面向滑臺試驗的乘員體壓采集系統(tǒng)設計與應用

摘要：為了滿足汽車碰撞滑臺試驗瞬時、大沖擊工況下的乘員體壓數據連續(xù)、高速采集需求，設計了一套基于STM32H723ZGT6高性能MCU和陣列壓力傳感器的高速乘員體壓采集系統(tǒng). 提出高性能硬件、本地采集、本地存儲、試驗后上傳的設計方案，應用高性能微控制器和內存擴展的方式提高數據采集實時性、穩(wěn)定性，對坐墊、靠背共4 576個力敏點數據的采集頻率能夠達到200 Hz，滿足滑臺試驗數據采集需求，同時能夠控制系統(tǒng)成本. 提出一種基于單通道圖像特征提取的乘員體壓數據分析方法. 在剛性座椅滑臺試驗中，志愿者在4種座椅狀態(tài)下，對乘員體壓數據進行采集，獲取乘員骨盆滑移軌跡、最大滑移量、最大窗口壓力均值及其電壓變化趨勢、坐墊全域和3個子區(qū)域重量變化趨勢并進行數據可視化，所獲數據特征與高速攝像獲得的乘員姿態(tài)響應基本相符.

關鍵詞：壓力測量；數據分析；滑臺試驗；乘員

中圖分類號：U467.5 文獻標志碼：A

隨著經濟的快速發(fā)展，汽車保有量不斷上升，汽車被動安全備受關注，其研究方法一般為碰撞試驗、理論研究和有限元仿真. 其中，實車碰撞試驗存在試驗周期長、費用高、風險大等缺陷. 為了解決上述缺陷，滑臺試驗被廣泛用于約束系統(tǒng)匹配測試、FarSide遠端乘員保護試驗、Whiplash 座椅鞭打試驗、KneeMapping試驗以及新型約束系統(tǒng)零部件開發(fā)試驗中.

姿態(tài)數據的獲取有基于視覺［ 1-3］，基于可穿戴傳感器［ 4］，基于RFID［5］等方法. 傳統(tǒng)滑臺試驗采用了前兩種方法，其設備由位于滑臺兩側和頭頂的高速攝像以及布置于試驗對象頭頸部的x、y、z 方向加速度傳感器組成，用于獲取試驗對象在碰撞過程中的瞬時姿態(tài)數據. 但該系統(tǒng)無法獲取碰撞過程中乘員和座椅之間的相互作用關系，進而評估座椅本身對乘員的保護效果. 目前，已有座椅、安全帶廠商及檢測機構將壓敏紙應用于試驗中，以獲取乘員體壓分布數據.通常但壓敏紙響應速度相對較慢，在高頻率的動態(tài)壓力變化下無法準確測量，且所有時刻的壓力特征成像在一張紙上，后期無法拆分成單幀圖像. 而將基于壓力傳感器陣列的體壓采集系統(tǒng)用于滑臺試驗可有效避免上述壓敏紙存在的問題.

