CN113487075A - 一种车辆事故乘员伤害预测方法、系统及电子设备 - Google Patents
一种车辆事故乘员伤害预测方法、系统及电子设备 Download PDFInfo
- Publication number
- CN113487075A CN113487075A CN202110723976.1A CN202110723976A CN113487075A CN 113487075 A CN113487075 A CN 113487075A CN 202110723976 A CN202110723976 A CN 202110723976A CN 113487075 A CN113487075 A CN 113487075A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- accident
- information
- passenger
- simulation
- 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.)
- Pending
Links
- 230000006378 damage Effects 0.000 title claims abstract description 114
- 208000027418 Wounds and injury Diseases 0.000 title claims abstract description 73
- 208000014674 injury Diseases 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000004088 simulation Methods 0.000 claims abstract description 82
- 230000001133 acceleration Effects 0.000 claims abstract description 49
- 238000012790 confirmation Methods 0.000 claims abstract description 33
- 230000004044 response Effects 0.000 claims abstract description 22
- 230000002159 abnormal effect Effects 0.000 claims description 13
- 230000009429 distress Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 7
- 238000004806 packaging method and process Methods 0.000 claims description 4
- 230000036544 posture Effects 0.000 description 38
- 238000004880 explosion Methods 0.000 description 5
- 206010039203 Road traffic accident Diseases 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012856 packing Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004382 visual function Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Geometry (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Alarm Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种车辆事故乘员伤害预测方法、系统及电子设备,涉及车辆乘员安全技术领域,该方法包括:采集乘员的生物特征信息、乘员姿态信息和车辆状态信息;以获取到碰撞信号或加速度出现异常为起始时刻,以车辆的速度和加速度同时归零为结束时刻,将该生物特征信息、以及乘员姿态信息和车辆状态信息打包,并发出事故确认提示;若乘员触发事故确认响应或无响应,则将打包后的数据连同车辆的车型及配置信息发送至主机厂或第三方;主机厂或第三方从预存的仿真基础模型数据库中选取仿真基础模型,并根据打包后的数据进行伤害仿真分析,生成损伤预测报告。本申请,可准确计算出相关人员在事故中的受伤部位及伤害程度,并提供损伤预测报告。
