本發(fā)明涉及智能汽車(chē)，尤其涉及一種舒適度檢測(cè)方法、模型生成方法、裝置、車(chē)輛及存儲(chǔ)介質(zhì)。

背景技術(shù)：

1、隨著汽車(chē)電子技術(shù)的發(fā)展，顧客對(duì)汽車(chē)舒適性的要求也在日益提高。車(chē)輛的舒適度直接影響到顧客對(duì)汽車(chē)的購(gòu)置決策，在車(chē)輛開(kāi)發(fā)階段車(chē)輛的舒適度受到高度的重視。

2、目前，車(chē)輛舒適度的量化評(píng)價(jià)主要沿用了評(píng)測(cè)人主觀(guān)評(píng)價(jià)和車(chē)輛動(dòng)力學(xué)客觀(guān)參數(shù)，評(píng)價(jià)體系要求評(píng)測(cè)人員具備豐富經(jīng)驗(yàn)、清晰的感受表達(dá)能力，并且需要精確的車(chē)輛工況參數(shù)。

3、但是在實(shí)際應(yīng)用場(chǎng)景中，車(chē)輛舒適度的評(píng)價(jià)通常是多維度且個(gè)體性差異明顯的復(fù)雜評(píng)價(jià)過(guò)程，相關(guān)技術(shù)中忽略了駕乘人員個(gè)體的生理數(shù)據(jù)與駕乘人員個(gè)體對(duì)車(chē)輛整體舒適度感受之間的關(guān)聯(lián)關(guān)系，得到的舒適度評(píng)價(jià)結(jié)果顆粒度較差，且跨個(gè)體復(fù)用性較差，導(dǎo)致得到的舒適度評(píng)價(jià)結(jié)果準(zhǔn)確性低、普適性差。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明實(shí)施例提供一種舒適度檢測(cè)方法、模型生成方法、裝置、車(chē)輛及存儲(chǔ)介質(zhì)，以解決相關(guān)技術(shù)得到的舒適度評(píng)價(jià)結(jié)果準(zhǔn)確性低、普適性差的問(wèn)題。

2、為了解決上述技術(shù)問(wèn)題，本發(fā)明實(shí)施例提供了一種舒適度檢測(cè)方法，所述方法包括：

3、利用舒適度檢測(cè)模型的特征提取網(wǎng)絡(luò)，根據(jù)目標(biāo)腦電信號(hào)中每個(gè)檢測(cè)通道對(duì)應(yīng)的目標(biāo)子數(shù)據(jù)，獲取所述檢測(cè)通道對(duì)應(yīng)的腦電信號(hào)特征值，并將所述目標(biāo)腦電信號(hào)中不同檢測(cè)通道對(duì)應(yīng)的腦電信號(hào)特征值分別輸入所述舒適度檢測(cè)模型的不同基礎(chǔ)編碼器中；

4、利用所述基礎(chǔ)編碼器根據(jù)所述腦電信號(hào)特征值，確定所述檢測(cè)通道對(duì)應(yīng)的特征權(quán)重值；

5、利用所述舒適度檢測(cè)模型的目標(biāo)編碼器，根據(jù)各個(gè)所述檢測(cè)通道對(duì)應(yīng)的特征權(quán)重值，對(duì)各個(gè)所述檢測(cè)通道對(duì)應(yīng)的腦電信號(hào)特征值進(jìn)行降維處理，得到所述目標(biāo)腦電信號(hào)對(duì)應(yīng)的降維特征值；

6、利用所述舒適度檢測(cè)模型的至少一個(gè)舒適度分類(lèi)器，根據(jù)所述降維特征值，生成概率參數(shù)；所述概率參數(shù)包括所述舒適度分類(lèi)器對(duì)應(yīng)的舒適度類(lèi)別的概率值；