國內外許多學者已在汽車、醫(yī)療等行業(yè)就體壓采集系統(tǒng)的開發(fā)和應用展開了深入研究. 宋國印等［6］基于動作捕捉系統(tǒng)和觸覺傳感器設計了被護理人姿態(tài)識別系統(tǒng). 石萍等［7］基于六個單點陣列壓力傳感器設計了一套布置于坐墊的褥瘡防治系統(tǒng). 裴卉寧等［8］通過Tactilus壓力分布測量系統(tǒng)對受試者接觸面積、接觸壓強、峰值接觸壓強進行分析進而對汽車座椅材質進行舒適性優(yōu)化. Ran等［9］用IM00014柔性傳感器、數據采集卡、樹莓派搭建系統(tǒng)，并比較了支持向量機、隨機森林等7種機器學習算法在坐姿識別中的效果. 陳浩川等［10］基于STM32F1芯片和織物傳感器設計坐姿壓力采集系統(tǒng)，并通過mVGGFCN深度學習算法對坐姿進行分類. 孟站領等［11］通過足底壓力測試系統(tǒng)，獲取足底壓力峰值區(qū)域、沖量、接觸面積、壓力中心軌跡等特征，對老年人跨越步態(tài)進行分析. 楊先軍［12］基于柔性陣列傳感器設計了一套用于數字化跑道運動員足底動力學信息獲取的壓力采集系統(tǒng)，并針對壓力傳感器陣列測量中的耦合現象對比了二次測量和常用測量兩種解決方法. 陳飛［13］根據駕駛員體壓分布對座椅乘坐舒適性展開了研究. 郭立泉等［14］基于STM32F1系列高性能微控制器（Microcontroller Unit，MCU）設計了一套可用于坐臥以及足底壓力測量的高速數據采集系統(tǒng).楊鎮(zhèn)海［15］基于FSR406傳感器開發(fā)了駕駛員行為檢測系統(tǒng). 岳尚軍［16］基于柔性壓阻薄膜，采用STM32F4系列MCU設計壓力分布測量系統(tǒng)采集卡. 劉鍵等［17］基于Tekscan座椅壓力分布測量系統(tǒng)，獲取志愿者在不同座面、靠背角度的壓力加權平均值、總接觸面積、分布指數，并結合主觀感受對座椅睡眠舒適度進行驗證. Zhao等［18］通過兩個42×44的陣列傳感器分別獲得靠背和座椅底板的壓力云圖，經過拼接和轉換后輸入網絡訓練駕駛員坐姿分類器.此外，該團隊基于體壓分布定義的44個參數形成兩個特征向量，分別對隨機森林分類器進行訓練以用于坐姿識別.Riener等［19］將壓力陣列傳感器集成到座椅織物中，提出了一個基于靠背-坐墊壓力分布特征的坐姿識別系統(tǒng). Park等［20］將座椅和靠背中的壓力傳感器陣列劃分為17 個區(qū)域，分析測得壓力數據的平均壓力、接觸面積和身體部位壓力比，用于評估駕駛員工作空間和座椅的舒適度. Fenety等［21］將壓力傳感器陣列用于跟蹤臀部壓力中心，從而評估人體坐姿舒適性.

現 有研究大多面向相對靜態(tài)的體壓采集場景，對系統(tǒng)的數據采集速率要求并不高. 即使是坐臥、足底壓力高速數據采集系統(tǒng)［14］，2 288個數據點規(guī)模的壓力云圖采集速率只能達到10 ms/幀，若在靠背和坐墊處采用兩片相同規(guī)模的傳感器，采集速率將進一步降低到20 ms/幀，而滑臺試驗的研究對象為碰撞過程中的乘員瞬時響應，若使用上述系統(tǒng)，過低的幀率會損失大量的乘員瞬時響應特征.

高性能、低功耗MCU的快速普及使研發(fā)低成本的高速體壓數據采集系統(tǒng)成為可能. 本研究基于STM32H723ZGT6高性能MCU和陣列壓力傳感器設計了一套用于滑臺試驗的高速乘員體壓采集系統(tǒng)，提出一種基于單通道圖像特征提取的乘員體壓數據分析方法，并將該系統(tǒng)應用到滑臺試驗中.

1 系統(tǒng)整體設計

乘員體壓采集系統(tǒng)包含陣列壓力傳感器、陣列壓力數據高速采集系統(tǒng)、觸發(fā)模塊、上位機4個主要模塊. 如圖1所示，MCU的DAC模塊持續(xù)產生大小可控的電壓信號，當MCU檢測到觸發(fā)模塊產生的高電平信號，由IO口控制的“被動式”掃描電路開始工作. MCU的ADC模塊對選通通道的電壓信號進行采集. 獲取的壓力數據可存儲在高速Micro SD存儲器中，試驗結束后通過讀卡器轉存至上位機，也可存儲至外置FLASH存儲器中，試驗結束后通過USB上傳至上位機. 系統(tǒng)實物圖如圖2所示.

2 陣列壓力傳感器選型

滑臺試驗座椅主要分為剛性座椅和汽車座椅，其中剛性座椅試驗影響因素少，可重復性高，變量主要有坐墊角、靠背角、腿托，適合作標準基礎研究. 汽車座椅試驗更貼近真實使用場景，但不同座椅型號測試偏差較大，適合指定型號座椅及其約束系統(tǒng)的試驗. 傳感器選型上，剛性座椅和汽車座椅最大的區(qū)別是表面變形.