Description
技术领域
本申请涉及车辆乘员安全技术领域,具体涉及一种车辆事故乘员伤害预测方法、系统及电子设备。
背景技术
目前,在交通事故发生后,且在不了解伤员情况的条件下,医疗救援方通常只能做一些基础急救工作,待到达医院后,再进行一系列的检查。由于医疗救援方对伤员身体内部伤害情况不了解,在急救和搬运的工程中,伤员有可能受到二次伤害,也有可能因为关键部位或者重伤伤员的救治不及时,导致严重的后果,甚至伤员死亡。
相关技术中,医疗救援队可通过查看车内的视频采集模块所采集到的相关事故视频,以大致了解事故人员的受伤情况,进而对事故人员进行尽量准确及时的救治。
但是,医护人员查看相关事故视频所花费的时间较长,且通过查看事故视频来判断事故人员的受伤情况时,只能识别受伤部位,无法确定受伤程度,还会存在主观性,同时也无法齐备所有的救护工具和药品,因此,仍无法准确预估出相关人员在事故中的受伤部位及伤害程度。
发明内容
针对现有技术中存在的缺陷之一,本申请的目的在于提供一种车辆事故乘员伤害预测方法、系统及电子设备,以解决相关技术中无法准确预估出相关人员在事故中的受伤部位及伤害程度的问题。
本申请第一方面提供一种车辆事故乘员伤害预测方法,其包括步骤:
采集车内乘员的生物特征信息,并实时采集乘员姿态信息和车辆状态信息;
以获取到碰撞信号或加速度出现异常为起始时刻,以车辆的速度和加速度同时归零为结束时刻,将该生物特征信息、以及起始时刻至结束时刻的乘员姿态信息和车辆状态信息打包,并发出事故确认提示;
若乘员触发事故确认响应或无响应,则将打包后的数据连同车辆的车型及配置信息发送至主机厂或第三方;
上述主机厂或第三方根据车型及配置信息,从预存的仿真基础模型数据库中选取对应的仿真基础模型,并根据打包后的数据进行伤害仿真分析,生成损伤预测报告。
一些实施例中,上述根据打包后的数据进行伤害仿真分析,具体包括:
根据上述起始时刻的乘员姿态信息和车辆状态信息调整上述仿真基础模型,并进行伤害仿真;
根据起始时刻后至结束时刻的乘员姿态信息和车辆状态信息对伤害仿真过程进行修正,得到乘员的预测受伤部位及受损程度。
一些实施例中,根据上述起始时刻的乘员姿态信息和车辆状态信息调整上述仿真基础模型,具体包括:
根据上述乘员的生物特征信息以及起始时刻的乘员姿态信息,匹配仿真假人至仿真基础模型;
根据上述起始时刻的车辆状态信息调整上述仿真基础模型。
一些实施例中,上述乘员的生物特征信息包括乘员的面容、性别、体型以及重量;
上述车辆状态信息包括车辆内饰件状态信息、车身状态信息、车辆的速度和加速度;上述内饰件包括座椅、方向盘、气囊、安全带和仪表板。
一些实施例中,上述主机厂或第三方接收到打包后的数据和车型及配置信息后,还包括:
向道路交通报警平台发出报警求救信号,上述报警求救信号包括事故的发生时间和地点。
一些实施例中,若乘员触发无事故响应,则将打包后的数据删除,并确认无事故。
一些实施例中,上述加速度出现异常为:加速度大于预设值、或者加速度在预设时长内的平均值大于预设值。
本申请第二方面提供一种车辆事故乘员伤害预测系统,其包括:
采集模块,其用于采集车内乘员的生物特征信息、乘员姿态信息和车辆状态信息;
控制模块,其用于以获取到碰撞信号或加速度出现异常为起始时刻,以车辆的速度和加速度同时归零为结束时刻,将乘员的生物特征信息、以及起始时刻至结束时刻的乘员姿态信息和车辆状态信息打包;以及发出事故确认提示;
上述控制模块还用于当乘员触发事故确认响应或无响应时,将打包后的数据连同车辆的车型及配置信息发送至主机厂或第三方;
上述主机厂或第三方用于根据车型及配置信息,从预存的仿真基础模型数据库中选取对应的仿真基础模型,以及根据打包后的数据进行伤害仿真分析,生成损伤预测报告。
一些实施例中,上述采集模块包括:
乘员生物特征及姿态采集子模块,其用于采集车内乘员的生物特征信息、以及乘员姿态信息;
车辆状态采集子模块,其用于采集车辆状态信息。
本申请第三方面提供一种用于车辆事故乘员伤害预测的电子设备,该电子设备包括处理器和存储器,上述处理器执行上述存储器中的代码实现上述的方法。
本申请提供的技术方案带来的有益效果包括:
