关键词： 高级自动碰撞通知；座椅传感器；呼吸频率；心率；心冲击描述（BCG）；压电传感器
座椅压电传感器是专门为乘用车生产中的乘员分类而设计的，在实验室环境中测量乘员的呼吸率 (RR) 和心率 (HR) 的可行性。碰撞后，乘员的生命体征可以通过直接测量乘员的状态添加到高级自动碰撞通知中 (AACN) 系统改进应急响应。使用福特野马乘客座椅和座椅传感器 42 到 91 公斤不等的 11 名参与者收集数据。用心冲击描述 (BCG) 该方法通过时域滤波和频域分析处理数据 1 滑动窗口在几分钟内产生 RR 和 HR。使用 Bland-Altman 方法将 30 收集和连续分钟数据 RR 和 HR 与实验室生理仪器相比，信号的静息率。座椅传感器和参考传感器之间的差异在静息 RR 的每分钟 5 内呼吸和静息 HR 的每分钟 15 次跳动内。频率分析技术优于峰值检测技术，RR 和 HR 时间序列更有希望。然而，未来的工作将在实验室环境之外进行更准确和可靠的实时监控 RR 和 HR 是必要的。频率分析技术优于峰值检测技术，RR 和 HR 时间序列更有希望。然而，未来的工作将在实验室环境之外进行更准确和可靠的实时监控 RR 和 HR 是必要的。频率分析技术优于峰值检测技术，RR 和 HR 时间序列更有希望。然而，未来的工作将在实验室环境之外进行更准确和可靠的实时监控 RR 和 HR 是必要的。

一、项目背景

-先进的自动碰撞通知 (AACN) 该系统在降低车祸死亡风险方面具有巨大潜力。然而， AACN系统完全依赖于车辆碰撞严重程度的测量，只能估计乘员的碰撞响应[ 1、2、3、4]。对乘员的非侵入性生理监测可以证明，在提高乘员安全性和碰撞后应急响应方面具有重要意义。到达事故现场前，将事故后乘员的生命体征传递给第一响应者，有助于为运输和医疗分诊做好适当的准备。伤害预测也可以更好地为即将到来的车祸受害者做好准备。本研究的目的是评估座椅传感器在乘用车生产中的可行性，不仅可以根据重量对乘客进行分类，还可以监测乘客的呼吸率 (RR) 和心率 (HR)。
在评估了一些要求后，我们得出了生理监测技术的建议。首先，对于任何实际应用，该系统都必须是低成本的。其次，传感器必须是非侵入性的，不需要占用者额外的校准或努力。正如 Weiser 理想情况下，一个无处不在的系统应该消失在背景中，难以区分，并从根本上融入日常生活 [ 5 ]。第三，传感器必须能够生理监测不同体重和静息率的个体。最后，只要使用车辆，传感器就必须在明暗、白天和黑夜工作。
多种离体传感技术可用于检测 RR 和 HR。过去的一项研究将三个传感系统集成到驾驶员和乘用车座椅上，以检测静态和移动车辆的生命体征。测量技术包括电容心电图 (ECG) 监测、机械运动分析和感应阻抗监测 [ 6]。对于电容心电图和电感阻抗监测，将电极和线圈集成到汽车座椅的靠背中。最后一种技术是用准压电力传感器测量座椅的小身体运动。心脏活动的机械方面可以称为心脏冲击描述 (BCG) [ 7 , 8 ] 测量技术。这种技术也可用于更大的身体运动，如呼吸。在轮椅等移动系统中，使用机电薄膜传感器和加速度计的方法测试了位移和加速度衍生物 BCG [ 9]。将运动振动与微小的心脏运动分开是一个挑战。然而，消除振动的自适应性可能有助于改善 BCG 信号 [ 10 ]。压力传感器对机电膜的灵敏度也可能取决于坐着时的静载荷和重量分布 [ 11 ]。例如，坐着时，体重可能会在脚、手臂、背部和背部之间转移，这会影响 BCG 信号。可穿戴 BCG 该系统也被探索，并可能受益于多传感器系统，将有用信息与正常行走的噪声分开 [ 12 ]。在睡眠跟踪技术中，使用各种压力传感器检测呼吸或脉搏运动的轻微波动也很常见 [ 13, 14 ]。市场上的其他传感器，如 Plessey 电位集成电路 (EPIC) 传感器，已经在接触和非接触模式下进行了测试，以测量生物电信号和电场中断引起的运动。这些集成传感器已于监测呼吸和心率，可能适用于汽车应用 [ 15 ]。非接触式心肺监测还提出了低功率雷达传感器 [ 16 ]。最后，乘员的生命体征可以通过视频图像处理提取 [ 17 , 18]。然而，图像处理技术和其他非接触式传感方法将需要在车辆中安装额外的硬件。
相比之下，提出的技术利用汽车制造商多年来制造并集成到配备先进安全气囊的车辆中。高级乘客安全气囊系统要求汽车制造商安装乘客感应系统，如座椅传感器，对乘客进行分类 [ 19]。这些乘员分类系统可以采用座椅垫下方的压力感应垫或安全气囊的形式，也可以作为集成在座椅轨道上的重量应变计。使用 BCG 假设车辆座椅传感器可以检测方法 RR 和 HR，提供监测碰撞后乘员的非侵入性方法，更好地预测伤害的严重程度。提出的解决方案符合我们对常见生理监测技术的标准，以通知碰撞后的响应和补充 AACN 现有技术用于车辆信息。