為了兼容兩種不同座椅類型的滑臺試驗，本研究提出多種傳感器方案. 對于剛性座椅選用價格低廉的44×52和32×32點陣規(guī)模的聚酯印刷傳感器，前者有更高的分辨率，后者在相同硬件條件下擁有更高的采樣幀率. 對于真實汽車座椅選用延展性更好與曲面貼合更充分的織物傳感器.

3 陣列壓力數據高速采集系統(tǒng)硬件設計

由于滑臺試驗所產生的大規(guī)模矩陣數據會占用大量存儲空間，考慮到成本，大部分MCU 內置FLASH不會超過1 MB，因此，陣列壓力數據采集卡常配合上位機使用，通過數據線將數據實時傳輸到上位機進行存儲和處理. 在這種數據采集策略下普通串口的傳輸速率會嚴重拖累系統(tǒng)采集速率，若使用并行傳輸方式，硬件成本會進一步提升. 滑臺試驗是一種大沖擊場景，普通電腦無法放置于滑臺裝置上使用，若采用文獻［9］中方案，將采集卡和樹莓派搭配使用，大沖擊下的傳輸穩(wěn)定性仍將成為問題，樹莓派本身的售價也會帶來成本的增加.

為了同時滿足高速采集、高速存儲、抗沖擊的需求. 本研究提出了高性能硬件、本地采集、本地存儲、試驗后上傳的設計方案，最大程度降低系統(tǒng)復雜度，使其能夠靈活部署. 經測試，在使用兩片44×52陣列規(guī)模傳感器的情況下，該系統(tǒng)對坐墊、靠背共4 576個力敏點數據的采集頻率能夠達到200 Hz.

3.1 “ 被動式”掃描電路

系統(tǒng)采用“被動式”掃描電路，利用反向運算放大器兩個輸入端的虛地原理，將來自非測量點的耦合電流導向地，用高速模擬開關依次選通傳感器的各個通道，電壓信號經過反向輸出放大器調理放大后輸入主控芯片的一個ADC通道. 為了使反向運算放大器正常工作，該電路采用±5 V雙電源供電，輸出端選擇支持負電壓的CD74HC4051PWR高速模擬開關.“ 被動式”掃描電路示意圖如圖3所示，其中：VCC表示電壓信號輸入；S為模擬開關的通道；RC、RR、R均表示電阻，薄膜陣列壓力傳感器各個力敏點的等效電阻用R 加上行列號表示.

3.2 高速采集存儲電路

主控芯片選用STM32H723ZGT6 高性能MCU，該芯片擁有M4、M7高性能內核以及高達550 MHz的工作頻率. 由于STM32H723ZGT6 內置的FLASH 僅有1 MB，無法存下試驗過程中產生的大量壓力數據，本研究采用外置存儲器的方式進行存儲擴展，同時板載了W25Q512 64MB norflash和Micro SD卡槽，其中norflash支持QSPI協議，可實現XIP進行內存擴展，Micro SD卡槽最高支持32 GB存儲卡擴展，支持SDIO-4bit 協議，理論寫入速率可達12 MB/s.W25Q512和Micro SD卡擴展電路分別如圖4和圖5所示.

試驗結束后，將采集到的數據轉存到上位機. 若將壓力數據存儲到Micro SD 中，可直接將Micro SD卡取出，通過讀卡器拷貝到上位機；若存儲到norflash，可通過MCU自帶的全速USB接口模擬串口或USB轉TTL串口實現數據上傳.

4 數據分析方法

滑臺試驗主要用于乘員保護系統(tǒng)測試和評估，因此著重關注碰撞過程中乘員的運動響應和與座椅之間的相互作用力. 在壓力分布數據中體現為時空分布特征以及數值大小. 本研究將陣列壓力數據視作單通道圖像，并基于圖像處理的思路提出了一種乘員體壓數據分析方法，從原始壓力數據中提取乘員骨盆最大滑移量、滑移軌跡、離位狀態(tài)、接觸面壓力中心分布區(qū)域以及壓力峰值大小5個特征，沿乘員乘坐方向將坐墊劃分為3 個大小相同的子區(qū)域，如圖6所示，分別計算坐墊全域以及3個子區(qū)域的壓力.