本申请的车辆事故乘员伤害预测方法、系统及电子设备,由于可采集车内乘员的生物特征信息,并实时采集乘员姿态信息和车辆状态信息,当获取到碰撞信号或加速度出现异常时,以获取到碰撞信号或加速度出现异常为起始时刻,以车辆的速度和加速度同时归零为结束时刻,将乘员的生物特征信息、以及起始时刻至结束时刻的乘员姿态信息和车辆状态信息打包,同时发出事故确认提示。若乘员触发事故确认响应或无响应,则表明车辆发生事故,此时将打包后的数据连同车辆的车型及配置信息发送至主机厂或第三方,由主机厂或第三方根据车型及配置信息,从预存的仿真基础模型数据库中选取对应的仿真基础模型,并根据打包后的数据进行伤害仿真分析,因此,可准确计算出相关人员在事故中的受伤部位及伤害程度,并对交通事故提供损伤预测报告,以帮助救护人员选择合理的救护方案,并对后续治疗提供参考,提高救护效率,减少事故后的伤亡率。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例的车辆事故乘员伤害预测方法的第一种流程图;
图2为本申请实施例的调整后的仿真基础模型;
图3为本申请实施例的车辆事故乘员伤害预测方法的第二种流程图;
图4为本申请实施例的车辆事故乘员伤害预测系统的原理框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本申请实施例提供一种车辆事故乘员伤害预测方法、系统及电子设备,其能解决相关技术中无法准确预估出相关人员在事故中的受伤部位及伤害程度的问题。
如图1所示,本申请实施例的车辆事故乘员伤害预测方法,具体包括以下步骤:
S1.采集车内乘员的生物特征信息,并实时采集乘员姿态信息和车辆状态信息。
S2.以获取到碰撞信号或加速度出现异常为起始时刻,以车辆的速度和加速度同时归零为结束时刻,将乘员的生物特征信息、以及起始时刻至结束时刻的乘员姿态信息和车辆状态信息打包,并发出事故确认提示,以便于进一步确认是否发生事故。
S3.若乘员触发事故确认响应或无响应,则将打包后的数据连同车辆的车型及配置信息发送至主机厂或第三方。
本实施例中,车型的配置信息包括该车型车辆的乘员约束系统。
S4.上述主机厂或第三方根据车型及配置信息,从预存的仿真基础模型数据库中选取对应的仿真基础模型,并根据打包后的数据进行伤害仿真分析,生成损伤预测报告。
本实施例的车辆事故乘员伤害预测方法,由于可采集车内乘员的生物特征信息,并实时采集乘员姿态信息和车辆状态信息,当获取到碰撞信号或加速度出现异常时,以获取到碰撞信号或加速度出现异常为起始时刻,以车辆的速度和加速度同时归零为结束时刻,将乘员的生物特征信息、以及起始时刻至结束时刻的乘员姿态信息和车辆状态信息打包,同时发出事故确认提示。若乘员触发事故确认响应或无响应,则表明车辆发生事故,此时将打包后的数据连同车辆的车型及配置信息发送至主机厂或第三方,由主机厂或第三方根据车型及配置信息,从预存的仿真基础模型数据库中选取对应的仿真基础模型,并根据打包后的数据进行伤害仿真分析,因此,可准确计算出相关人员在事故中的受伤部位及伤害程度,并对交通事故提供损伤预测报告,以帮助救护人员选择合理的救护方案,并对后续治疗提供参考,提高救护效率,尽可能减少事故后的伤亡率。
可选地,上述主机厂或第三方生成损伤预测报告后,还可将上述损伤预测报告发送回事故车辆系统和车主的手机内,并同时发送损伤预测报告下载链接给急救单位,以便于急救单位查看,选择合理的救护方案。
上述步骤S4中,根据打包后的数据进行伤害仿真分析,具体包括以下步骤:
首先,根据上述起始时刻的乘员姿态信息和车辆状态信息调整上述仿真基础模型,并进行伤害仿真;
然后,根据起始时刻后至结束时刻的乘员姿态信息和车辆状态信息对伤害仿真过程进行修正,得到乘员的预测受伤部位及受损程度。
进一步地,根据上述起始时刻的乘员姿态信息和车辆状态信息调整上述仿真基础模型,具体包括以下步骤:
首先,根据上述乘员的生物特征信息以及起始时刻的乘员姿态信息,匹配仿真假人至仿真基础模型。
然后,根据上述起始时刻的车辆状态信息,调整上述仿真基础模型。
本实施例中,上述乘员的生物特征信息包括乘员的面容、性别、体型以及重量。
可选地,乘员的生物特征信息还可包括预测的乘员的年龄。
上述车辆状态信息包括车辆内饰件状态信息、车身状态信息、车辆的速度和加速度;上述内饰件包括座椅、方向盘、气囊、安全带和仪表板。其中,上述安全带的状态信息还包括安全带点爆信息,上述气囊的状态信息还包括气囊点爆信息。可选地,上述内饰件还包括门护板。
具体地,在交通事故中,车身受到碰撞发生变形并产生加速度,乘员在加速度的作用下与车身发生相对运动,最终与车身及内饰件(如门护板、气囊、安全带、仪表板、座椅等)发送接触而受到伤害,因此车身及内饰件与乘员的实时状态对于后期仿真过程都是至关重要的。
在上述实施例的基础上,本实施例中,上述主机厂或第三方接收到打包后的数据和车型及配置信息后,还包括以下步骤:
向道路交通报警平台发出报警求救信号,上述报警求救信号包括事故的发生时间和地点。
当道路交通报警平台接收到报警求救信号之后,即可根据事故的发生时间和地点进行救援。
