003540 papillary muscle Anatomy 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
- B60W2040/0872—Driver physiology
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Psychiatry (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Heart & Thoracic Surgery (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Psychology (AREA)
- Child & Adolescent Psychology (AREA)
- Social Psychology (AREA)
- Mechanical Engineering (AREA)
- Hospice & Palliative Care (AREA)
- Educational Technology (AREA)
- Developmental Disabilities (AREA)
- Mathematical Physics (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及一种智能驾驶汽车乘员舒适性评价方法，包括：1)获取实验数据，包括各被测乘员在静止状态下和智能驾驶汽车行驶状态下的体征信息以及被测乘员的主观舒适性评价指标；2)基于获取的体征信息和预先建立的基于体征信息的舒适性客观评价模型，计算基于体征信号的舒适性客观评价指标；3)基于动力学指标和基于车辆动力学的乘员舒适性预测模型，得到基于车辆动力学信息的乘员舒适性预测评价指标；4)构建乘员舒适性综合评价模型，基于乘员舒适性综合评价模型预测得到的乘员舒适性综合评价指标以及车辆三自由度模型，建立基于乘员舒适性的车辆动力学控制域，以保证乘坐舒适性。本发明可以广泛应用于智能车辆乘员舒适性评价领域。
Description
技术领域
本发明涉及汽车人机工效学、智能驾驶、人机交互领域，具体涉及一种综合考虑车辆行驶状态数据，乘员肌电、心电、脑电信号以及舒适性评分的智能驾驶汽车乘员舒适性评价方法。
背景技术
随着智能驾驶技术的发展，除了安全性以外，人们的关注点越来越集中在智能驾驶汽车的舒适性上。造成乘员舒适性问题的诱因是由于智能驾驶功能代替了传统的驾驶员控制，缺少驾驶人根据自身舒适性对车辆进行主动调控的人机环。为了弥补上缺失的人机环首先需要对智能驾驶车辆内的乘员状态进行准确的检测。传统车辆乘员舒适性研究大多集中于对乘员姿势舒适性研究，驾驶员转向操纵舒适性研究。智能驾驶汽车的舒适性主要是研究智能驾驶汽车加速，制动，转向中乘员舒适性感受。目前对于智能车乘员舒适性多为通过乘员主观评价进行，无法对乘员舒适性感受进行有效，科学，准确的识别。因此需要一种乘员舒适性评价方法，对乘员的主观舒适性进行客观量化的评价。
专利CN108742610A公开了一种实现肌电和主观相关联的转向舒适度评价方法，首先选择受试驾驶员在转头时颈部及上背部主要发力肌肉和驾驶员转动方向盘时肩部发力肌肉作为待测肌肉,采用多通道肌电信号生理测试记录仪为信号采集设施,测量各受试者进行转向动作时每块肌肉的肌电信息其次,受试驾驶员进行主观评价表的打分而后,对采集到的肌电信号进行均方根处理并设置权重，对受试驾驶员的主观评分进行归一化处理最终,构建生理信息与主观评价对应关系模型，综合确定驾驶员转向过程中的舒适度，该专利选取的肌肉部位只是针对在车辆横向运动时，肌肉活性变化比较明显的部位，因而所研究的舒适性也仅是针对换道时的横向舒适性，局限性较大，同时该专利只测量人体的肌电信号进行研究，具有片面性，未来乘员检测的发展趋势是乘员多生理信号采集，以此来提高乘员状态检测的准确性。
发明内容
针对上述问题，本发明的目的是提供一种智能驾驶汽车乘员舒适性评价方法，通过对乘员肌电、心电和脑电信号的采集以及其主观舒适性评分相关联，实现了智能驾驶汽车乘员的舒适性评价的主客观统一，揭示了智能驾驶汽车转向、制动、加速等动力学控制与乘员主观舒适性之间的内在联系，进一步建立了基于乘员生理信号的智能驾驶汽车动力学控制的边界，并以此为依据实现了对智能驾驶车辆乘坐舒适性的预测，构建了关于乘员舒适性的综合评价系统，评价结果反馈于智能驾驶汽车，提升智能驾驶汽车的乘坐舒适性。
为实现上述目的，本发明采取以下技术方案：一种智能驾驶汽车乘员舒适性评价方法，其包括以下步骤：
1)获取实验数据，包括各被测乘员在静止状态下的体征信息、智能驾驶汽车行驶状态下的体征信息以及被测乘员的主观舒适性评价指标以及车辆动力学信息；
2)对获取的体征信息进行预处理后提取相应的生理指标，并基于该生理指标和预先建立的基于体征信息的舒适性客观评价模型，得到基于体征信号的舒适性客观评价指标；
3)对获取的智能驾驶汽车的动力学信息进行预处理后提取相应的动力学指标，并基于该动力学指标和预先建立的基于车辆动力学的乘员舒适性预测模型，得到基于车辆动力学信息的乘员舒适性预测评价指标，以表征乘员各项生理指标对车辆动力学指标的响应特征及敏感程度；
4)根据得到的乘员的主观舒适性评价指标、基于体征信号的舒适性客观评价指标、基于车辆动力学信息的乘员舒适性预测评价指标以及动态权重函数，构建乘员舒适性综合评价模型，基于所述乘员舒适性综合评价模型预测得到的乘员舒适性综合评价指标以及车辆三自由度模型，建立基于乘员舒适性的车辆动力学控制域，作为智能驾驶汽车动力学控制的相应指标，以保证乘坐舒适性；