2.设备和路线

本研究中使用的座椅传感器来自福特 Mustang 前排乘客座椅连接 cDAQ-9172 数据采集系统（National Instruments，Austin，TX，USA）。该传感器由一个充满液体的气囊组成，连接到一个固态压力传感器。使用 Neulog 呼吸监测带记录器传感器和 Neulog 心率和脉搏记录器传感器（Neulog，Rochester，NY，USA）收集基准呼吸和脉搏测量值。所有数据都是 10 Hz 采样。10 Hz 奈奎斯特的频率足以满足 5 Hz 最大信号频率，即每分钟 300 次跳动。如图1所示. 该协议已获得弗吉尼亚理工大学机构审查委员会 (IRB) #17-018 的批准。来自数据样本 11 名参与者，3 名男性和 8 名女性。所有参与者均超过 18 岁。自我报告的体重范围为 42 至 91 公斤，如表 1所示。每个参与者坐在座位上 30 同时收集座椅传感器数据和参考数据。在数据收集过程中，座椅传感器被放置在座椅的泡沫垫下方，就像在车辆中一样。

2.1。呼吸频率 (RR)
为了提取 RR，座椅传感器原始电压输出信号的截止频率为 0.16 Hz 和 0.66 Hz 四阶巴特沃斯带滤波器滤波。截止频率来自呼吸频率的生理界限，成人正常静息 RR 每分钟的范围 10 至 40 次呼吸 (brpm)。使用 RR 我们的目标是座椅传感器 RR 和 Neulog RR 差异不得超过 10%。这为 RR 定义了 4-brpm 目标差异。
接下来，探索了用过滤后的呼吸数据计算随时间变化的两种方法 brpm。每个参与者 30 在分钟数据收集过程中，数据在 1 在滑动窗口处理分钟。第一种技术是计算模拟信号中的峰值并转换为 brpm。峰值检测在 MATLAB 中进行。至少只有峰值突出 1 分钟窗口信号的平均峰值突出 90% 计数中包括峰峰。这种阈值策略有助于客观地忽略过滤信号中的小波动。第二种技术是使用快速傅里叶变换 (FFT) 根据呼吸过滤数据的最高振幅频率，量化压力信号的频率内容 RR。以 100 Hz 采样示例数据如图所示 2.解释数据处理中涉及的步骤。来自 Neulog 呼吸带的参考呼吸信号(由任何标准化单位表示)用红色覆盖过滤座椅传感器数据进行比较。对于图 峰值检测技术、座椅传感器和 Neulog 传感器的 RR 分别为 11 brpm 和 12 brpm。使用频率分析，两种测量设备的速率均为 13 brpm。