本实施例中,主机厂或第三方可建立已售各车型及其配置信息的仿真基础模型数据库,每个仿真基础模型包括对应型号的车身、内饰件、以及乘员约束系统。
如图2所示,当主机厂或第三方接收到打包后的事故数据后,可启动报警功能,并提供事故的发生时间地点等详细信息;同时根据事故车辆的车型及配置信息,在仿真基础模型数据库中选择该车型的仿真基础模型,包含对应型号的车身、内饰件、乘员约束系统。
随后,主机厂或第三方可对乘客的面容信息进行人脸识别,粗略判断车上乘员体型、性别和年龄信息,配合乘客重量、体型等信息匹配相应型号的仿真假人,并根据事故起始时刻的乘员姿态信息,调整仿真假人姿态至仿真基础模型;同时根据起始时刻的车辆状态信息(初始座椅和方向盘位置信息等)调整仿真基础模型。
以采集到的起始时刻的车辆速度、加速度、车身和各内饰件变形、以及气囊和安全带点爆信息为输入,进行乘员伤害仿真分析,计算乘员受伤部位及受损程度,并通过实际的乘员姿态信息和车辆状态信息对仿真过程进行修正,得到乘员的预测受伤部位及受损程度,即可按照现有汽车强制碰撞法规和行业标准对仿真假人各部位伤害进行评价,形成乘员损伤预测报告。
优选地,若乘员触发无事故响应,则将打包后的数据删除,并确认无事故。通过删除打包后的数据,可避免占用存储内存。
可选地,上述加速度出现异常为:加速度大于预设值、或者加速度在预设时长内的平均值大于预设值。
本实施例中,预设值为10g,即当加速度大于10g或加速度在预设时长内的平均值大于10g,则判断加速度出现异常,可能发生碰撞等事故。
在其他实施例中,还可通过车外摄像头预判定发生碰撞事故,进而发出事故确认提示。
如图3所示,本实施例的车辆事故乘员伤害预测方法,具体包括以下步骤:
A1.采集车内乘员的生物特征信息;
A2.采集乘员姿态信息和车辆状态信息;
A3.判断是否获取到碰撞信号或加速度出现异常,若是,转向A4,否则转向A2。
A4.以获取到碰撞信号或加速度出现异常时为起始时刻,采集乘员姿态信息和车辆状态信息;
A5.判断车辆的速度和加速度是否同时归零,若是,转向A6,否则,转向A4。
A6.以车辆的速度和加速度同时归零时为结束时刻,并将乘员的生物特征信息、以及起始时刻至结束时刻的乘员姿态信息和车辆状态信息打包,同时发出事故确认提示;
A7.判断乘员是否触发事故确认响应或无响应,若是,则转向A9,否则,转向A8。
A8.删除打包后的数据,并转向A2。
A9.将打包后的数据连同车型及配置信息发送至主机厂或第三方;
A10.主机厂或第三方根据车型及配置信息,从预存的仿真基础模型数据库中选取对应的仿真基础模型,并根据打包后的数据进行伤害仿真分析,生成损伤预测报告。
优选地,当上述主机厂或第三方生成损伤预测报告后,还可将损伤预测报告发送回事故车辆系统和车主手机内,并同时发送损伤预测报告下载链接给急救单位,以便于急救单位查看,以选择合理的救护方案,并对后续治疗提供参考,提高救护效率。
可选地,当上述主机厂或第三方生成损伤预测报告后,还可将上述损伤预测报告发送给车主的紧急联系人手机内。
如图4所示,本申请实施例的车辆事故乘员伤害预测系统,包括采集模块、控制模块、以及主机厂或第三方。
上述采集模块用于采集车内乘员的生物特征信息、乘员姿态信息和车辆状态信息,上述采集模块还用于将采集到的乘员的生物特征信息、乘员姿态信息和车辆状态信息发送至控制模块。
上述控制模块用于当获取到碰撞信号或加速度出现异常时,以获取到碰撞信号或加速度出现异常时为起始时刻,并以车辆的速度和加速度同时归零时为结束时刻,上述控制模块还用于将乘员的生物特征信息、以及起始时刻至结束时刻的乘员姿态信息和车辆状态信息打包,形成事故数据;上述控制模块还用于发出事故确认提示,以便于进一步确认是否发生事故。
上述控制模块还用于当乘员触发事故确认响应或无响应时,将打包后的数据连同车辆的车型及配置信息发送至主机厂或第三方。
上述主机厂或第三方获取到打包后的数据和车型及配置信息后,用于根据获取到的车型及配置信息,从预存的仿真基础模型数据库中选取对应的仿真基础模型,上述主机厂或第三方还用于根据打包后的数据进行伤害仿真分析,并生成损伤预测报告。
优选地,上述主机厂或第三方还用于将生成的损伤预测报告发送回事故车辆系统和车主手机内,事故车辆具备可视功能及下载接口,主机厂或第三方还可同时发送损伤预测报告下载链接给急救单位,以便于急救单位查看,以做参考。
本实施例中,上述主机厂或第三方包括事故再现仿真计算平台和损伤预测报告发送模块。
上述事故再现仿真计算平台用于获取到打包后的数据和车型及配置信息后,根据车型及配置信息,从预存的仿真基础模型数据库中选取对应的仿真基础模型,以及根据打包后的数据进行伤害仿真分析,并生成损伤预测报告;上述损伤预测报告发送模块用于将损伤预测报告发送回事故车辆系统和车主手机内,同时发送损伤预测报告下载链接给急救单位。