所述基于体征信息的乘员舒适性客观评价模型，其输入为当前时刻提取的乘员生理指标，输出为当前时刻乘员舒适性客观评价指标；基于车辆动力学的乘员舒适性预测模型，其包含两部分，第一部分输入为车辆动力学指标以及控制信息，输出为下一时刻的车辆动力学指标；第二部分输入为下一时刻的车辆动力学指标与上一时刻计算得到的乘员舒适性综合评价指标，输出为下一时刻的乘员舒适性预测结果；乘员舒适性综合评价模型，其输入为当前时刻乘员舒适性客观评价指标、下一时刻的乘员舒适性预测结果、当前时刻乘员主观舒适性评价结果，输出为下一时刻乘员舒适性综合评价指标。
进一步地，所述步骤1)中，获取实验数据的方法，包括以下步骤：
1.1)选取若干乘员，并在每一被测乘员的相应位置处安放体征信号采集电极，开启测试体征信号采集设备，确定各采集设备工作正常，并记录下各被测乘员处于静止状态下的体征信号数据；其中，体征信号采集设备包括肌电仪、心电仪和脑电仪，且肌电仪、心电仪和脑电仪分别与安放在被测乘员身上的肌电采集电极、心电采集电极和脑电采集电极相连；体征信号数据包括肌电信号、心电信号和脑电信号数据；
1.2)被测乘员用力晃动头部，耸动肩膀，使得颈部、肩部、背部肌肉进行最大自主收缩运动，确保各体征信号采集电极不发生脱落，同时记录肌电信号最大自主收缩状态下的峰值；
1.3)被测乘员在智能车辆座位上落座，智能车辆在规定场景下行驶，各体征信号采集电极采集被测乘员的体征信号，在实验进行同时，各被测乘员根据舒适性评价表进行实时打分。
进一步地，所述步骤1.1)中，对肌电信号进行采集时，将肌电采集电极分别放置在被测乘员的胸锁乳突肌，斜方肌，腹直肌，腹外斜肌和背阔肌。
进一步地，所述步骤2)中，建立基于体征信息的舒适性客观评价模型的方法，包括以下步骤：
2.1)对获取的体征信息进行预处理后提取相应的生理指标作为乘员舒适性评价的客观指标；
2.2)对提取的乘员舒适性评价客观指标以及舒适性评分数据进行多元回归分析，得到舒适性评价客观指标与舒适性评分数据之间的映射关系，即基于体征信息的舒适性客观评价模型。
进一步地，所述步骤2.1)中，提取的舒适性评价指标包括肌电评价指标、心电评价指标和脑电评价指标；所述肌电评价指标包括平均肌肉激活程度和肌电信号波动程度指标，所述心电评价指标包括R-R间期标准差和R-R差值标准差指标，所述脑电评价指标包括α波能量比和δ波与α波能量比指标。
进一步地，所述平均肌肉激活程度指标MAmean和所述肌电信号的波动范围F的计算公式分别为：
其中，N表示选取的肌肉部位个数，MAi表示第i个检测部位的肌肉激活程度；Ei表示第i个检测部位的肌肉肌电信号的均方根值，Ri表示第i个检测部位的肌肉所占肌电信息权重。
进一步地，所述R-R间期标准差和所述相邻R-R差值标准差的计算公式分别为：
式中，SDNN为R-R间期标准差；N为心搏总数；RRi为第i个R-R间期；RRmean为N个R-R间期的平均值；RRi、RRi-1分别为相邻的R-R间期，i为整数且i＞＝1。
进一步地，所述α波能量比和所述δ波与α波能量比的计算公式分别为：
其中，Rα为α波能量比；Eσ为σ波能量；Eθ为θ波能量；Eα为α波能量；Eβ为β波能量；Kδ-α为δ波与α波能量比；Eσ为σ波能量；Eα为α波能量。
进一步地，所述步骤4)中，动态权重函数的基本描述如下：
[a1(n)，a2(n)，a3(n)]＝f(x1(n)，x2(n)，x3(n)，x1(n-1)，x2(n-1)，x3(n-1)，...，.x1(n-m)，x2(n-m)，x3(n-m))
式中，a1，a2，a3分别为乘员主观评价指标权重系数、基于乘员体征信息的客观评价指标权重系数以及基于车辆动力学的乘员舒适性预测指标权重系数，x1(n)，x2(n)，x3(n)为上述三种评价指标的当前时刻的计算值，x1(n-m)，x2(n-m)，x3(n-m)为上述三种评价指标的前m时刻的计算值；f()为动态权重函数。
进一步地，所述步骤4)中，所述乘员舒适性综合评价模型的基本描述如下：
K＝a1(n)·x1(n)+a2(n)·x2(n)+a3(n)·x3(n)
式中，K为乘员舒适性综合评价指标值；a1，a2，a3分别为乘员主观评价指标权重系数、基于乘员体征信息的客观评价指标权重系数以及基于车辆动力学的乘员舒适性预测指标权重系数；x1(n)为乘员主观评分，时序数组；x2(n)为基于乘员体征信息的客观评价得分，时序数组；x3(n)为基于车辆动力学信息的乘员舒适性预测得分，时序数组。本发明由于采取以上技术方案，其具有以下优点：
1、本发明的乘员舒适性评价方法对于乘员的心电，肌电，脑电信号进行了综合分析处理，提取相应的心电舒适性指标，肌电舒适性指标，脑电舒适性指标，最后综合三类指标对于乘员乘坐舒适性进行客观评价，相对于通过单一生理信号对乘员舒适性进行辨别，提高了乘员舒适性客观评价的准确性，可靠性。
2、本发明综合了乘员主观评价、基于生理信息的客观评价以及基于车辆动力学特征的预测，包含主观、生理、车辆三种维度，并且纳入了对当前时刻、过去时刻的考量以及对未来时刻的预测，在乘员舒适性评价方面更加系统和完善。
3、本发明的舒适性评价方法，不是针对某一典型工况的舒适性评价方法，而是面向智能驾驶全工况下的乘员舒适性识别方法，当车辆加速，制动，转向，换道时，都可通过本发明的舒适性评价方法进行评价。
因而，本发明可以广泛应用于智能车辆乘员舒适性评价领域。
附图说明
图1为本发明的一种智能驾驶汽车乘员舒适性评价系统的系统框图；
图2为本发明的一种智能驾驶汽车乘员舒适性评价系统的结构图；
图3为本发明的一种智能驾驶汽车乘员舒适性评价方法的流程图；
图4为本发明的一种智能驾驶汽车乘员舒适性评价方法的体征指标；
图5为本发明的智能车乘员舒适性综合评价指标的构成示意图；