7、獲取所述舒適度檢測(cè)模型根據(jù)所述概率參數(shù)輸出的目標(biāo)舒適度。

8、可選地，所述利用舒適度檢測(cè)模型的特征提取網(wǎng)絡(luò)，根據(jù)目標(biāo)腦電信號(hào)中每個(gè)檢測(cè)通道對(duì)應(yīng)的目標(biāo)子數(shù)據(jù)，獲取所述檢測(cè)通道對(duì)應(yīng)的腦電信號(hào)特征值，包括：

9、利用所述特征提取網(wǎng)絡(luò)計(jì)算所述目標(biāo)子數(shù)據(jù)的功率譜密度、功率譜密度比、頻帶能量、頻帶能量比和特征熵，所述特征熵包括微分熵、樣本熵和信息熵中的至少一項(xiàng)；

10、將所述目標(biāo)子數(shù)據(jù)的所述功率譜密度、所述功率譜密度比、所述頻帶能量、所述頻帶能量比和所述特征熵，確定為所述檢測(cè)通道對(duì)應(yīng)的腦電信號(hào)特征值。

11、可選地，所述利用所述特征提取網(wǎng)絡(luò)計(jì)算所述目標(biāo)子數(shù)據(jù)的頻帶能量和頻帶能量比，包括：

12、利用所述特征提取網(wǎng)絡(luò)，基于正交小波變換分解所述目標(biāo)子數(shù)據(jù)的高頻區(qū)域和低頻區(qū)域，得到小波變換分解后的目標(biāo)子數(shù)據(jù)；

13、利用所述特征提取網(wǎng)絡(luò)，計(jì)算所述小波變換分解后的目標(biāo)子數(shù)據(jù)中每個(gè)離散點(diǎn)幅值的平方和，得到所述目標(biāo)子數(shù)據(jù)的頻帶能量；

14、利用所述特征提取網(wǎng)絡(luò)，基于所述頻帶能量，計(jì)算所述目標(biāo)子數(shù)據(jù)的頻帶能量比。

15、可選地，所述目標(biāo)編碼器包括依次連接的一維卷積層、展平層和共享線(xiàn)性層，所述一維卷積層與所述基礎(chǔ)編碼器連接，所述共享線(xiàn)性層與所述舒適度分類(lèi)器連接；

16、所述利用所述舒適度檢測(cè)模型的目標(biāo)編碼器，根據(jù)各個(gè)所述檢測(cè)通道對(duì)應(yīng)的特征權(quán)重值，對(duì)各個(gè)所述檢測(cè)通道對(duì)應(yīng)的腦電信號(hào)特征值進(jìn)行降維處理，得到所述目標(biāo)腦電信號(hào)對(duì)應(yīng)的降維特征值，包括：

17、利用所述一維卷積層，根據(jù)所述檢測(cè)通道對(duì)應(yīng)的特征權(quán)重值，對(duì)所述檢測(cè)通道對(duì)應(yīng)的腦電信號(hào)特征值進(jìn)行加權(quán)計(jì)算，得到所述檢測(cè)通道對(duì)應(yīng)的加權(quán)特征值；

18、利用所述展平層，將各個(gè)所述檢測(cè)通道對(duì)應(yīng)的加權(quán)特征值進(jìn)行降維處理，得到原始降維特征值；

19、利用所述共享線(xiàn)性層對(duì)所述原始降維特征值進(jìn)行線(xiàn)性變換處理，得到所述目標(biāo)腦電信號(hào)對(duì)應(yīng)的降維特征值。

20、可選地，所述舒適度檢測(cè)模型還包括融合算法層，所述融合算法層與所述舒適度分類(lèi)器連接；所述獲取所述舒適度檢測(cè)模型根據(jù)所述概率參數(shù)輸出的目標(biāo)舒適度，包括：

21、利用所述融合算法層確定每個(gè)所述舒適度分類(lèi)器生成的概率參數(shù)的概率權(quán)重值；

22、利用所述融合算法層根據(jù)每個(gè)所述舒適度分類(lèi)器生成的概率參數(shù)和所述概率參數(shù)的概率權(quán)重值，確定所述目標(biāo)腦電信號(hào)對(duì)應(yīng)的目標(biāo)舒適度；