可选地,上述主机厂或第三方还可包括报警求救模块,该报警求救模块用于当获取到打包后的数据和车型及配置信息后,向道路交通报警平台发出报警求救信号,上述报警求救信号包括事故的发生时间和地点。
当道路交通报警平台接收到报警求救信号之后,可根据事故的发生时间和地点、以及事故车型进行救援,以避免救援不及时。
进一步地,上述采集模块包括乘员生物特征及姿态采集子模块、以及车辆状态采集子模块。
上述乘员生物特征及姿态采集子模块用于采集车内乘员的生物特征信息,包括乘员的面容、性别、体型以及重量,该乘员生物特征及姿态采集子模块还用于实时采集乘员姿态信息。
上述车辆状态采集子模块用于采集车辆状态信息,包括车辆内饰件状态信息、车身状态信息、车辆的速度和加速度。上述内饰件包括座椅、方向盘、气囊、安全带和仪表板等。其中,上述安全带状态信息还包括安全带点爆信息,气囊状态信息还包括气囊点爆信息。
可选地,上述乘员生物特征及姿态采集子模块包括摄像头、超声波、红外线、压力传感器等。
可选地,上述车辆状态采集子模块包括位移传感器、压力传感器和加速度传感器等,车辆状态采集子模块还可包括摄像装置。
本实施例中,上述控制模块包括事故预判断子模块、数据处理子模块、事故确认子模块、以及数据发送子模块。
上述事故预判断子模块用于当检测到加速度出现异常或获取到车辆碰撞传感器检测到的碰撞信号时,预判为发生碰撞事故,并以此时作为起始时刻,并当车辆的速度和加速度同时归零时,预判为碰撞事故结束,并以此时作为结束时刻。
上述数据处理子模块用于将乘员的生物特征信息、以及起始时刻至结束时刻的时间段内的乘员姿态信息和车辆状态信息打包,以得到打包后的数据。
上述事故确认子模块用于发出事故确认提示,以及当乘员触发事故确认响应或无响应时,确认事故发生。
其中,事故确认子模块发出事故确认提示,即通过语音及图像显示提示乘客已预判发生事故,将启动伤害预测。如乘客响应已发生事故或者无响应,则表明需启动伤害预测,并进行报警求救。
上述数据发送子模块用于当事故确认子模块确认事故发生后,将打包后的数据连同车辆的车型及配置信息一同发送至上述主机厂或第三方。
可选地,上述事故确认子模块还用于当乘员触发无事故响应时,确认无事故发生,并终止事故确认流程。上述数据处理子模块还用于当事故确认子模块确认无事故发生时,删除打包后的数据,以避免占用存储内存。
可选地,上述控制模块为ECU(Electronic Control Unit,电子控制单元)。
本实施例的车辆事故乘员伤害预测系统,适用于述各车辆事故乘员伤害预测方法,可完整收集整个事故过程中的车内数据,包括车辆的型号及配置信息、乘员的生物特征信息,内饰件运动状态信息以及车身运动状态信息等,当获取到碰撞信号或加速度出现异常时,以获取到碰撞信号或加速度出现异常为起始时刻,以车辆的速度和加速度同时归零为结束时刻,将乘员的生物特征信息、以及起始时刻至结束时刻的乘员姿态信息和车辆状态信息打包,同时发出事故确认提示。若乘员触发事故确认响应或无响应,则表明车辆发生事故,此时将打包后的数据连同车辆的车型及配置信息发送至主机厂或第三方,由主机厂或第三方根据车型及配置信息,从预存的仿真基础模型数据库中选取对应的仿真基础模型,并根据打包后的数据进行伤害仿真分析,进而可准确计算出相关人员在事故中的受伤部位及伤害程度,生成并出具损伤预测报告,以帮助救护人员选择合理的救护方案,并对后续治疗提供参考,提高救护效率,减少事故后的伤亡率。
本申请实施例的用于车辆事故乘员伤害预测的电子设备,包括处理器和存储器,上述处理器执行上述存储器中的代码实现上述车辆事故乘员伤害预测的方法。
具体地,上述处理器执行上述存储器中的代码实现如下车辆事故乘员伤害预测方法:
采集车内乘员的生物特征信息,并实时采集乘员姿态信息和车辆状态信息;
以获取到碰撞信号或加速度出现异常为起始时刻,以车辆的速度和加速度同时归零为结束时刻,将乘员的生物特征信息、以及起始时刻至结束时刻的乘员姿态信息和车辆状态信息打包,同时发出事故确认提示;
若乘员触发事故确认响应或无响应,则将打包后的数据连同车辆的车型及配置信息发送至主机厂或第三方;
上述主机厂或第三方根据车型及配置信息,从预存的仿真基础模型数据库中选取对应的仿真基础模型,并根据打包后的数据进行伤害仿真分析,生成损伤预测报告。
可选地,上述处理器执行上述存储器中的代码还可如下车辆事故乘员伤害预测方法:
选取对应上述车型及配置信息的仿真基础模型;
根据上述起始时刻的乘员姿态信息和车辆状态信息调整上述仿真基础模型,并进行伤害仿真;