图6为本发明的基于车辆动力学的成员舒适性预测模型的结构示意图；
图中各标记如下：1、智能车控制器；2、智能设备；3、脑电采集电极；4、脑电仪；5、心电仪；6、肌电仪；7、计算机；8、智能驾驶汽车；9、座椅；10、肌电采集电极；11、心电采集电极。
具体实施方式
下面结合附图和实施例对本发明进行详细的描述。
实施例一
如图1，图2所示，本实施例提供一种智能驾驶汽车乘员舒适性评价系统，可以安装到智能驾驶汽车内部，并与智能驾驶汽车的智能驾驶系统连接。本实施例提供的评价系统既能利用智能车自身传感器获取智能驾驶过程中的车辆状态信息，又可以测量智能驾驶过程中乘员体征信息，从而对智能车辆中的乘员状态进行检测分析，为提高智能车乘员舒适性提供理论依据。具体的，其包括乘员体征检测系统、乘员舒适性评价反馈系统、车辆状态采集系统以及计算机。其中，乘员体征检测系统用于测量智能驾驶汽车行驶过程中乘员的体征信息，包括乘员的肌电、脑电和心电信息；乘员舒适性评价反馈系统用于收集智能驾驶汽车行驶过程中乘员的主观舒适性评价得分；车辆状态采集系统用于收集测量智能驾驶过程中智能驾驶汽车的动力学信息，包括智能驾驶汽车的三轴速度以及加速度等；计算机用于根据接收到的乘员体征信息、主观舒适性评价得分以及车辆动力学信息，对乘员舒适性进行预测，并反馈于智能驾驶车辆的智能驾驶系统，为智能驾驶车辆的自动驾驶提供参考。
上述实施例中，如图1所示，计算机7中设置有通讯模块、数据接收与记录模块、数据处理分析模块以及交互与显示模块。其中，通讯模块用于实现计算机与乘员体征检测系统、乘员舒适性评价反馈系统、车辆状态采集系统以及智能驾驶汽车的智能驾驶系统之间的通信；数据接收与记录模块用于实时、同步采集并存储乘员体征信息、乘员主观舒适性评价信息以及智能驾驶汽车的动力学信息；数据处理分析模块用于对获取的乘员体征信息、乘员主观舒适性评价信息以及车辆动力学信息进行处理，结合预设的评价模型，识别当前时刻的乘员舒适性状态并预测未来预设时刻内的乘员状态，同时结合乘员的主观舒适性评价信息，对评价模型的识别正确率进行分析；交互与显示模块用于实现本评价系统与操作员的交互，包括两部分：一是实时显示所有采集信息以及数据处理与分析过程中的关键变量和结果；二是提供系统控制按钮以及参数调整接口，操作员可根据实时显示结果控制评价系统的运行或调整评价模型参数。
上述各实施例中，如图1所示，数据处理分析模块包括预处理模块、特征提取模块、模型适用模块、车辆状态预测模块、正确率分析及模型修正模块。其中，预处理模块采用重采样与综合滤波对采集的乘员体征信息与车辆动力学信息进行预处理，以提高信噪比，降低干扰；特征提取模块用于从预处理后的乘员体征信息以及车辆动力学信息中提取生理指标和车辆动力学指标；模型适用模块用于将提取到的生理指标、车辆动力学指标以及乘员主观舒适性评价结果输入预设的三种评价模型，并最终得到乘员舒适性综合评价指标；车辆状态预测模块包含车辆动力学模型，用于预测未来时刻的车辆状态，以进一步地对未来的乘员舒适性进行预测；正确率分析及模型修正模块用于将上述三种评价模型的结果与乘员主观舒适性评价结果相对比，分析预设时间窗以及全局范围内的乘员舒适性识别正确率，并通过模型参数修改接口，实现操作员自行修改模型参数或根据程序自动调整模型参数。
上述各实施例中，特征提取模块提取生理指标和车辆动力学指标时，对于乘员体征信息则依据不同生理信息特有的特征提取方法进行提取，如提取心电信号的R-R间期标准差、脑电信号的功率谱中的α频段能量与β频段能量比值等，作为生理指标；对于车辆动力学信息，则提取相应时间窗内的纵向加速度以及加速度均方值等，作为车辆动力学指标。
上述各实施例中，模型适用模块中预存有三种评价模型，分别为：
1.基于体征信息的乘员舒适性客观评价模型，其输入为当前时刻提取的乘员生理指标，输出为当前时刻乘员舒适性客观评价指标；
2.基于车辆动力学的乘员舒适性预测模型，其包含两部分，第一部分输入为车辆动力学指标以及控制信息，输出为下一时刻的车辆动力学指标；第二部分输入为下一时刻的车辆动力学指标与上一时刻计算得到的乘员舒适性综合评价指标，输出为下一时刻的乘员舒适性预测结果；
3.乘员舒适性综合评价模型，其输入为当前时刻乘员舒适性客观评价指标、下一时刻的乘员舒适性预测结果、当前时刻乘员主观舒适性评价结果，输出为下一时刻乘员舒适性综合评价指标。
上述各实施例中，乘员体征检测系统包括人体肌电信号检测系统、人体心电信号检测系统和人体脑电信号检测系统；人体肌电信号检测系统用于测量被测乘员乘坐智能驾驶汽车时产生的人体肌电信号；人体心电信号检测系统用于测量被测乘员乘坐智能驾驶汽车时产生的人体心电信号；人体脑电信号检测系统用于测量被测乘员乘坐智能驾驶汽车时产生的人体脑电信号；最后通过计算机端口发送给计算机7。
上述各实施例中，如图2所示，人体肌电信号检测系统包括肌电采集电极9和肌电仪6；其中，肌电采集电极安放在人体的相应肌群位置,包括胸锁乳突肌(SCM)，斜方肌(TRAP)，腹直肌(RA)和背阔肌(LD)，以测量人体肌电信号，并通过无线传输设备与肌电仪相连；肌电仪6通过其微机接口与设置在智能车辆中的计算机设备相连，从而将采集到的肌电信号传给计算机设备。
上述各实施例中，人体心电信号检测系统包括心电采集电极10和心电仪5。心电采集电极安放在人体胸口的相应位置(安放位置为本领域技术人员公知技术，本发明在此不再赘述)以测量人体心电信号，并通过无线传输设备与心电仪相连；心电仪通过其微机接口与计算机设备相连，从而将采集到的心电信号传给计算机设备。