上位機數據分析程序通過Python和MATLAB編寫. 數據處理流程如圖7所示，每幀壓力數據均以txt文件格式保存，將txt文件中的數據讀取到二維數組中，先后進行卷積核大小為3×3的中值濾波和高斯濾波，分別達到去噪和平滑效果. 由于坐墊、靠背壓力數值相差較大，需將兩部分數據拆分后分別進行閾值處理. 坐墊數據閾值處理后用過連通區(qū)質心提取的方式獲取乘員-座椅接觸區(qū)域幾何質心，該特征用于反映某一時刻乘員在座椅上的空間位置，通過獲取連續(xù)多幀的接觸區(qū)域幾何質心可得到乘員滑移軌跡并測量最大滑移量，同時用3×3大小的窗口對坐墊數據進行遍歷，求得該窗口下的壓力均值最大區(qū)域，進而獲取壓力分布中心，作用在坐墊全域和3個子區(qū)域上的壓力通過壓力傳感器力-電阻特性曲線計算獲得. 靠背數據主要反映乘員的離位狀態(tài)，閾值處理后若受壓區(qū)域呈大面積連續(xù)形狀，乘員未出現離位現象，反之若受壓區(qū)域僅以噪點形式呈現或不存在，則可判斷乘員出現了離位現象. 靠背壓力分布中心獲取方法與坐墊相同. 最后進行數據可視化，繪制壓力云圖、滑移軌跡，在壓力云圖中標記出壓力分布中心，繪制壓力分布中心壓力均值變化趨勢圖和坐墊全域、子區(qū)域重量變化趨勢圖.

5 試驗與討論

5.1 志愿者滑臺試驗

本試驗對志愿者在坐墊角15°靠背角25°無腿托、坐墊角25°靠背角45°無腿托、坐墊角25°靠背角65°無腿托、坐墊角30°靠背角65°有腿托4種座椅狀態(tài)下的體壓分布數據進行采集，加速度為3g，座椅為剛性座椅. 傳感器采用44×52聚酯印刷傳感器.受條件限制，此次試驗通過軟件將陣列規(guī)模限制在22×26，在坐墊處僅布置了一片傳感器，靠背未布置，可實現305 mm×364 mm 坐墊區(qū)域的壓力測量. 觸發(fā)方式為手動觸發(fā). 安裝時使薄膜陣列壓力傳感器與剛性座椅表面緊密貼合，試驗過程中傳感器不能出現竄動，陣列壓力采集卡以及為其供電的12 V移動電源需在臺車上采取固定措施，避免在沖擊下出現竄動甚至碰撞.

5.2 壓力數據采集軟件

根據試驗需求設計壓力數據采集軟件邏輯如圖8所示.對系統(tǒng)各功能模塊，包括系統(tǒng)時鐘、DAC、ADC、各IO口、SPI、SDIO以及USB的參數進行初始化，若STM32接收到高電平觸發(fā)信號，開始調用通道切換程序進行陣列掃描，STM32 ADC通道對輸出的電壓信號進行采集，將數據依次存儲至數組中，若完成整張壓力云圖數據的采集，將該數組寫入MicroSD卡，若未完成則繼續(xù)對陣列進行掃描.其間對數組數量進行計數，若觸發(fā)后完成了目標壓力云圖數量的存儲，則視為單組試驗完成，否則重新掃描陣列. 為了不漏采數據，本次單組試驗設置目標壓力云圖采集數量為3 000張. 若該組試驗是在當前座椅角度下的最后一組，取出Micro SD卡，通過讀卡器將卡內數據讀取到上位機中，否則等待下一個觸發(fā)信號.