图 2. 100 Hz 下 1 处理和测量分钟数据采集的样本呼吸数据。( a ) 座椅传感器的原始电压输出；( b ) 过滤后的呼吸信号是蓝色的 Neulog 红色显示呼吸带的模拟基准数据。信号被归一化，每个峰值(用星号表示)代表呼吸；( c ) 座椅传感器和基准数据的功率谱显示了归一化信号 FFT 频率分量。
2.2. 心率 (HR)
截止频率为 0.83 Hz 和 2.5 Hz 四阶巴特沃斯带过滤器过滤原始数据 HR 计算。心率高于每分钟 50 次 (bpm) 且低于 150 bpm 成年人，截止频率就够了。0.83 Hz 从模拟数据中去除呼吸信号的较低截止频率。使用 HR 我们的目标是座椅传感器 HR 和 Neulog HR 差异不得超过 10%。这为 HR 定义了 15-bpm 目标差异。
和呼吸一样，HR 以两种方式计算和使用 1 比较滑动窗口的参考测量值。如图 3.心率是通过计算峰值和快速分析过滤后的座椅传感器信号来计算的。对于 FFT 最高频率决定了分析 HR。来自 Neulog 脉冲传感器的参考脉冲信号(由任何标准化单位表示)用红色覆盖过滤座椅传感器数据进行比较。对于图 在3中，计算峰值检测方法的座椅传感器是 91 bpm，Neulog 传感器为 83 bpm。两种测量设备的频率分析结果均为 84 bpm。二次谐波见图 3c，大约 2.8 Hz，最有可能来自血容量脉冲 (BVP) 信号中的二次向上冲程。这种较小的向上冲程代表了心脏的初始压力波和身体的反射压力波的相互作用 [ 20 ]。图3中的反射波b 在模拟信号中可见。

图 3. 以 100 Hz 采集 1 分钟数据的样本心率数据处理和测量。( a ) 座椅传感器的原始电压输出；( b ) 过滤后的脉冲信号是蓝色的 Neulog 脉冲监视器的模拟基准数据显示为红色。信号被归一化，每个峰值(用星号表示)代表呼吸；( c ) 座椅传感器和基准数据的功率谱显示了归一化信号 FFT 频率分量。
为 11 每个著名参与者收集数据 30 分钟。每一秒，前 60 s 如图所示 2a和图 3.原始数据显示a，使用峰值检测和 FFT 为了产生这个时间点，处理频率分析技术 RR 和 HR。每秒数据点提供高时间分辨率，1 分钟滑动窗为 FFT 频率分析提供了足够的时间。座椅传感器的呼吸、心率时间过程和参考测量值较。在本研究中，参考 RR 是使用相应技术（峰值检测或频率分析）从 Neulog 模拟信号计算得出的，而参考 HR 直接从 Neulog 设备以 bpm 输出。Neulog 设备无法以 brpm 输出 RR。参与者在 30 分钟的数据收集过程中坐着放松，因此，30 分钟内的平均 RR 和 HR 被认为是参与者的静息率。Bland-Altman 图用于比较两种测量设备的静息 RR 和静息 HR。Bland-Altman 图显示了设备间记录差异之间的关系，是连续变量测量比较的常用方法 [21、22 ]。_ 如过去一项比较 Jawbone 和 Fitbit 健身追踪设备的研究所示，Bland-Altman 图通常显示设备之间的平均值差异 [ 23 ]。在 R 中运行简单的线性回归模型，根据参考 Neulog 静息率对座椅传感器静息率进行回归，以计算 RMSE 和 R 2值。
还在每个单独的时间点比较了两种设备的 RR 和 HR 测量值，以在更高分辨率的时间评估座椅传感器的性能。为了评估在乘员体重和静息 RR 和 HR 范围内测量的可靠性，使用 Bland-Altman 样式图对数据进行可视化。理想情况下，座椅传感器读数和参考读数之间的差异不仅很小，而且与体重和静息率无关。将测量差异（从座椅传感器值中减去的 Neulog 值）与参与者体重和静息率作图。使用所有参与者和时间点的汇总差异，计算 RR 和 HR 两种方法的差异的平均值和标准偏差 (SD)，峰值检测 (Peaks) 和频率分析 (FFT)。使用 95% 置信区间 (CI) 计算差异的一致性水平。与使用静息率的模型相比，还使用 ​​RR 和 HR 时间序列数据创建了简单的线性回归模型来计算 RMSE 和 R2个值。