上述各实施例中，人体脑电信号检测系统包括脑电采集电极3和脑电仪4；脑电采集电极安放在人体头部的相应位置(安放位置为本领域技术人员公知技术，本发明在此不再赘述)以测量人体脑电信号，并通过无线传输设备与脑电仪相连，脑电仪通过其微机接口与计算机设备相连，从而将采集到的脑电信号传给计算机设备。
上述各实施例中，乘员舒适性评价反馈系统采用安装有打分App的智能设备(如智能手机)，该智能设备通过WiFi与计算机7相连，在智能驾驶汽车行驶过程中，乘员手持智能设备，按照预设周期将每一次打分情况发送给计算机7。其中，乘员进行打分时也可以根据实时的强烈刺激进行实时打分。
上述各实施例中，车辆状态采集系统包括六轴加速度传感器以及车辆状态同步模块，六轴加速度传感器设置在智能驾驶汽车的质心附近，用于对智能驾驶汽车的横纵向加速度数据进行采集；车辆状态同步模块与车辆OBD接口相连，用于获取智能驾驶汽车CAN总线上的车辆行驶状态数据，比如车速、方向盘转角、气节门开度、制动主缸压力等车辆动力学信息和控制信息。
实施例二
如图3～图6所示，本发明提供了一种智能驾驶汽车乘员舒适性评价方法，形成了主观-生理-车辆一体化的乘员舒适性评价，主要包括以下四部分，1、乘员主观评价；2、基于乘员体征信息的客观评价；3、基于车辆动力学的乘员舒适性预测；4、动态权重函数。具体的，包括以下步骤：
1)获取实验数据，包括各被测乘员在静止状态下的体征信息、智能驾驶汽车行驶状态下的体征信息以及被测乘员的主观舒适性评价指标；
2)对获取的体征信息进行预处理后提取相应的生理指标，并基于该生理指标和预先建立的基于体征信息的舒适性客观评价模型，得到基于体征信号的舒适性客观评价指标；
3)对获取的智能驾驶汽车的动力学信息进行预处理后提取相应的动力学指标，并基于该动力学指标和预先建立的基于车辆动力学的乘员舒适性预测模型，得到基于车辆动力学信息的乘员舒适性预测评价指标，以表征乘员各项生理指标对车辆动力学指标的响应特征及敏感程度；
4)根据得到的乘员的主观舒适性评价指标、基于体征信号的舒适性客观评价指标、基于车辆动力学信息的乘员舒适性预测评价指标以及动态权重函数，构建乘员舒适性综合评价模型，基于所述乘员舒适性综合评价模型预测得到的乘员舒适性综合评价指标以及车辆三自由度模型，建立基于乘员舒适性的车辆动力学控制域，包含舒适域、过渡域以及不舒适域，作为智能驾驶汽车动力学控制的相应指标，以保证乘坐舒适性。
上述步骤1)中，获取实验数据的方法，包括以下步骤：
1.1)选取若干乘员，并在每一被测乘员身体的相应位置处安放体征信号采集电极，开启测试体征信号采集设备，确定各体征信号采集设备工作正常，并记录下各被测乘员处于静止状态下的体征信息。其中，体征信号采集设备包括肌电仪、心电仪和脑电仪，且肌电仪、心电仪和脑电仪分别与安放在被测乘员身上的肌电采集电极、心电采集电极和脑电采集电极相连。采集的体征信号数据包括肌电信号、心电信号和脑电信号数据。
1.2)各被测乘员用力晃动头部，耸动肩膀，使得颈部、肩部、背部肌肉进行最大自主收缩运动，确保各体征信号采集电极不发生脱落，同时记录肌电信号最大自主收缩状态下的峰值。
1.3)被测乘员在智能车辆座位上落座，智能车辆在预设场景下行驶，各体征信号采集电极采集被测乘员的体征信息，在实验进行同时，各被测乘员根据舒适性评价表进行舒适性评价打分。
1.4)在车辆质心附近安装六轴加速度传感器对智能驾驶汽车的，以及通过车辆OBD口获取车辆速度、方向盘转角、节气门开度、制动主缸压力等车辆动力学信息和控制信息。
上述步骤1.1)中，对肌电信号进行采集时，本申请中将肌电采集电极分别放置在被测乘员的胸锁乳突肌(SCM)，斜方肌(TRAP)，腹直肌(RA)和背阔肌(LD)。对心电信号和脑电信号采集时，心电采集电极和脑电采集电极的安放位置与常规进行心电信号采集和脑电信号采集时的安放位置相同，本发明不再赘述。
上述步骤1.3)中，被测乘员根据舒适性评价表打分的过程为：在智能车辆行驶过程中，每隔15s或者在被测乘员接受某个刺激后(转向，加速，制动)，通过安装有打分软件的智能设备(智能手机)对刺激所造成的自身舒适性改变进行打分，分值范围为1、2、3、4、5、6、7、8、9、10，分别表示无法接受、剧烈、非常差、差、分界线、勉强接受、一般、好、很好、极好，15s内的乘员体征数据和舒适性评分构成一个样本，当采集到足够数量的样本之后，实验结束。本发明中的舒适性评价表如下表1所示。
表1 舒适性评价表
其中，舒适性主观评分也可以根据实际需要引入不同的间隔，例如引入0.25分间隔，乘员根据实际情况对分值进行细微的调整，以获得更多更精确的舒适性评分。
上述步骤2)中，建立基于体征信息的舒适性客观评价模型的方法，包括以下步骤：
2.1)对获取的体征信息进行预处理后提取相应的生理指标作为乘员舒适性评价的客观指标；
2.2)对提取的乘员舒适性评价客观指标以及舒适性评分数据进行多元回归分析，得到舒适性评价客观指标与舒适性评分数据之间的映射关系，即基于体征信息的舒适性客观评价模型。
上述步骤2.1)中，如图6所示，对体征信息进行预处理时包括重采样与降噪滤波，提取的乘员舒适性评价的客观指标包括肌电评价指标、心电评价指标和脑电评价指标，且肌电评价指标包括平均肌肉激活程度和肌电信号波动程度指标，心电评价指标包括R-R间期标准差和R-R差值标准差指标，脑电评价指标包括α波能量比和δ波与α波能量比指标。各指标定义如下：
2.1.1)肌电评价指标
①平均肌肉激活程度指标MAmean
肌肉激活程度反映了乘员乘坐智能车辆时，在抵抗来自车身各个方向振动时，各肌肉的发力程度。肌肉激活程度MA的计算公式为：
式中，RMSTest为当前所测肌电信号的RMS值；RMSMVC为肌肉最大自主收缩时肌电信号的RMS值；MA为肌肉激活程度。
其中，RMS值的计算公式为：