5.3 數據分析

提取單組試驗中碰撞發(fā)生后的30組數據進行分析，數據采集時間間隔為5 ms. 表1 為志愿者在4種座椅狀態(tài)下由高速攝像獲得的股骨X 方向位移和由壓力分布數據獲得的骨盆X 方向位移，后者由人工尋找起始幀和最大位移幀，并對兩幀中的特征點進行標記，通過壓力像素點計數的方式獲取最大位移. 由陣列規(guī)模和壓力測量區(qū)域大小可得通過該方式獲取的最大位移誤差為±7 mm，分辨率較低. 股骨和骨盆X 方向位移在一定程度上都可以反映乘員下潛程度，對比高速攝像數據和壓力分布數據，若考慮壓力云圖的分辨率誤差，8組數據中編號為1、2、4、6、8的5組數據，高速攝像獲得的數值都落在了壓力分布數據的數值區(qū)間內，另外3組數據的數值趨勢也大致相同，說明采集的壓力數據能夠較為準確地反映乘員臀部的運動趨勢. 值得注意的是，受志愿者試驗過程中初始坐姿、緊張程度等因素影響，同一受試者在相同座椅狀態(tài)下，獲得的部分試驗數據之間存在較大差異屬于正常現象.

圖9和圖10分別為坐墊角15°靠背角25°無腿托座椅狀態(tài)下高速攝像圖像和壓力數據可視化結果.在圖10（a）中用紅色方框和藍色方框分別標記出壓力均值最大的窗口和第二大的窗口，對每幀圖像下的壓力集中點進行定位. 圖10（b）為碰撞過程中乘員骨盆滑移軌跡，滑移方向為Y 軸方向，通過軌跡計算骨盆最大滑移量約為61.77 mm，與人工標記壓力云圖得到的骨盆X 方向位移數值大小基本一致，最大窗口平均電壓變化趨勢如圖10（c）所示. 圖11為4種座椅狀態(tài)下1 000幀時間長度內坐墊全域和3個子區(qū)域重量變化趨勢.

由圖10可知，碰撞發(fā)生后，壓力集中區(qū)域存在向中間聚集的趨勢，一段時間后會落在中間尾椎處并達到最大值.窗口壓力峰值為35.83 N，計算公式如下：

F = 0.063 5Vout - 22.638 （1）

式中：輸出電壓Vout單位為mV；窗口壓力F 單位為N，表示作用在框選區(qū)域即3×3 窗口內（41.7 mm×41.7 mm）的總壓力. 在本系統(tǒng)中Vout取最大值時F 為最大窗口壓力，該公式僅適用于本次試驗使用的傳感器，若需更換傳感器則應根據傳感器具體參數重新計算.

將圖11中4種座椅狀態(tài)下的坐墊區(qū)域重量變化趨勢和高速攝像數據進行對比，可以得出如下結論.

1）試驗中志愿者姿態(tài)響應明顯變化的階段長約100個連續(xù)幀.

2）坐墊角、靠背角越大，坐墊承托的乘員重量越小，乘員臀部受壓越小.

3）初始狀態(tài)下，由于乘員骨盆區(qū)域與坐墊作用點靠后，區(qū)域3壓力大于區(qū)域2和區(qū)域1，在滑臺試驗結束后乘員骨盆向前滑移，導致終了狀態(tài)下區(qū)域3和區(qū)域2壓力差值減小，甚至區(qū)域2壓力大于區(qū)域3.

4）在劇烈變化階段，區(qū)域2在圖11（b）～圖11（d）中都出現了明顯尖峰，說明在該階段乘員骨盆滑移至區(qū)域2，乘員與坐墊相互作用力在碰撞階段達到最大值.

5）在終了狀態(tài)下，坐墊全域壓力相較初始狀態(tài)減小，說明乘員處于一個較初始更為平躺的姿態(tài)，傳統(tǒng)三點式約束系統(tǒng)在試驗結束后并未使乘員完全恢復至初始狀態(tài)，仍存在剩余骨盆滑移量.

6 結 論

設計了一套用于滑臺試驗的高速乘員體壓采集系統(tǒng)，提出了一種在碰撞過程中乘員體壓數據分析方法，并且通過滑臺試驗對系統(tǒng)軟硬件進行驗證，結論如下：

1）該系統(tǒng)在硬件層面擁有完備的存儲裝置和通信接口，工作穩(wěn)定，能夠滿足滑臺試驗的連續(xù)、高速數據采集需求.