根据起始时刻后至结束时刻的乘员姿态信息和车辆状态信息对伤害仿真过程进行修正,得到乘员的预测受伤部位及受损程度。
可选地,上述处理器执行上述存储器中的代码还可如下车辆事故乘员伤害预测方法:
根据上述乘员的生物特征信息以及起始时刻的乘员姿态信息,匹配仿真假人至仿真基础模型;
根据上述起始时刻的车辆状态信息调整上述仿真基础模型。
可选地,上述处理器执行上述存储器中的代码还可如下车辆事故乘员伤害预测方法:
当主机厂或第三方接收到打包后的数据和车型及配置信息后,向道路交通报警平台发出报警求救信号,上述报警求救信号包括事故的发生时间和地点。
可选地,上述处理器执行上述存储器中的代码还可如下车辆事故乘员伤害预测方法:
若乘员触发无事故响应,则将打包后的数据删除,并确认无事故。
优选地,上述处理器执行上述存储器中的代码还可实现前述车辆事故乘员伤害预测方法中的其他步骤。
本申请不局限于上述实施方式,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围之内。
Claims (10)
1.一种车辆事故乘员伤害预测方法,其特征在于,其包括步骤:
采集车内乘员的生物特征信息,并实时采集乘员姿态信息和车辆状态信息;
以获取到碰撞信号或加速度出现异常为起始时刻,以车辆的速度和加速度同时归零为结束时刻,将该生物特征信息、以及起始时刻至结束时刻的乘员姿态信息和车辆状态信息打包,并发出事故确认提示;
若乘员触发事故确认响应或无响应,则将打包后的数据连同车辆的车型及配置信息发送至主机厂或第三方;
所述主机厂或第三方根据车型及配置信息,从预存的仿真基础模型数据库中选取对应的仿真基础模型,并根据打包后的数据进行伤害仿真分析,生成损伤预测报告。
2.如权利要求1所述的车辆事故乘员伤害预测方法,其特征在于,所述根据打包后的数据进行伤害仿真分析,具体包括:
根据所述起始时刻的乘员姿态信息和车辆状态信息调整所述仿真基础模型,并进行伤害仿真;
根据起始时刻后至结束时刻的乘员姿态信息和车辆状态信息对伤害仿真过程进行修正,得到乘员的预测受伤部位及受损程度。
3.如权利要求2所述的车辆事故乘员伤害预测方法,其特征在于,根据所述起始时刻的乘员姿态信息和车辆状态信息调整所述仿真基础模型,具体包括:
根据所述乘员的生物特征信息以及起始时刻的乘员姿态信息,匹配仿真假人至仿真基础模型;
根据所述起始时刻的车辆状态信息调整所述仿真基础模型。
4.如权利要求1所述的车辆事故乘员伤害预测方法,其特征在于:所述乘员的生物特征信息包括乘员的面容、性别、体型以及重量;
所述车辆状态信息包括车辆内饰件状态信息、车身状态信息、车辆的速度和加速度;所述内饰件包括座椅、方向盘、气囊、安全带和仪表板。
5.如权利要求1所述的车辆事故乘员伤害预测方法,其特征在于,所述主机厂或第三方接收到打包后的数据和车型及配置信息后,还包括:
向道路交通报警平台发出报警求救信号,所述报警求救信号包括事故的发生时间和地点。
6.如权利要求1所述的车辆事故乘员伤害预测方法,其特征在于:若乘员触发无事故响应,则将打包后的数据删除,并确认无事故。
7.如权利要求1所述的车辆事故乘员伤害预测方法,其特征在于,所述加速度出现异常为:加速度大于预设值、或者加速度在预设时长内的平均值大于预设值。
8.一种车辆事故乘员伤害预测系统,其特征在于,其包括:
采集模块,其用于采集车内乘员的生物特征信息、乘员姿态信息和车辆状态信息;
控制模块,其用于以获取到碰撞信号或加速度出现异常为起始时刻,以车辆的速度和加速度同时归零为结束时刻,将乘员的生物特征信息、以及起始时刻至结束时刻的乘员姿态信息和车辆状态信息打包;以及发出事故确认提示;
所述控制模块还用于当乘员触发事故确认响应或无响应时,将打包后的数据连同车辆的车型及配置信息发送至主机厂或第三方;
所述主机厂或第三方用于根据车型及配置信息,从预存的仿真基础模型数据库中选取对应的仿真基础模型,以及根据打包后的数据进行伤害仿真分析,生成损伤预测报告。
9.如权利要求8所述的车辆事故乘员伤害预测系统,其特征在于,所述采集模块包括:
乘员生物特征及姿态采集子模块,其用于采集车内乘员的生物特征信息、以及乘员姿态信息;
车辆状态采集子模块,其用于采集车辆状态信息。