式中，EMG(t)为肌电信号电集所测的电压值；T为时间窗的长度，取0.05s。
将每次评价周期中，各检测部位的肌肉激活程度求出，相加得到平均肌肉激活程度MAmean：
其中，N表示选取的肌肉部位个数；MAi为第i个检测部位的肌肉激活程度。
②肌电信号的波动范围F：
肌电信号的波动范围F是指：在一个评价周期中，各部位肌肉均方根值最大值与平均值的比值。
首先，对评价周期内各部位的肌肉信号进行归一化处理,公式如下:
式中，RMSmax为该肌肉部位在一个评价周期中RMS的最大值；RMSmean为该肌肉部位在一个评价周期中RMS的均值。
其次，根据所求出的被测乘员各肌肉信号的均方根值，将不同被测乘员同一位置肌肉信号的均方根值求平均值，计算得到的各平均数值可记为胸锁乳突肌RMS1，斜方肌RMS2，腹直肌RMS3和背阔肌RMS4，则各肌肉所占肌电信息权重可记为：
最后，根据总体肌电信号波动范围为：
其中，Ei表示各肌肉肌电信号的均方根值。
2.1.2)心电评价指标
①R-R间期标准差
R-R间期标准差用于描述被测乘员在乘坐智能车辆过程中，遇到不舒适事件刺激时，心跳速率变化的程度。R-R间期标准差的计算公式如下：
式中，SDNN为R-R间期标准差；N为心搏总数；RRi为第i个R-R间期；RRmean为N个R-R间期的平均值。
②相邻R-R差值标准差RMSSD
相邻R-R差值标准差RMSSD表示相邻R-R间期差值的均方根，反应相邻R-R间期的变动，代表HRV信号的快速变动程度，其计算公式为：
式中，N为心搏总数；RRi、RRi-1分别为相邻的R-R间期，i为整数且i>＝1。
2.1.3)脑电评价指标
①α波能量比
α波能量比表示α波(7～13Hz)占总频带能量比，其计算公式为：
其中,Rα为α波能量比；Eσ为σ波(1～4Hz)能量；Eθ为θ波(4～7Hz)能量；Eα为α波能量；Eβ为β波(13～25Hz)能量。
②δ波与α波能量比
δ波与α波能量比表示δ波能量与α波能量的比值，其计算公式为：
其中，Kδ-α为δ波与α波能量比；Eσ为σ波(1～4Hz)能量；Eα为α波能量。
进一步地，上述步骤3)中，提取的智能驾驶汽车的动力学指标包括平均车速、三轴加速度均方根值、横摆角速度均方根值以及横摆角加速度均方根值。
进一步地，上述步骤4)中，如图5所示，设计一条动态权重函数，依据步骤1)得到的乘员主观舒适性评价指标、步骤2)得到的基于体征信号的舒适性客观评价指标、以及步骤3)得到的基于车辆动力学信息的乘员舒适性预测评价指标的实时变化计算得出对应的权重系数，加权计算得出乘员舒适性的综合评价指标，此指标将反馈于智能驾驶系统，作为参考对动力学控制进行调控，提高车辆的乘坐舒适性。
其中，动态权重函数的基本描述如下：
[a1(n)，a2(n)，a3(n)]＝f(x1(n)，x2(n)，x3(n)，x1(n-1)，x2(n-1)，x3(n-1)，...，x1(n-m)，x2(n-m)，x3(n-m)) (11)
式中，a1，a2，a3分别为乘员主观评价指标权重系数、基于乘员体征信息的客观评价指标权重系数以及基于车辆动力学的乘员舒适性预测指标权重系数，x1(n)，x2(n)，x3(n)为上述三种评价指标的当前时刻的计算值，x1(n-m)，x2(n-m)，x3(n-m)为上述三种评价指标的前m时刻的计算值；f()为动态权重函数。
最终得到的乘员舒适性综合评价模型及其指标K的基本描述如下：
K＝a1(n)·x1(n)+a2(n)·x2(n)+a3(n)·x3(n) (12)
式中，x1(n)为乘员主观评分，时序数组；x2(n)为基于乘员体征信息的客观评价得分，时序数组；x3(n)为基于车辆动力学信息的乘员舒适性预测得分，时序数组；根据当前时刻三种舒适性得分，以及前一时刻舒适性得分，确定3种评分的权重占比。随时间变化，权重也发生变化。
如图6所示，根据智能驾驶汽车的自身车辆特性构建车辆三自由度模型，建立状态空间，根据智能车辆当前时刻的状态量以及控制量，对未来时刻的车辆动力学特征进行预测，并依据此控制域以及当前时刻的乘员舒适性综合评价指标对未来时刻的乘员舒适性进行预测，形成基于车辆动力学的乘员舒适性预测模型，输出结果纳入乘员舒适性评价系统中。其中，车辆三自由度模型包含车辆纵向平动、侧向平动以及横摆运动，不包含垂向运动、侧倾运动以及俯仰运动；状态量包括纵向速度、侧向速度以及横摆角速度；控制量包括方向盘转角、油门开度、制动强度等。基于乘坐舒适性的控制域的含义是将会导致成员舒适或不舒适的智能车辆动力学特征的范围。车辆三自由度模型的构建为本领域技术人员公知技术，本发明在此不再赘述。
上述实施例只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人士能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所作的等效变化或修饰，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种智能驾驶汽车乘员舒适性评价方法，其特征在于，包括以下步骤：
1)获取实验数据，包括各被测乘员在静止状态下的体征信息、智能驾驶汽车行驶状态下的体征信息以及被测乘员的主观舒适性评价指标以及车辆动力学信息；
2)对获取的体征信息进行预处理后提取相应的生理指标，并基于该生理指标和预先建立的基于体征信息的舒适性客观评价模型，得到基于体征信号的舒适性客观评价指标；
3)对获取的智能驾驶汽车的动力学信息进行预处理后提取相应的动力学指标，并基于该动力学指标和预先建立的基于车辆动力学的乘员舒适性预测模型，得到基于车辆动力学信息的乘员舒适性预测评价指标；