2）數據分析軟件能夠獲得碰撞過程中乘員的骨盆滑移軌跡、測量最大滑移量、生成壓力云圖并標記壓力集中區(qū)域、生成最大窗口壓力均值變化趨勢圖和坐墊區(qū)域重量變化趨勢圖，數據可視化效果良好，特征突出.

3）該系統(tǒng)在滑臺試驗中表現良好，采集所得的志愿者體壓分布數據與高速攝像系統(tǒng)基本吻合，可作為原測量系統(tǒng)的補充，為乘員姿態(tài)響應分析以及約束系統(tǒng)保護效果評估提供數據支撐.

參考文獻

［1］ 叢明，張犇，杜宇，等．基于YOLO-6D改進的目標姿態(tài)估計算

法［J］．華中科技大學學報（自然科學版），2023，51（12）：8-13．

CONG M，ZHANG B，DU Y，et al． Improved target pose

estimation algorithm based on YOLO-6D［J］. Journal of Huazhong

University of Science and Technology （Natural Science Edition），

2023，51（12）：8-13．（in Chinese）

［2］ 梁橋康，吳樾．基于HRNet的輕量化人體姿態(tài)估計網絡［J］．

湖南大學學報（自然科學版）， 2023，50（2）：112-121．

LIANG Q K，WU Y．Lightweight human pose estimation network

based on HRNet［J］． Journal of Hunan University （Natural

Sciences），2023，50（2）：112-121．（in Chinese）

［3］ 韓錕，黃澤帆. 基于人體姿態(tài)動態(tài)特征的跌倒行為識別方法［J］.