10.一种用于车辆事故乘员伤害预测的电子设备,其特征在于,包括处理器和存储器,所述处理器执行所述存储器中的代码实现如权利要求1至7任一项权利要求所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110723976.1A CN113487075A (zh) | 2021-06-29 | 2021-06-29 | 一种车辆事故乘员伤害预测方法、系统及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110723976.1A CN113487075A (zh) | 2021-06-29 | 2021-06-29 | 一种车辆事故乘员伤害预测方法、系统及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113487075A true CN113487075A (zh) | 2021-10-08 |
Family
ID=77937743
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110723976.1A Pending CN113487075A (zh) | 2021-06-29 | 2021-06-29 | 一种车辆事故乘员伤害预测方法、系统及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113487075A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114386691A (zh) * | 2022-01-10 | 2022-04-22 | 清华大学 | 基于应激姿态预测的乘员损伤预测方法和装置 |
CN114418200A (zh) * | 2021-12-31 | 2022-04-29 | 清华大学 | 车型特异性乘员损伤预测模型训练方法及装置 |
CN114566031A (zh) * | 2022-02-24 | 2022-05-31 | 中国人民解放军陆军特色医学中心 | 交通事故车辆伤员伤情评估和报警系统 |
CN114595834A (zh) * | 2022-03-15 | 2022-06-07 | 北京宾理信息科技有限公司 | 机器学习模型的训练方法、针对车辆乘员的损伤预测方法 |
CN117912229A (zh) * | 2023-11-29 | 2024-04-19 | 招商智广科技(安徽)有限公司 | 一种基于视频监控的高速智能调度管理系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103279795A (zh) * | 2013-06-13 | 2013-09-04 | 中南大学 | 一种乘员碰撞损伤的预测方法 |
CN110377988A (zh) * | 2019-07-08 | 2019-10-25 | 清华大学 | 乘员道路交通事故损伤预测方法 |
CN110766213A (zh) * | 2019-10-15 | 2020-02-07 | 清华大学 | 汽车乘员碰撞损伤预测方法及计算机设备 |
CN111923859A (zh) * | 2020-07-28 | 2020-11-13 | 江苏大学 | 一种正面碰撞下后排乘员伤情预测及对外呼救方法及其系统 |
-
2021
- 2021-06-29 CN CN202110723976.1A patent/CN113487075A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103279795A (zh) * | 2013-06-13 | 2013-09-04 | 中南大学 | 一种乘员碰撞损伤的预测方法 |
CN110377988A (zh) * | 2019-07-08 | 2019-10-25 | 清华大学 | 乘员道路交通事故损伤预测方法 |
CN110766213A (zh) * | 2019-10-15 | 2020-02-07 | 清华大学 | 汽车乘员碰撞损伤预测方法及计算机设备 |
CN111923859A (zh) * | 2020-07-28 | 2020-11-13 | 江苏大学 | 一种正面碰撞下后排乘员伤情预测及对外呼救方法及其系统 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114418200A (zh) * | 2021-12-31 | 2022-04-29 | 清华大学 | 车型特异性乘员损伤预测模型训练方法及装置 |
CN114386691A (zh) * | 2022-01-10 | 2022-04-22 | 清华大学 | 基于应激姿态预测的乘员损伤预测方法和装置 |
CN114566031A (zh) * | 2022-02-24 | 2022-05-31 | 中国人民解放军陆军特色医学中心 | 交通事故车辆伤员伤情评估和报警系统 |
CN114595834A (zh) * | 2022-03-15 | 2022-06-07 | 北京宾理信息科技有限公司 | 机器学习模型的训练方法、针对车辆乘员的损伤预测方法 |
CN117912229A (zh) * | 2023-11-29 | 2024-04-19 | 招商智广科技(安徽)有限公司 | 一种基于视频监控的高速智能调度管理系统 |
CN117912229B (zh) * | 2023-11-29 | 2024-07-09 | 招商智广科技(安徽)有限公司 | 一种基于视频监控的高速智能调度管理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113487075A (zh) | 一种车辆事故乘员伤害预测方法、系统及电子设备 | |
US7495547B2 (en) | Emergency-call device for a motor vehicle | |
US8335616B2 (en) | Individualizable post-crash assist system | |
JP7022674B2 (ja) | 衝突傷害予測モデル作成方法、衝突傷害予測方法、衝突傷害予測システム及び先進事故自動通報システム | |
CN112269865A (zh) | 生成信息的方法、装置、设备以及存储介质 | |
CN110576818A (zh) | 用于控制车辆的乘客保护特征的状态的方法和系统 | |
CN112311821A (zh) | 一种交通事故救援方法、装置及汽车 | |
CN113511159A (zh) | 通过气囊增强司乘人员安全性的系统和方法 | |
CN115802306A (zh) | 通过使用交通工具内感知的伤害严重性估计 | |
Zualkernan et al. | Intelligent accident detection classification using mobile phones | |
JP7368395B2 (ja) | 個人の事故データを分析するためのコンピュータ支援プロセス | |
Kumar et al. | Smart characterization of vehicle impact and accident reporting system | |
CN113868878A (zh) | 用于交通事故快速救援的车内人员创伤风险预测方法 | |
CN110072726A (zh) | 自主车辆计算机 | |
CN112583885A (zh) | 用于车辆的紧急系统以及为车辆用户提供救援构件的方法 | |
JP2015161977A (ja) | 車両用緊急対応装置及び車両事故通報システム | |
CN114793334B (zh) | 基于车联网的救援呼叫方法、装置、设备及存储介质 | |
CN115716459A (zh) | 一种车辆行驶中保障车内人员安全的方法、装置 | |
Luján et al. | Accidental injuries caused by automotive frontal collision | |
Almohsen et al. | Smart car seat belt: Accident detection and emergency services in smart city environment | |
WO2021108758A1 (en) | System having predictive analytics and custom visualization for use in imaging a vehicle occupant and method of use | |
KR102412310B1 (ko) | 교통사고차량 탑승자 상해 중증도 추정방법 | |
Manoj et al. | Automated Vehicle Braking System and Driver Health Monitoring System Using IOT Technology | |
CN114750718B (zh) | 一种驾驶员正面安全空间监控方法和装置 | |
CN213007862U (zh) | 一种安全辅助驾驶系统及车辆 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211008 |
|
RJ01 | Rejection of invention patent application after publication |