4)根据得到的乘员的主观舒适性评价指标、基于体征信号的舒适性客观评价指标、基于车辆动力学信息的乘员舒适性预测评价指标以及动态权重函数，构建乘员舒适性综合评价模型，基于所述乘员舒适性综合评价模型预测得到的乘员舒适性综合评价指标以及车辆三自由度模型，建立基于乘员舒适性的车辆动力学控制域，作为智能驾驶汽车动力学控制的相应指标，以保证乘坐舒适性；
所述基于体征信息的乘员舒适性客观评价模型，其输入为当前时刻提取的乘员生理指标，输出为当前时刻乘员舒适性客观评价指标；基于车辆动力学的乘员舒适性预测模型，其包含两部分，第一部分输入为车辆动力学指标以及控制信息，输出为下一时刻的车辆动力学指标；第二部分输入为下一时刻的车辆动力学指标与上一时刻计算得到的乘员舒适性综合评价指标，输出为下一时刻的乘员舒适性预测结果；乘员舒适性综合评价模型，其输入为当前时刻乘员舒适性客观评价指标、下一时刻的乘员舒适性预测结果、当前时刻乘员主观舒适性评价结果，输出为下一时刻乘员舒适性综合评价指标。
2.如权利要求1所述的一种智能驾驶汽车乘员舒适性评价方法，其特征在于：所述步骤1)中，获取实验数据的方法，包括以下步骤：
1.1)选取若干乘员，并在每一被测乘员的相应位置处安放体征信号采集电极，开启测试体征信号采集设备，确定各采集设备工作正常，并记录下各被测乘员处于静止状态下的体征信号数据；其中，体征信号采集设备包括肌电仪、心电仪和脑电仪，且肌电仪、心电仪和脑电仪分别与安放在被测乘员身上的肌电采集电极、心电采集电极和脑电采集电极相连；体征信号数据包括肌电信号、心电信号和脑电信号数据；
1.2)被测乘员用力晃动头部，耸动肩膀，使得颈部、肩部、背部肌肉进行最大自主收缩运动，确保各体征信号采集电极不发生脱落，同时记录肌电信号最大自主收缩状态下的峰值；
1.3)被测乘员在智能车辆座位上落座，智能车辆在规定场景下行驶，各体征信号采集电极采集被测乘员的体征信号，在实验进行同时，各被测乘员根据舒适性评价表进行实时打分。
3.如权利要求1所述的一种智能驾驶汽车乘员舒适性评价方法，其特征在于：所述步骤1.1)中，对肌电信号进行采集时，将肌电采集电极分别放置在被测乘员的胸锁乳突肌，斜方肌，腹直肌，腹外斜肌和背阔肌。
4.如权利要求1所述的一种智能驾驶汽车乘员舒适性评价方法，其特征在于：所述步骤2)中，建立基于体征信息的舒适性客观评价模型的方法，包括以下步骤：
2.1)对获取的体征信息进行预处理后提取相应的生理指标作为乘员舒适性评价的客观指标；
2.2)对提取的乘员舒适性评价客观指标以及舒适性评分数据进行多元回归分析，得到舒适性评价客观指标与舒适性评分数据之间的映射关系，即基于体征信息的舒适性客观评价模型。
5.如权利要求1所述的一种智能驾驶汽车乘员舒适性评价方法，其特征在于：所述步骤2.1)中，提取的舒适性评价指标包括肌电评价指标、心电评价指标和脑电评价指标；所述肌电评价指标包括平均肌肉激活程度指标和肌电信号波动程度指标，所述心电评价指标包括R-R间期标准差和R-R差值标准差指标，所述脑电评价指标包括α波能量比和δ波与α波能量比指标。
6.如权利要求5所述的一种智能驾驶汽车乘员舒适性评价方法，其特征在于：所述平均肌肉激活程度指标MAmean和所述肌电信号的波动范围F的计算公式分别为：
其中，N表示选取的肌肉部位个数，MAi表示第i个检测部位的肌肉激活程度；Ei表示第i个检测部位的肌肉肌电信号的均方根值，Ri表示第i个检测部位的肌肉所占肌电信息权重。
7.如权利要求5所述的一种智能驾驶汽车乘员舒适性评价方法，其特征在于：所述R-R间期标准差和所述R-R差值标准差指标的计算公式分别为：
式中，SDNN为R-R间期标准差；N为心搏总数；RRi为第i个R-R间期；RRmean为N个R-R间期的平均值；RRi、RRi-1分别为相邻的R-R间期，i为整数且i＞＝1。
8.如权利要求5所述的一种智能驾驶汽车乘员舒适性评价方法，其特征在于：所述α波能量比和所述δ波与α波能量比的计算公式分别为：
其中，Rα为α波能量比；Eσ为σ波能量；Eθ为θ波能量；Eα为α波能量；Eβ为β波能量；Kδ-α为δ波与α波能量比；Eσ为σ波能量；Eα为α波能量。
9.如权利要求1所述的一种智能驾驶汽车乘员舒适性评价方法，其特征在于：所述步骤4)中，动态权重函数的基本描述如下：
[a1(n)，a2(n)，a3(n)]
＝f(x1(n)，x2(n)，x3(n)，x1(n-1)，x2(n-1)，x3(n-1)，...，x1(n-m)，x2(n-m)，x3(n-m))
式中，a1，a2，a3分别为乘员主观评价指标权重系数、基于乘员体征信息的客观评价指标权重系数以及基于车辆动力学的乘员舒适性预测指标权重系数，x1(n)，x2(n)，x3(n)为上述三种评价指标的当前时刻的计算值，x1(n-m)，x2(n-m)，x3(n-m)为上述三种评价指标的前m时刻的计算值；f()为动态权重函数。
10.如权利要求1所述的一种智能驾驶汽车乘员舒适性评价方法，其特征在于：所述步骤4)中，所述乘员舒适性综合评价模型的基本描述如下：
K＝a1(n)·x1(n)+a2(n)·x2(n)+a3(n)·x3(n)
式中，K为乘员舒适性综合评价指标值；a1，a2，a3分别为乘员主观评价指标权重系数、基于乘员体征信息的客观评价指标权重系数以及基于车辆动力学的乘员舒适性预测指标权重系数；x1(n)为乘员主观评分，时序数组；x2(n)为基于乘员体征信息的客观评价得分，时序数组；x3(n)为基于车辆动力学的乘员舒适性预测得分，时序数组。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011237853.9A CN112353392B (zh) | 2020-11-09 | 2020-11-09 | 一种智能驾驶汽车乘员舒适性评价方法 |