23、獲取所述融合算法層輸出的所述目標(biāo)腦電信號(hào)對(duì)應(yīng)的目標(biāo)舒適度。

24、可選地，所述方法還包括：

25、獲取駕乘人員的第一待處理腦電信號(hào)；所述第一待處理腦電信號(hào)中包括參考通道對(duì)應(yīng)的第一參考子數(shù)據(jù)和至少兩個(gè)檢測(cè)通道對(duì)應(yīng)的第一待處理檢測(cè)子數(shù)據(jù)；

26、基于所述第一參考子數(shù)據(jù)，對(duì)所述第一待處理檢測(cè)子數(shù)據(jù)進(jìn)行預(yù)處理，得到處理后的第一檢測(cè)子數(shù)據(jù)；

27、將各個(gè)所述處理后的第一檢測(cè)子數(shù)據(jù)構(gòu)成的腦電信號(hào)，確定為目標(biāo)腦電信號(hào)。

28、可選地，所述基于所述第一參考子數(shù)據(jù)，對(duì)所述第一待處理檢測(cè)子數(shù)據(jù)進(jìn)行預(yù)處理，得到處理后的第一檢測(cè)子數(shù)據(jù)，包括：

29、基于所述第一參考子數(shù)據(jù)，對(duì)所述第一待處理檢測(cè)子數(shù)據(jù)進(jìn)行重參考，得到第二檢測(cè)子數(shù)據(jù)；

30、對(duì)所述第二檢測(cè)子數(shù)據(jù)進(jìn)行去偽跡預(yù)處理，得到第三檢測(cè)子數(shù)據(jù)；

31、對(duì)所述第三檢測(cè)子數(shù)據(jù)進(jìn)行重采樣，得到第四檢測(cè)子數(shù)據(jù)；所述第四檢測(cè)子數(shù)據(jù)中數(shù)據(jù)單元的數(shù)量與所述第三檢測(cè)子數(shù)據(jù)中數(shù)據(jù)單元的數(shù)量之比為0.3至0.6；

32、利用預(yù)設(shè)腦電信號(hào)，對(duì)所述第四檢測(cè)子數(shù)據(jù)進(jìn)行基線(xiàn)矯正，得到處理后的第一檢測(cè)子數(shù)據(jù)。

33、可選地，在獲取駕乘人員的第一待處理腦電信號(hào)之前，所述方法還包括：

34、采集駕乘人員的第一原始腦電信號(hào)；

35、將所述第一原始腦電信號(hào)中檢測(cè)通道對(duì)應(yīng)的第一原始檢測(cè)子數(shù)據(jù)構(gòu)成的腦電信號(hào)確定為預(yù)設(shè)腦電信號(hào)。

36、為了解決上述技術(shù)問(wèn)題，本發(fā)明實(shí)施例還提供了一種模型生成方法，所述方法包括：

37、獲取腦電信號(hào)樣本集；所述腦電信號(hào)樣本集中包括腦電信號(hào)樣本和所述腦電信號(hào)樣本對(duì)應(yīng)的舒適度標(biāo)簽；所述舒適度標(biāo)簽用于表征所述腦電信號(hào)樣本對(duì)應(yīng)的真實(shí)舒適度；

38、針對(duì)所述腦電信號(hào)樣本集中的任一腦電信號(hào)樣本，確定待訓(xùn)練檢測(cè)模型中至少一個(gè)待訓(xùn)練分類(lèi)器生成的預(yù)測(cè)概率參數(shù)；所述預(yù)測(cè)概率參數(shù)包括所述待訓(xùn)練分類(lèi)器對(duì)應(yīng)的舒適度類(lèi)別的概率值；

39、根據(jù)所述預(yù)測(cè)概率參數(shù)和所述腦電信號(hào)樣本對(duì)應(yīng)的舒適度標(biāo)簽，對(duì)所述待訓(xùn)練檢測(cè)模型進(jìn)行參數(shù)調(diào)整；

40、在達(dá)到停止條件的情況下，將所述待訓(xùn)練檢測(cè)模型確定為如上所述的舒適度檢測(cè)模型。

41、可選地，所述根據(jù)所述預(yù)測(cè)概率參數(shù)和所述腦電信號(hào)樣本對(duì)應(yīng)的舒適度標(biāo)簽，對(duì)所述待訓(xùn)練檢測(cè)模型進(jìn)行參數(shù)調(diào)整，包括：

42、確定所述待訓(xùn)練分類(lèi)器的分類(lèi)器權(quán)重以及交叉熵?fù)p失函數(shù)；

43、根據(jù)每個(gè)所述待訓(xùn)練分類(lèi)器的分類(lèi)器權(quán)重以及交叉熵?fù)p失函數(shù)，計(jì)算確定所述待訓(xùn)練檢測(cè)模型對(duì)應(yīng)的損失函數(shù)；

44、利用所述待訓(xùn)練檢測(cè)模型根據(jù)所述預(yù)測(cè)概率參數(shù)，確定預(yù)測(cè)舒適度；

45、根據(jù)所述預(yù)測(cè)舒適度、所述腦電信號(hào)樣本對(duì)應(yīng)的舒適度標(biāo)簽以及所述損失函數(shù)，確定所述待訓(xùn)練分類(lèi)器對(duì)應(yīng)的損失值；

46、根據(jù)所述損失值對(duì)所述待訓(xùn)練檢測(cè)模型進(jìn)行參數(shù)調(diào)整。

47、可選地，所述獲取腦電信號(hào)樣本集，包括：

48、獲取駕乘人員評(píng)價(jià)的主觀(guān)舒適度，并獲取所述主觀(guān)舒適度對(duì)應(yīng)的第二待處理腦電信號(hào)；所述第二待處理腦電信號(hào)中包括參考通道對(duì)應(yīng)的第二參考子數(shù)據(jù)和至少兩個(gè)檢測(cè)通道對(duì)應(yīng)的第二待處理檢測(cè)子數(shù)據(jù)；

49、基于所述第二參考子數(shù)據(jù)，對(duì)所述第二待處理檢測(cè)子數(shù)據(jù)進(jìn)行預(yù)處理，得到處理后的第二檢測(cè)子數(shù)據(jù)；

50、將各個(gè)所述處理后的第二檢測(cè)子數(shù)據(jù)構(gòu)成的腦電信號(hào)，確定為腦電信號(hào)樣本；

51、將所述主觀(guān)舒適度確定為所述腦電信號(hào)樣本對(duì)應(yīng)的舒適度標(biāo)簽；

52、根據(jù)所述腦電信號(hào)樣本和所述舒適度標(biāo)簽之間的對(duì)應(yīng)關(guān)系，構(gòu)建腦電信號(hào)樣本集。

53、可選地，所述獲取所述主觀(guān)舒適度對(duì)應(yīng)的第二待處理腦電信號(hào)，包括：

54、確定獲取駕乘人員評(píng)價(jià)的主觀(guān)舒適度的第一時(shí)刻；

55、在包含所述第一時(shí)刻的第一時(shí)間段內(nèi)采集所述駕乘人員的第二原始腦電信號(hào)；

56、將所述第二原始腦電信號(hào)中，第二時(shí)刻與所述第一時(shí)刻之間的第一腦電信號(hào)片段，以及所述第一時(shí)刻與第三時(shí)刻之間的第二腦電信號(hào)片段確定為第二待處理腦電信號(hào)；

57、其中，所述第二時(shí)刻為在所述第一時(shí)刻之前的時(shí)刻，且所述第二時(shí)刻和所述第一時(shí)刻之間間隔第二時(shí)長(zhǎng)；所述第三時(shí)刻為在所述第一時(shí)刻之后的時(shí)刻，且所述第一時(shí)刻和所述第三時(shí)刻之間間隔第三時(shí)長(zhǎng)；所述第二時(shí)刻和所述第三時(shí)刻為所述第一時(shí)間段內(nèi)的時(shí)刻。

58、為了解決上述技術(shù)問(wèn)題，本發(fā)明實(shí)施例還提供了一種舒適度檢測(cè)裝置，所述裝置包括：

59、第一獲取模塊，用于利用舒適度檢測(cè)模型的特征提取網(wǎng)絡(luò)，根據(jù)目標(biāo)腦電信號(hào)中每個(gè)檢測(cè)通道對(duì)應(yīng)的目標(biāo)子數(shù)據(jù)，獲取所述檢測(cè)通道對(duì)應(yīng)的腦電信號(hào)特征值，并將所述目標(biāo)腦電信號(hào)中不同檢測(cè)通道對(duì)應(yīng)的腦電信號(hào)特征值分別輸入所述舒適度檢測(cè)模型的不同基礎(chǔ)編碼器中；

60、第一確定模塊，用于利用所述基礎(chǔ)編碼器根據(jù)所述腦電信號(hào)特征值，確定所述檢測(cè)通道對(duì)應(yīng)的特征權(quán)重值；

61、第一處理模塊，用于利用所述舒適度檢測(cè)模型的目標(biāo)編碼器，根據(jù)各個(gè)所述檢測(cè)通道對(duì)應(yīng)的特征權(quán)重值，對(duì)各個(gè)所述檢測(cè)通道對(duì)應(yīng)的腦電信號(hào)特征值進(jìn)行降維處理，得到所述目標(biāo)腦電信號(hào)對(duì)應(yīng)的降維特征值；

62、生成模塊，用于利用所述舒適度檢測(cè)模型的至少一個(gè)舒適度分類(lèi)器，根據(jù)所述降維特征值，生成概率參數(shù)；所述概率參數(shù)包括所述舒適度分類(lèi)器對(duì)應(yīng)的舒適度類(lèi)別的概率值；

63、第二獲取模塊，用于獲取所述舒適度檢測(cè)模型根據(jù)所述概率參數(shù)輸出的目標(biāo)舒適度。

64、為了解決上述技術(shù)問(wèn)題，本發(fā)明實(shí)施例還提供了一種模型生成裝置，所述裝置包括：

65、第三獲取模塊，用于獲取腦電信號(hào)樣本集；所述腦電信號(hào)樣本集中包括腦電信號(hào)樣本和所述腦電信號(hào)樣本對(duì)應(yīng)的舒適度標(biāo)簽；所述舒適度標(biāo)簽用于表征所述腦電信號(hào)樣本對(duì)應(yīng)的真實(shí)舒適度；

66、第二確定模塊，用于針對(duì)所述腦電信號(hào)樣本集中的任一腦電信號(hào)樣本，確定待訓(xùn)練檢測(cè)模型中至少一個(gè)待訓(xùn)練分類(lèi)器生成的預(yù)測(cè)概率參數(shù)；所述預(yù)測(cè)概率參數(shù)包括所述待訓(xùn)練分類(lèi)器對(duì)應(yīng)的舒適度類(lèi)別的概率值；

67、調(diào)整模塊，用于根據(jù)所述預(yù)測(cè)概率參數(shù)和所述腦電信號(hào)樣本對(duì)應(yīng)的舒適度標(biāo)簽，對(duì)所述待訓(xùn)練檢測(cè)模型進(jìn)行參數(shù)調(diào)整；

68、第三確定模塊，用于在達(dá)到停止條件的情況下，將所述待訓(xùn)練檢測(cè)模型確定為如上所述的舒適度檢測(cè)模型。

69、為了解決上述技術(shù)問(wèn)題，本發(fā)明實(shí)施例還提供了一種車(chē)輛，所述車(chē)輛包括電子設(shè)備，所述電子設(shè)備包括：處理器、通信接口、存儲(chǔ)器和通信總線(xiàn)；其中，處理器、通信接口以及存儲(chǔ)器通過(guò)通信總線(xiàn)完成相互間的通信；

70、存儲(chǔ)器，用于存放計(jì)算機(jī)程序；

71、處理器，用于執(zhí)行存儲(chǔ)器上所存放的程序時(shí)，實(shí)現(xiàn)如上所述的舒適度檢測(cè)方法中的步驟，或者實(shí)現(xiàn)如上所述的模型生成方法中的步驟。

72、為了解決上述技術(shù)問(wèn)題，本發(fā)明實(shí)施例還提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，該程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如上所述的舒適度檢測(cè)方法中的步驟，或者實(shí)現(xiàn)如上所述的模型生成方法中的步驟。

73、本發(fā)明具備如下優(yōu)點(diǎn)：

74、在本發(fā)明實(shí)施例中，通過(guò)利用舒適度檢測(cè)模型的特征提取網(wǎng)絡(luò)，獲取目標(biāo)腦電信號(hào)中每個(gè)檢測(cè)通道對(duì)應(yīng)的腦電信號(hào)特征值，然后利用舒適度檢測(cè)模型的基礎(chǔ)編碼器根據(jù)所述腦電信號(hào)特征，有效挖掘各個(gè)檢測(cè)通道之間的相關(guān)性，確定檢測(cè)通道對(duì)應(yīng)的特征權(quán)重值，并利用舒適度檢測(cè)模型的目標(biāo)編碼器，根據(jù)各個(gè)檢測(cè)通道對(duì)應(yīng)的特征權(quán)重值，對(duì)各個(gè)檢測(cè)通道對(duì)應(yīng)的腦電信號(hào)特征值進(jìn)行降維處理，得到目標(biāo)腦電信號(hào)對(duì)應(yīng)的降維特征值，強(qiáng)調(diào)對(duì)目標(biāo)舒適度有較大影響的檢測(cè)通道對(duì)應(yīng)的腦電信號(hào)特征值，抑制對(duì)目標(biāo)舒適度影響較小的檢測(cè)通道對(duì)應(yīng)的腦電信號(hào)特征值特征，以提取加權(quán)特征值的局部模式，減少加權(quán)特征值參數(shù)的數(shù)量，提高舒適度檢測(cè)模型的泛化能力，使得其對(duì)不同的目標(biāo)腦電信號(hào)均能有很好的檢測(cè)效果，充分利用各個(gè)目標(biāo)腦電信號(hào)中各個(gè)檢測(cè)通道之間的相關(guān)性，提高舒適度檢測(cè)模型的檢測(cè)精度；利用舒適度檢測(cè)模型的至少一個(gè)舒適度分類(lèi)器，生成包括舒適度分類(lèi)器對(duì)應(yīng)的舒適度類(lèi)別的概率值概率參數(shù)，以獲取舒適度檢測(cè)模型根據(jù)概率參數(shù)輸出的目標(biāo)舒適度；通過(guò)舒適度檢測(cè)模型建立了駕乘人員的目標(biāo)腦電信號(hào)與車(chē)輛舒適度之間的關(guān)系，縮小了舒適度檢測(cè)結(jié)果顆粒度，提高了舒適度檢測(cè)方法的客觀(guān)性和可復(fù)用性，提高了舒適度檢測(cè)結(jié)果準(zhǔn)確性和普適性。

75、上述說(shuō)明僅是本發(fā)明技術(shù)方案的概述，為了能夠更清楚了解本發(fā)明的技術(shù)手段，而可依照說(shuō)明書(shū)的內(nèi)容予以實(shí)施，并且為了讓本發(fā)明的上述和其它目的、特征和優(yōu)點(diǎn)能夠更明顯易懂，以下特舉本發(fā)明的具體實(shí)施方式。