湖南大學學報（自然科學版），2020，47（12）：69-76．

HAN K，HUANG Z F．Falling behavior recognition method based

on dynamic characteristics of human body posture［J］．Journal of

Hunan University （Natural Sciences），2020，47（12）：69-76．（in

Chinese）

［4］ NING G C，ZHANG X R，ZHANG Q，et al． Real-time and

multimodality image-guided intelligent HIFU therapy for uterine

fibroid［J］．Theranostics，2020，10（10）： 4676-4693．

［5］ 夏資厚，劉吉曉，劉均益，等．基于RFID的人體姿態(tài)識別方法

研究［J］．傳感器與微系統(tǒng)，2024，43（1）：36-39．

XIA Z H，LIU J X，LIU J Y，et al． Study on human posture

recognition method based on RFID ［J］. Transducer and

Microsystem Technologies， 2024， 43（1）： 36-39．（in Chinese）

［6］ 宋國印，陳夢倩，郭士杰．基于人機接觸壓力圖像的被護理人

姿態(tài)識別［J］．傳感器與微系統(tǒng)，2023，42（12）：40-43．

SONG G Y， CHEN M Q， GUO S J. Recognition of care-receiver’s

posture based on human-robot contact pressure image［J］ ．

Transducer and Microsystem Technologies，2023，42（12）：40-43．

（in Chinese）

［7］ 石萍，李偉，王衛(wèi)敏，等．基于壓力分布檢測的便攜式褥瘡防治

系統(tǒng)［J］．生物醫(yī)學工程與臨床，2020，24（3）：233-238．

SHI P，LI W， WANG W M， et al. Portable bedsore prevention

system based on measurement of pressure distribution［J］ ．

Biomedical Engineering and Clinical Medicine， 2020， 24（3）：

233-238．（in Chinese）

［8］ 裴卉寧，李苑漠，黃曉光，等．基于壓力分布測量系統(tǒng)的座面材

質舒適性優(yōu)化研究［J］．航天醫(yī)學與醫(yī)學工程，2020，33（5）：

432-439．

PEI H N，LI Y M，HUANG X G，et al．Research on seat material

comfort optimization based on body pressure distribution

measurement system［J］. Space Medicine amp; Medical Engineering，

2020，33（5）：432-439．（in Chinese）

［9］ RAN X，WANG C，XIAO Y，et al． A portable sitting posture

monitoring system based on a pressure sensor array and machine

learning［J］． Sensors and Actuators A：Physical，2021，331：

112900．

［10］ 陳浩川，賈康昱，胡新榮．基于織物傳感器和mVGG-FCN深度

學習算法的坐姿識別［J］．武漢紡織大學學報，2022，35（3）：

3-8．

CHEN H C， JIA K Y， HU X R. Sitting posture recognition based

on fabric sensor and mVGG-FCN deep learning algorithm［J］．

Journal of Wuhan Textile University， 2022， 35（3）： 3-8．（in

Chinese）

［11］ 孟站領，張慶來，苑玲偉，等．不同跌倒風險老年人跨越障礙前

后足底壓力特征［J］．醫(yī)用生物力學，2022，37（4）：741-747．

MENG Z L，ZHANG Q L，YUAN L W，et al． Plantar pressure

characteristics of the elderly with different fall risks before and

after obstacle crossing［J］． Journal of Medical Biomechanics，

2022，37（4）：741-747．（in Chinese）

［12］ 楊先軍．柔性力敏傳感及其應用技術研究［D］．合肥： 中國科

學技術大學，2012：13-63．

YANG X J． Study of flexible force-sensitive sensor and

application technology［D］． Hefei：University of Science and

Technology of China，2012：13-63．（in Chinese）

［13］ 陳飛．考慮駕駛員體壓分布的座椅乘坐舒適性研究［D］．長

春：吉林大學，2016：10-58．

CHEN F. Research on riding comfort of seat based on driver body

pressure［D］. Changchun：Jilin University，2016：10-58．（in

Chinese）

［14］ 郭立泉，王計平，熊大曦．平衡評估壓力傳感陣列的高速數據

采集系統(tǒng)設計［J］．傳感器與微系統(tǒng)，2017，36（11）：75-77．

GUO L Q，WANG J P，XIONG D X． Design of high-speed data

acquisition system for pressure sensor array in balance assessment

［J］．Transducer and Microsystem Technologies，2017，36（11）：

75-77．（in Chinese）

［15］ 楊鎮(zhèn)海. 基于壓力坐墊的駕駛行為檢測系統(tǒng)的開發(fā)和研究［D］.

武漢： 武漢理工大學， 2018： 10-64．

YANG Z H． Development and research of driving behavior

detection system based on pressure cushion［D］. Wuhan：Wuhan

University of Technology，2018：10-64．（in Chinese）

［16］ 岳尚軍. 基于LabVIEW的壓力分布測量及分析系統(tǒng)的研究［D］.

南京： 東南大學， 2018： 9-27．

YUE S J. Research on pressure distribution measurement and

analysis system based on LabVIEW［D］. Nanjing：Southeast

University，2018： 9-27．（in Chinese）

［17］ 劉鍵，魯藝，許澤君，等．智能座艙睡眠舒適度的實證研究［J］．

包裝工程，2020，41（22）：66-71．

LIU J，LU Y，XU Z J，et al．Empirical study on sleep comfort of

intelligent cockpit［J］． Packaging Engineering，2020，41（22）：

66-71．（in Chinese）

［18］ ZHAO M， BEURIER B， WANG H， et al. Driver posture

prediction using pressure measurement and deep learning［C］//

2020 IRCOBI Asia Proceedings. Beijing： International Research

Council on Biomechanics of Injury，2021：102-105.

［19］ RIENER A，FERSCHA A． Supporting implicit human-tovehicle

interaction：driver identification from sitting postures［C］//

Proceedings of the First Annual International Symposium on

Vehicular Computing Systems，July 22-24，2008. Dublin，Ireland：

ICST，2008：1-10．

［20］ PARK S J，MIN S N，SUBRAMANIYAM M，et al． Driving

posture measurement using 3D scanning measuring technique［J］．

SAE International Journal of Passenger Cars-Mechanical Systems，

2015， 8（2）： 600-605．

［21］ FENETY P A，PUTNAM C，WALKER J M．In-chair movement：

validity， reliability and implications for measuring sitting

discomfort［J］. Applied Ergonomics，2000，31（4）：383-393．