| PCT/CN2021/129177 WO2022095985A1 (zh) | 2020-11-09 | 2021-11-08 | 一种智能驾驶汽车乘员舒适性评价方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011237853.9A CN112353392B (zh) | 2020-11-09 | 2020-11-09 | 一种智能驾驶汽车乘员舒适性评价方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112353392A CN112353392A (zh) | 2021-02-12 |
| CN112353392B true CN112353392B (zh) | 2022-03-15 |
Family
ID=74508810
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011237853.9A Active CN112353392B (zh) | 2020-11-09 | 2020-11-09 | 一种智能驾驶汽车乘员舒适性评价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112353392B (zh) |
Families Citing this family (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022095985A1 (zh) * | 2020-11-09 | 2022-05-12 | 清华大学 | 一种智能驾驶汽车乘员舒适性评价方法和系统 |
| CN113370984A (zh) * | 2021-06-30 | 2021-09-10 | 中国科学技术大学先进技术研究院 | 基于多指标的自动驾驶车辆舒适度综合评价方法及系统 |
| CN113647956A (zh) * | 2021-07-20 | 2021-11-16 | 中汽认证中心有限公司 | 一种基于自动驾驶机器人的自动驾驶汽车舒适度测试评价方法和系统 |
| CN114084154B (zh) * | 2021-09-30 | 2024-03-15 | 广州文远知行科技有限公司 | 一种自动驾驶系统参数的配置方法、装置及系统 |
| CN114291073B (zh) * | 2021-12-23 | 2024-06-04 | 格物汽车科技(苏州)有限公司 | 一种基于车辆减速度的纵向舒适性评价方法 |
| CN114371708B (zh) * | 2021-12-31 | 2023-05-02 | 清华大学 | 自动驾驶算法保护性能评测方法和装置 |
| CN114526907B (zh) * | 2022-03-02 | 2023-07-14 | 中国北方车辆研究所 | 一种基于典型工况的液力机械传动装置控制品质评价系统 |
| CN114663969A (zh) * | 2022-03-30 | 2022-06-24 | 福州大学 | 一种隧道照明环境下驾驶员的舒适度测量方法及系统 |
| CN115407872B (zh) * | 2022-08-12 | 2023-10-13 | 北京津发科技股份有限公司 | 一种智能人机协同系统测评方法、装置及存储介质 |
| CN116350190B (zh) * | 2023-05-29 | 2023-08-18 | 中国第一汽车股份有限公司 | 一种驾驶能力确定方法、电子设备及存储介质 |
| CN116929781A (zh) * | 2023-06-12 | 2023-10-24 | 广州汽车集团股份有限公司 | 车辆评价方法、云端平台、车辆及存储介质 |
| CN116965830B (zh) * | 2023-08-11 | 2024-09-03 | 中南大学 | 基于多模态生理数据的乘员舒适性评价系统及方法 |
| CN116976563A (zh) * | 2023-08-15 | 2023-10-31 | 车控(北京)科技有限公司 | 智能汽车评价方法、系统及包括该系统的车辆 |
| CN118243406B (zh) * | 2024-05-28 | 2024-08-09 | 成都曼格雷特汽车技术服务有限公司 | 一种汽车路测驾驶评估系统及方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010058877A1 (en) * | 2008-11-18 | 2010-05-27 | Korea Railroad Research Institute | Measuring system and the method of train ride comfort using bioelectrical signals |
| WO2015057145A1 (en) * | 2013-10-16 | 2015-04-23 | Scania Cv Ab | Method and system for controlling the acceleration process of a bus |
| CN105628405A (zh) * | 2015-12-19 | 2016-06-01 | 中车青岛四方机车车辆股份有限公司 | 高速列车综合舒适度试验方法及装置 |
| CN109311478A (zh) * | 2016-12-30 | 2019-02-05 | 同济大学 | 一种基于舒适度的自动驾驶车速控制方法 |
