利用协同的主观-客观数据融合技术,在智能电动汽车中实现晕动病预测
《Expert Systems with Applications》:Motion Sickness Prediction in Intelligent Electric Vehicles Using Collaborative Subjective-Objective Data Fusion
【字体:
大
中
小
】
时间:2025年12月25日
来源:Expert Systems with Applications 7.5
编辑推荐:
智能电动汽车中基于主观-客观融合模型的晕动症预测方法,提出SOFM架构整合车辆运动参数、多模态生理信号与动态主观反馈,采用CNN-BiLSTM提取时空特征与长时依赖,设计双维度自适应注意力机制提升预测精度,实验表明其宏平均F1-score达85.6%±4.6%,显著优于现有基线模型。
智能电动汽车乘客运动病预测的创新模型研究
一、研究背景与挑战
随着智能驾驶技术的发展,车辆控制权逐渐从人类转向自动化系统,这导致乘客在车辆中的角色从主动操作者转变为被动乘坐者。这种转变显著加剧了乘客的运动病(Motion Sickness, MS)发生概率。智能电动汽车特有的驱动电机高频响应、再生制动和算法控制缺陷,容易引发急加速/减速、高频纵向振动等不舒适运动模式,这些在传统燃油车中较为少见。虽然智能座舱系统通过人机交互优化提升乘车体验,但现有研究在MS预测方面仍存在两大核心问题:
1. 数据融合维度不足:现有方法多采用简单的特征拼接技术,未能有效整合车辆运动参数(如加速度、角速度)与生理信号(EDA、ECG、EEG、EMG)之间的动态耦合关系。研究表明,单一生理指标(如心率)在真实驾驶场景中存在明显噪声干扰和个体差异,难以独立预测MS状态。
2. 时序建模深度欠缺:虽然BiLSTM等时序网络能捕捉长期依赖,但现有模型缺乏对关键时空特征的动态筛选机制。特别是当多源异构数据(如同步率差异达±200ms的传感器)存在明显时间错位时,传统方法难以准确建模刺激-反应延迟机制。
二、SOFM模型的核心创新
本研究提出的SOFM框架通过三重创新突破上述瓶颈:
1. 多模态融合机制创新
首次将动态主观评估(IEV-MSAQ)作为监督信号融入预测体系。该自研问卷通过手持设备实时采集8维度主观感受(如眩晕强度、视觉干扰度),构建了"客观指标+主观反馈"的复合输入流。实验证明,这种融合方式使特征空间维度从单一模态的几十维扩展到多模态联合的数百维,显著提升特征表达能力。
2. 时空联合建模架构
采用级联CNN-BiLSTM架构实现双重特征提取:
- CNN层(3D卷积+空间注意力):专门处理生理信号的时空特征,可自动识别肌电信号中的肌肉紧张模式(如颈动脉肌群异常收缩)与加速度的相位关联
- BiLSTM层:双向长短期记忆网络通过门控机制捕捉车辆运动轨迹(如车道保持中的周期性偏移)与生理响应的延迟效应(平均滞后1.2±0.3秒)
实验数据显示,这种分层结构使模型在车辆急转弯(R>0.8 m/s2)场景下的预测准确率提升27.6%
3. 双维度自适应注意力机制
研发的DDAA模块包含两个核心创新点:
- 时间维度:动态调整窗口大小(50-300ms可调),在急加速场景中自动延长关注时间至0.5秒以上
- 空间维度:建立通道间相关性矩阵,优先激活与VOR(视前庭反射)相位差小于0.1秒的传感器通道
该机制在噪声环境下(信噪比<5dB)仍能保持85.2%的识别准确率,较传统单维度注意力提升19.3%
三、技术实现路径
1. 数据预处理系统
开发多源数据同步校准模块,采用插值算法将不同采样频率(ECG:100Hz, 加速度计:1000Hz)的数据统一到50Hz基准,通过小波变换消除生理信号中的高频噪声(截止频率8Hz)。
2. 特征工程自动化
通过可学习的特征选择网络(LFSN),在训练过程中自动筛选出与IEV-MSAQ评分相关性>0.7的传感器通道组合。实际运行中,该机制可将原始200+通道的数据压缩至有效32通道,同时保持87.4%的原始特征保留率。
3. 动态权重分配策略
DDAA模块采用双路门控机制:
- 时间门控:基于车辆运动状态(急加速/平稳/减速)调整窗口时长
- 空间门控:根据多模态信号相关性矩阵动态加权
在模拟实验中,该机制使模型对VOR相位延迟的敏感度提升2.3倍,同时将误报率降低至4.7%
四、实验验证与性能突破
基于50名受试者的实测数据集(包含3种典型驾驶场景:城市道路、高速公路、隧道穿越),采用LOSO交叉验证(n=50)进行评估,结果显示:
- 主观评分F1-score达85.6%±4.6%,较最优基线模型(DTW-KNN+注意力)提升12.3%
- 在极端工况(如0-60km/h急加速/减速循环)下,预测稳定性提升至92.1%
- 特征可视化显示,模型成功捕捉到EEG频段(8-12Hz)的β波异常增强模式,与临床诊断标准高度吻合
对比实验表明:
1. 传统特征拼接模型在跨场景泛化时准确率骤降(从基准78.2%降至62.4%)
2. 单模态ECG预测模型在噪声干扰下F1-score下降至61.8%
3. 新型DDAA机制使多模态融合效果提升34.7%,尤其在数据量不足时(<30样本)仍保持82.3%的预测能力
五、工程应用价值
该研究成果已部署于某车企的智能座舱测试平台,实现实时MS预警(延迟<200ms):
1. 动态舒适调节:根据预测结果自动调整座椅振动频率(±15Hz)和空调送风角度(±8°)
2. 驾驶策略优化:在预测到高发MS风险(置信度>0.9)时,提前0.8-1.2秒介入车道保持算法
3. 乘客行为引导:通过AR-HUD实时显示视觉稳定提示(如动态光栅投影)
六、理论贡献与发展方向
本研究在三个层面推动领域进展:
1. 建立了刺激-生理-感知的量化映射关系,发现:
- 视觉输入与EEGα波(8-12Hz)的相关系数达0.83
- 加速度幅值与EDA皮肤电导率(μS)的Spearman相关系数0.76
- 主观评分中前庭症状(Item3)与ECG心率变异性(SDNN)的相关性最强(r=0.79)
2. 提出新的跨模态对齐方法:
- 开发时频分析算法,将车辆运动轨迹(位置/速度/加速度)与EEG频谱进行时间对齐
- 构建多模态特征相似度矩阵,实现异构数据的语义级融合
3. 验证了双通道注意力机制的有效性:
- 时间通道注意力使模型对前庭刺激的响应速度提升40%
- 空间通道注意力将误判率从基线的8.3%降至2.1%
未来研究将聚焦三个方向:
1. 动态环境适应:开发基于强化学习的注意力权重自适应调节机制
2. 多模态扩展:集成眼动追踪(采样率200Hz)和脑电fNIRS数据
3. 轻量化部署:通过知识蒸馏将模型压缩至车载GPU可处理的50MB以内版本
该研究为智能电动汽车的主动舒适系统提供了新的技术路径,实测数据显示应用后乘客MS发生率降低58.7%(p<0.01),为行业实现"零晕动"座舱提供了理论支撑和技术方案。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号