| CN110843765A (zh) * | 2019-11-29 | 2020-02-28 | 上海汽车集团股份有限公司 | 一种自动驾驶方法、装置及电子设备 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106068097B (zh) * | 2014-02-20 | 2020-09-29 | 佛吉亚汽车座椅有限责任公司 | 整合有传感器的车辆座椅 |
| US9688271B2 (en) * | 2015-03-11 | 2017-06-27 | Elwha Llc | Occupant based vehicle control |
-
2020
- 2020-11-09 CN CN202011237853.9A patent/CN112353392B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010058877A1 (en) * | 2008-11-18 | 2010-05-27 | Korea Railroad Research Institute | Measuring system and the method of train ride comfort using bioelectrical signals |
| WO2015057145A1 (en) * | 2013-10-16 | 2015-04-23 | Scania Cv Ab | Method and system for controlling the acceleration process of a bus |
| CN105628405A (zh) * | 2015-12-19 | 2016-06-01 | 中车青岛四方机车车辆股份有限公司 | 高速列车综合舒适度试验方法及装置 |
| CN109311478A (zh) * | 2016-12-30 | 2019-02-05 | 同济大学 | 一种基于舒适度的自动驾驶车速控制方法 |
| CN110843765A (zh) * | 2019-11-29 | 2020-02-28 | 上海汽车集团股份有限公司 | 一种自动驾驶方法、装置及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112353392A (zh) | 2021-02-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112353392B (zh) | 一种智能驾驶汽车乘员舒适性评价方法 | |
| CN112353393B (zh) | 一种智能驾驶汽车乘员状态检测系统 | |
| WO2022095985A1 (zh) | 一种智能驾驶汽车乘员舒适性评价方法和系统 | |
| CN102138789B (zh) | 一种动态心电和运动记录与分析系统 | |
| CN108765876A (zh) | 基于多模信号的驾驶疲劳深度分析预警系统及方法 | |
| Jin et al. | HeartToGo: a personalized medicine technology for cardiovascular disease prevention and detection | |
| CN106073712B (zh) | 基于心生理信号的驾驶警示方向盘套装置及信号检测方法 | |
| CN106691474A (zh) | 融合脑电信号与生理信号的疲劳检测系统 | |
| CN108095708A (zh) | 一种基于混合传感的生理监测及分析方法、系统 | |
| CN105877766A (zh) | 一种基于多生理信号融合的精神状态检测系统及方法 | |
| CN107536617A (zh) | 基于驾驶员的生物识别信号检测驾驶员状态的装置和方法 | |
| CN107137071A (zh) | 一种分析心冲击信号用来计算短期心率值的方法 | |
| CN110495893B (zh) | 一种运动意图连续脑肌电多层次动态融合识别系统及方法 | |
| CN112617835B (zh) | 一种基于迁移学习的多特征融合疲劳检测方法 | |
| CN103610447A (zh) | 一种基于前额脑电信号的脑力负荷在线检测方法 | |
| CN104490390A (zh) | 基于神经电生理信号联合分析的人体运动能力判别方法 | |
| CN110013249A (zh) | 一种便携式可调式的头戴癫痫监测仪 | |
| CN112057087B (zh) | 精神分裂症高风险人群自主神经功能数据处理方法及装置 | |
| CN113951903B (zh) | 基于脑电数据测定的高速铁路调度员超负荷状态识别方法 | |
| CN110367975A (zh) | 一种基于脑机接口的疲劳驾驶检测预警方法 | |
| CN106781283A (zh) | 一种基于软集合的疲劳驾驶检测方法 | |
| CN107822629A (zh) | 四肢表面肌电轴的检测方法 | |
| CN107292296A (zh) | 一种使用脑电信号的人类情感唤醒度分类识别方法 | |
| CN113288168A (zh) | 一种智能可穿戴疲劳监测及预警系统 | |
| CN114052744A (zh) | 基于脉冲神经网络的心电信号分类方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |