具体实施方式

为了更好的理解本发明的技术方案，下面结合附图详细描述本发明提供的实施例。

如图10所示，本申请实施例提供的一种基于车联网数据信息化的汽车用户健康、行为监测系统，包括依次连接的信息采集模块、传输模块、控制处理模块、预警模块；

所述信息采集模块，用于采集信号源信息，所述信号源信息包括被测对象生理参数以及行为信息；

所述传输模块，用于将信息采集模块采集到的信号源信息传输至控制处理模块；

所述控制处理模块，用于基于预设的驾驶耐久指数，生成预设的系统预警阈值状态集；根据所述信号源信息更新修正被测对象的驾驶耐久指数，并同步生成修正的系统预警阈值状态集；比对信号源信息及驾驶耐久指数是否超出系统预警阈值状态集，得到判断结果；并将判断结果传输至预警模块。

所述预警模块，用于根据控制处理模块的判断结果进行声、光和/或振动预警。

所述预设的驾驶耐久指数，可基于被测对象驾驶前的睡眠数据状态集获取、被测对象短时休憩或放松训练过程的恢复数据状态集获取、被测对象过往历史数据统计状态集获取、真实世界大数据统计状态集获取、真实世界大数据与个性化数据的整合模型状态集获取，或基于前述获取中的一个或多个来获取驾驶耐久指数预设值。

所述预设的驾驶耐久指数，为被测对象自定义配置该驾驶耐久指数预设值。

所述信息采集模块包括非接触采集模块；非接触采集模块，用于采集被测对象的生理参数和/或行为信息而获得被测对象的驾驶耐久指数。

所述非接触采集模块为与被测对象非接触式设置于其臀部下方受力区域和/或背后受力区域的振动传感器，所述振动传感器，用于采集被测对象的行为信息并传输至控制处理模块，所述行为信息包括被测对象驾驶时长、姿态信息指数，所述被测对象姿态信息指数由坐姿状态、坐姿异常值、坐姿异常状态持续时间值其中的一项或多项生成。

所述控制处理模块包括：模型生成模块，用于根据其接收到的信号源信息判断被测对象的驾驶耐久状态，生成被测对象的个性化驾驶耐久指数模型，所述个性化驾驶耐久指数模型配置为生成被测对象清醒状态向疲劳状态过渡的修正的系统预警阈值状态集；

数据处理模块，用于接收行为信息并对其进行初步处理，并根据处理后的行为信息计算被测对象的驾驶耐久指数；其中，所述初步处理包括滤波、放大、A/D转换；

数据比对模块，用于根据其接收到的信号源信息更新修正驾驶耐久指数，并同步生成修正的系统预警阈值状态集，判断被测对象的疲劳状态，得出判断结果。

所述传输模块包括：蓝牙模块，用于接收控制处理模块得出的判断结果，并将其传输至预警模块。

所述预警模块包括：显示模块，用于显示待测对象驾驶耐久状态、行为的可视化报警界面；振动模块，用于实现驾驶座振动；语音模块，用于播放预录制的音频信号。

所述振动模块包括依次相连的稳压驱动电路、振动电机，能够实现不同频率的振动。

所述振动传感器为以加速度、压力、速度、位移为基础将物理量等效性转换的传感器，包括光纤传感器。

所述振动传感器还包括：生理采集模块，用于采集待测对象的生理参数；所述生理参数包括心率、心率变异性、呼吸频率、呼吸模式、精神压力指数、疲劳指数。

所述生理采集模块为手环佩戴式装置，包括：

光学心率传感器，用于测量待测对象血液中的透光率数据，并将该数据传输至DA14580芯片；DA14580芯片，用于对透光率数据进行预处理，并通过该芯片内置的ADC模块进行模数转换，之后求取待测对象的心率；所述预处理包括滤波、除噪。

实施例1：驾驶位生理参数与行为监测，满足疲劳驾驶监测应用

驾驶位A有驾驶员时，可部署振动传感器进行生理参数与行为监测。振动传感器原始信号采集可以通过加速度传感器、压力传感器、速度传感器、位移传感器等进行采集，或者以加速度、压力、速度、位移为基础将物理量等效性转换的传感器（如静电荷敏感传感器、充气式微动传感器、光纤传感器等）进行采集。测量采集原始信号时，一般可将振动传感器放置于平躺仰卧人体背后的受力区域、一定倾斜角仰卧人体背后的受力区域、轮椅或其它可倚靠物体的倚卧人体背后的受力区域、座椅坐具上方直坐或者半卧人体臀部下方受力区域等多种方式进行采集和测量。如图1所示，A为驾驶位，此时可以部署振动传感器在驾驶员臀部下方受力区域A1或者背后受力区域A2，均能够非接触无感采集数据。

基于采集的振动传感器原始信号，可提取呼吸波形分析计算呼吸频率、呼吸模式等参数，还可提取心冲击波形分析计算心率、心率变异性时频参数，能够实时计算，以用于后续显示、存储、记录或传输；基于这些参数的一个或多个，进行不同组合还可构建适用于不同场景下的精神压力指数评估模型、疲劳指数评估模型，并能够实时计算，以用于后续显示、存储、记录或传输；同时还可以监测驾驶员的在位状态，分析持续驾驶时间，并可以增加多路传感器监测不同坐姿状态如前倾后仰左偏右偏状态，并能够实时计算，以用于后续显示、存储、记录或传输。驾驶员可以在车载导航终端C上预览相关数据，也可以通过手机、平板电脑、网页端等方式预览相关数据。

基于预设的系统预警阈值状态集，当上述参数中的一个或多个超出某个限定值时，给出系统预警，预设的系统预警阈值状态集基于预设的驾驶员驾驶耐久指数生成。预设的驾驶耐久指数，其表征客观评估驾驶员可持续驾驶能力的一种指标，可以基于驾驶员驾驶前的睡眠数据状态集获取，可基于驾驶员短时休憩或放松训练过程的恢复数据状态集获取，可基于驾驶员过往历史数据统计状态集获取，可基于真实世界大数据统计状态集获取，可基于真实世界大数据与个性化数据的整合模型状态集获取，可基于前述数据获取中的一个或多个来获取。当然，驾驶员也可以根据自身主观感受自定义手动配置该驾驶耐久指数值。当然，当驾驶耐久指数超出某个限定值时，也会给出系统预警。

在本发明中，为统一描述，不妨定义驾驶耐久指数为DEI(Driving enduranceindex)，心率HR(Heart Rate)，心率变异性HRV(Heart Rate Variability)，呼吸频率RR(Respiratory Rate)，呼吸模式RM(Respiratory Mode)，精神压力指数MSI(Mental StressIndex)，疲劳指数FI(Fatigue Index)，单次持续驾驶时间OCDT(Once Continued DrivingTime)，累计驾驶时间CDT(Cumulative driving time)，姿态信息指数AII(AttitudeInformation Index)。

在本实施例中，预设的驾驶耐久指数的值由车主上车前手动自定义配置（自定义设定值，会有安全边界，不能超出合理范围）。假设驾驶员自定义配置当前驾驶耐久指数为DEI(t0)，根据该预设值，自动生成与之匹配的系统预警阈值状态集WarningStatus(t0)，其包括单次持续驾驶时间、累计驾驶时间、心率异常值、心率异常持续时间、呼吸频率异常值、呼吸频率异常值持续时间、心率变异性时频参数异常值、心率变异性时频参数异常值持续时间、呼吸模式异常值、呼吸模式异常值持续时间、精神压力指数异常值、精神压力指数异常值持续时间、疲劳指数异常值、疲劳指数异常值持续时间、各坐姿异常值、各坐姿异常状态持续时间等其中的一项或多项。在一个实施例中，驾驶耐久指数可以表示成0~100分值，1~5档位等，只要能够区分表达不同分值或者区间的可持续驾驶能力，各种表征方式均可以，然后根据驾驶耐久指数生成预设的系统预警阈值状态集，用来做驾驶员持续驾驶能力不足的预警判断条件。

驾驶耐久指数表征驾驶员持续驾驶的能力，在驾驶员的驾驶过程中，会不断损耗驾驶能力，即损耗驾驶耐久指数。根据监测到的驾驶员生理参数和行为信息，以及预设的初始驾驶耐久指数DEI(t0)，生成驾驶耐久指数随时间变化的驾驶耐久指数曲线。

以最简单的实施例进行说明，假设只建立与单次持续驾驶时间相关的驾驶耐久指数模型，定义驾驶耐久指数损耗δdei，DEI(t) = DEI(t0) – δdei(t)，δdei(t) = g(ODT(t))，即驾驶耐久指数损耗为与单次持续驾驶时间相关。其可以采用函数进行拟合，比如多项式函数、指数函数、分段拟合、非线性拟合等。拟合函数的表达式和系数可以基于驾驶员过往历史数据统计获取，可基于真实世界大数据统计获取，可基于真实世界大数据与个性化数据的整合模型获取，可基于前述数据获取中的一个或多个来获取。本发明中后文涉及的数据均可以通过这些数据集获取。

不妨定为最简单的线性函数以二次函数为例，δdei(t) = g(ODT(t)) = A2 * ODT(t)^2 + A1 * ODT(t) + A0，则随着单次持续驾驶时间的增加，DEI(t) = DEI(t0) – (A2* ODT(t)^2 + A1 * ODT(t) + A0)。如图2所示，绘制一随时间变化的DEI曲线和OCDT曲线。实线为DEI曲线，随着时间的推移，驾驶耐久指数被损耗之后不断下降；长虚线为OCDT曲线，一般地随着时间推移其不断上升，为了示意图清晰，本实施例给出反向绘制。与之对应的系统预警阈值状态集WarningStatus(DEI, OCDT)包含两个方面，即驾驶耐久指数的系统预警阈值状态WarningStatus[DEI]以及单次持续驾驶时间的系统预警阈值状态WarningStatus[ODT]。当发现真实的DEI(t)要低于WarningStatus[DEI]限定阈值时，如图2中所示t1时间点；或者ODT(t)超出WarningStatus[ODT]限定阈值时，如图2中所示t2时间点；综合两种状态，系统给出预警，即在t1时刻，系统就已经能够给出预警。

此时，WarningStatus(DEI, OCDT)为在一开始就根据初始的DEI(t0)生成的状态集，之后维持不变。进一步地，考虑其会跟随DEI, OCDT参数变化，与之对应的系统预警阈值状态集WarningStatus(t)成为一个可变状态集。如图3所示，原本恒定不变的WarningStatus[DEI]变为随着单次驾驶持续时间逐步抬升的WarningStatus[DEI*]曲线，而原本恒定不变的WarningStatus[ODT]变为随着驾驶耐久指数下降逐步变换的WarningStatus[ODT*]曲线。当发现真实的DEI(t)要低于WarningStatus[DEI(t)]限定阈值时，如图3中所示t1*时间点；或者ODT(t)超出WarningStatus[ODT(t)]限定阈值时，如图3中所示t2*时间点；综合两种状态，系统给出预警，即在t1*时刻，系统就已经能够给出预警。此时得到的t1*时间点要早于t1时间点，t2*时间点要早于t2时间点，系统将能够更早地获取预警状态，提前给驾驶员警示信号。

进一步地，引入心率HR的影响，一般地当心率越高，驾驶员投入到驾驶行为的精力消耗越大，因此驾驶耐久指数的损耗会越大。如图4所示，上半部分曲线为与之前实施例对应的参数变化示意图，下半部曲线为心率趋势示意图。此时，先看上半部分曲线，依赖于振动传感器对心率的持续监测，在前面实施例的基础上，修正DEI*(t) = DEI(t0) – (A2 *ODT(t)^2 + A1 * ODT(t) + A0) – f(HR)，其中f(HR)为一个关于HR的函数，同样地其可以采用函数进行拟合，比如多项式函数、指数函数、分段拟合、非线性拟合等，拟合函数的表达式和系数可以基于多种数据（源）统计方法进行获取。

由此，随着时间推进，修正后的驾驶耐久指数曲线DEI*(t)在总体趋势上要位于原来的DEI(t)曲线下方。于是基于修正后的DEI*(t)可获得WarningStatus[OCDT**(t)]曲线，由于DEI*(t)总体上要比DEI(t)小，因此WarningStatus[OCDT**(t)]要比原来状态变化得更快，因此其总体趋势上要位于WarningStatus[OCDT*(t)]曲线上方。当发现真实的DEI*(t)要低于WarningStatus[DEI*(t)]限定阈值时，如图4中所示t1**时间点，此时要早于时间t1*点；当发现真实的OCDT*(t)要超出WarningStatus[OCDT**(t)]限定阈值时，如图4中所示t2**时间点，此时要早于时间t2*点。于是根据t1**和t2**综合判断，系统将能够更早地获取预警状态，提前给驾驶员警示信号。再看下半部分曲线，假设点划线为心率预警线，实线为实时追踪的心率趋势曲线，则在t3时刻时，发现心率值超出基于DEI*(t)修正后的心率预警线WarningStatus[HR*(t)]，此时即可进行预警。综合比较t3与t1**||t2**，在那个时间点早，即可进行预警。在本实施例中，t3恰好早于t1**||t2**，因此t3时刻就可以开启预警状态。在一个实施例中，还可以指定第N（N>1）次发现心率超出预警线，或者心率超出预警线持续时间，或者心率超出预警线后延迟设定时间长度等多种方式判断心率预警时间点。在一个实施例中，不同的心率预警机制可能产生的t3时间点要比t1**||t2**时间点晚，甚至晚于t1*||t2*时间点；但不影响t1**||t2**时间点一定不晚于t1*||t2*时间点，且t1*||t2*时间点一定不晚于t1||t2时间点。

通过前面实施例的说明，从传统技术的最终检测到驾驶员疲劳状态的t1||t2时间点，通过加入单次持续驾驶时间修正后，将预警时间提前到t1*||t2*状态；然后再加入心率修正后，将预警时间提前到t1**||t2**||t3，进一步获得更前瞻性的预警状态。

在一个实施例中，可以考虑更多驾驶行为参数，振动传感器容易获得驾驶员的坐姿参数，分析其前倾、后倾、左倾、右倾等坐姿信息，并且能够分析其倾斜的强度（如略微左倾，中度左倾，大幅左倾），切换的频繁度，切换的类型（如前倾切到左倾，右倾切到左倾，后倾切到左倾）等。每个驾驶员有其适配的舒适坐姿，当被路段、环境等因素条件影响下，如频繁急转、颠簸恶劣等，可能导致其驾驶耐久指数损耗相比其正常的舒适坐姿下更快。当然，也不能维持同一个坐姿太久时间，如超长直路段、视线单一等，可能引起其注意力单一困乏、血液循环不畅等同样导致其驾驶耐久指数损耗相比其正常的舒适坐姿下更快。为简单说明实施例应用，将前面HR的影响替换为坐姿AII的影响。如图5所示，上半部分曲线为与之前实施例对应的参数变化示意图，下半部曲线为坐姿趋势示意图。此时，对应上半部分曲线，依赖于振动传感器对坐姿的持续监测，在前面实施例的基础上，修正DEI*(t) = DEI(t0) – (A2 * ODT(t)^2 + A1 * ODT(t) + A0) – f(AII)，其中f(AII)为一个关于AII的函数，同样地其可以采用函数进行拟合，比如多项式函数、指数函数、分段拟合、非线性拟合等，拟合函数的表达式和系数可以基于多种数据（源）统计方法进行获取。不妨将其建立为分段拟合函数：

若前倾，f(AII)=f1(AII(t))；

若后倾，f(AII)=f2(AII(t))；

若左倾，f(AII)=f3(AII(t))；

若右倾，f(AII)=f4(AII(t))；

若正常，f(AII)=f5(AII(t))；

各分段函数还可以根据实际数据（源）采用比如多项式函数、指数函数、分段拟合、非线性拟合等方法进行拟合。由此，随着时间推进，修正后的驾驶耐久指数曲线DEI*(t)在总体趋势上要位于原来的DEI(t)曲线下方。于是基于修正后的DEI*(t)可获得WarningStatus[OCDT**(t)]曲线，由于DEI*(t)总体上要比DEI(t)小，因此WarningStatus[OCDT**(t)]要比原来状态变化得更快，因此其总体趋势上要位于WarningStatus[OCDT*(t)]曲线上方。当发现真实的DEI*(t)要低于WarningStatus[DEI*(t)]限定阈值时，如图5中所示t1**时间点，此时要早于时间t1*点；当发现真实的OCDT*(t)要超出WarningStatus[OCDT**(t)]限定阈值时，如图5中所示t2**时间点，此时要早于时间t2*点。于是根据t1**和t2**综合判断，系统将能够更早地获取预警状态，提前给驾驶员警示信号。

通过前面实施例的说明，从传统技术的最终检测到驾驶员疲劳状态的t1||t2时间点，通过加入单次持续驾驶时间修正后，将预警时间提前到t1*||t2*状态；然后再加入坐姿修正后，将预警时间提前到t1**||t2**，进一步获得更前瞻性的预警状态。

当然，在一个实施例中，还可以把前述心率HR和坐姿AII同时加入修正。进一步地，还可以加入更多生理参数和行为参数，来对驾驶耐久指数曲线进行修正，包括单次持续驾驶时间、累计驾驶时间、心率、心率变异性时频参数、呼吸频率、呼吸模式、坐姿状态、心率异常值、心率异常持续时间、呼吸频率异常值、呼吸频率异常值持续时间、心率变异性时频参数异常值、心率变异性时频参数异常值持续时间、呼吸模式异常值、呼吸模式异常值持续时间、精神压力指数异常值、精神压力指数异常值持续时间、疲劳指数异常值、疲劳指数异常值持续时间、各坐姿异常值、各坐姿异常状态持续时间等其中的一项或多项。其加入步骤如下：

1.基于预设的驾驶耐久指数DEI(t0)，生成预设的系统预警阈值状态集，其包含：①关于参数X=[x1,x2,x3,…,xn]T（X可能是前述生理参数或行为参数中的一个或多个）的初始预警状态信息WarningStatus[X(t0)]=WarningStatus[[x1(t0),x2(t0),x3(t0),…,xn(t0)]T]；②关于DEI随时间变化的预警状态曲线WarningStatus[DEI(t)]；

2.监测驾驶过程中的参数X=[x1,x2,x3,…,xn]T，获得DEI关于参数X随时间变化的修正驾驶耐久指数DEI[*](X, t)= DEI[*]([x1,x2,x3,…,xn]T, t)；

3.基于修正的驾驶耐久指数DEI[*](X, t)，更新关于参数X=[x1,x2,x3,…,xn]T的预警阈值状态信息WarningStatus[X(t)]= WarningStatus[[x1(t),x2(t),x3(t),…,xn(t)]T]；

4.更新后的系统预警阈值状态集包含两部分：WarningStatus[[x1(t),x2(t),x3(t),…,xn(t)]T] ∪ WarningStatus[DEI(t)]；

5.根据DEI[*](X, t)与WarningStatus[DEI(t)]判断预警时间点T1；

6.根据X(t)与WarningStatus[X(t)]判断预警时间点T2[X]=[t2(x1),t2(x2),t2(x3),…,t2(xn)]；

7.根据T1与T2预警时间点，在任一预警时间点最早发生时启动预警。

当检测到预警事件发生时，车内给出预警提示，声音警报唤醒车主，提示车主尽快寻找安全停车区比如高速服务区进行安全停车休息。在一个实施例中，该预警还可以通过调动车上的其他预警设备包括声、光、振动等多种途径进行，例如车灯双闪以警示周边车辆注意、车内音响D1、D2给出警示音乐唤醒驾驶员集中精力、背部或者臀部振动感警示唤醒驾驶员集中精力。

驾驶员在接受预警后可做出处理，还可以标记当下预警的可靠状态，系统会记录该标记的准确性不断自学习修正预设的阈值状态集，不断迭代优化匹配驾驶员自身生理参数与行为的真实数据模型，修正预警的准确性。在一个实施例中，还可以与车载导航集成为一个系统，当驾驶员接受预警之后给出推荐的泊车休息位置，驾驶员可以直接根据推荐导航去相关的安全停车区休息。

实施例2：乘客位生理参数与行为监测，满足安全监测应用

乘客位部署振动传感器时，可监测其生理参数与行为数据。如图1所示，B为乘客位（车内还可以有其他乘客位，仅作为示意），此时可以部署振动传感器在乘客臀部下方受力区域B1或者背后受力区域B2，均能够非接触无感采集数据。

1)监测乘客的生理参数如心率、呼吸率参数，当发生异常时给出提示，或者记录相关数据，以帮助乘客及早发现问题。预设的异常值可以是自定义的状态集，可以基于乘客（当专属车位时的）过往数据集分析得到的正常状态集，可以是真实世界海量大数据的统计结果状态集，也可以是大数据整合个性化数据得到的状态集。

2)监测乘客在位状态，如校车在某些启停位置可能遗漏学生上车，可事先标记预设出行在位人数，当在启停位置（如服务区学生上洗手间后重新出发）可能发生遗漏上车时给出预警，表明乘客未全就位。或者私家车预设出行在位人数，在后续启停状态发生改变时，发生遗漏上车时给出预警，表明乘客未全就位。此时监测在位状态可能需要全车部署振动传感器，图6所示为某五座小汽车示意图，驾驶位A之外有四个乘客位B，假设全部乘坐位（1个驾驶位和4个乘客位）均部署振动传感器。当全家出行旅游时，可以在系统预设出行家庭成员数（不妨假设为5个人），车载导航终端C可以显示各个位置的就位状况图，当中途在服务区停靠后，驾驶员如果粗心直接出发，而系统监测到在位数小于5的时候，给出预警提示，表明可能未全就位而发生遗漏上车。驾驶员可以当即响应相关处理措施。

3)监测乘客在位状态，如家庭婴幼孩遗忘车内，而车窗自动关闭导致窒息身亡事件，当监测到相应乘坐位仍有乘客时，触发相应的预警，如锁车预警提示，如果驾驶员仍然锁车，则在后续以一定的规则如定时推送，触发生理参数异常提示推送，体动过大或者上下坐动作触发提示推送等，提醒车主可能需要返回车内确定乘客状态。进一步地，可以在监测生理参数异常时，针对授权车能够自动打开一定的车窗空隙，满足空气流通，以更好地保护车内遗忘乘客安全。或者车上发出警示或求救信号，周边如果有人在可以过来观察是否车内是否困有乘客而进行营救。同样地以图6进行说明，当车主熄火上锁前，乘客位上仍监测到生命体征（或者未监测到相应的离座信号）时，给出预警提示车内仍有乘客。如果车主确认知晓，并仍然离开之后，则在后续以一定的规则推送预警信息，提醒车主可能需要返回车内确定乘客状态。进一步地，如果监测到车内乘客生理参数异常时，针对授权车能够自动打开一定的车窗空隙，满足空气流通，以更好地保护车内遗忘乘客安全。或者车上发出警示或求救信号，周边如果有人在可以过来观察是否车内是否困有乘客而进行营救。

4)监测乘客在位状态，如针对自动驾驶汽车，订单人预设上车人数为1人，当监测到2人或者多人时（可能突发劫持），可以推送订单人进行确认，如未及时确认，可以对授权紧急联系人进行预警推送，以增强应对突发事件的能力，更加保证订单人出行安全。同样地以图6进行说明，如果订单人预设上车人数为1人，但是当最后实施订单人数超过该数量时，先给订单人推送信息确认，如果订单人无法及时确认，可能发生安全事件。进一步地可以对授权紧急联系人进行预警推送，紧急联系人可能会及时联系订单人确认状态，或者采取其它有效措施，以增强应对突发事件的能力，更加保证订单人出行安全。

实施例3：放松训练生理参数监测反馈

驾驶员在接受疲劳预警后，传统的技术方案并不关注预警完成后续驾驶员如何恢复精神状态。一般地，在做出预警处理后，需提示驾驶员去安全停车区停靠休息。驾驶员可以根据自己经验判断去路边或者高速服务器进行休息，系统也可以整合导航系统给出推荐的安全停车区域直接导航驾驶员前往该区域进行休息。

当驾驶员执行停靠休息操作时，传统的技术方案无关注无干预，只能依靠驾驶员闭目养神休息。而在本实施例中，部署振动传感器后，可整合放松训练模块，帮助驾驶员更快地提升恢复效率，同时对其恢复状况做出反馈评估，客观评估其后续可持续驾驶能力即驾驶员驾驶耐久指数。驾驶员可以根据自身的主观感受与客观的数据，对自己是否可以再出发的可能性做出更加有效的评估，帮助提前预警发生疲劳安全事件的可能性。

如图7所示，不妨以车载导航终端C作为载体进行举例，终端内安装放松训练的应用程序，内置多种不同的放松训练模块，譬如指引或辅助驾驶员放松的语音引导、音乐疗法、VR疗法、双耳节拍疗法等。假设以语音引导为例，如图7中所示车载音响播放相应的引导音频，驾驶员无需多余操作，只需闭目就坐，根据引导提示语音尽可能沉浸式地放松身心。当然在一个实施例中，还可以配合用户习惯，或者其它疗法模式的应用场景，可以配置耳机、VR眼镜、体感振动反馈等其他配件。放松训练的模块可以用户自定义，也可以根据用户历史放松训练效果，智能化根据当下场景的用户数据智能化地生成。

振动传感器在驾驶员进行放松训练的同时，采集振动传感器原始数据，实时计算相关参数，评估精神状态。训练完成之后，给出训练过程的相关报告，反映精神状态的恢复情况及生理参数的趋势特征。一方面放松训练的模块切实帮助驾驶员获得比单纯闭目养神更好的放松效果，一方面生物反馈评估结果帮助其评估自身状态，客观评估其后续可持续驾驶能力即驾驶员驾驶耐久指数。此时驾驶耐久指数根据训练过程记录的数据来生成，如精神状态是否恢复到可接受的区间范围，如精神状态是否恢复到可接受的区间范围内并且稳定（如持续15分钟）。在一个实施例中，驾驶耐久指数还可以根据放松训练模块类型以及持续的时长进行修正。驾驶员可以根据自身的主观感受与客观的数据，更有效评估自身后续的可持续驾驶能力，决定是否重新出发。当然，如果客观数据明显异常，会预警驾驶员，让驾驶员确认自身状态。

基于采集的振动传感器原始信号，可提取呼吸波形分析计算呼吸频率、呼吸模式等参数，还可提取心冲击波形分析计算心率、心率变异性时频参数，能够实时计算，以用于后续显示、存储、记录或传输；基于这些参数的一个或多个，进行不同组合还可构建适用于不同场景下的精神压力指数评估模型、疲劳指数评估模型，并能够实时计算，以用于后续显示、存储、记录或传输；同时还可以监测驾驶员的在位状态，分析休息或训练时间，并可以增加多路传感器监测不同坐姿位如前倾后仰左偏右偏状态，并能够实时计算，以用于后续显示、存储、记录或传输。驾驶员可以在车载导航终端C上预览相关数据，也可以通过手机、平板电脑、网页端等方式预览相关数据。

与前述实施例1中的驾驶过程相反，这里评估的是驾驶耐久指数DEI恢复过程，在驾驶员的休息或放松训练过程中，会不断累积驾驶能力，即累积驾驶耐久指数。根据监测到的驾驶员生理参数和行为信息，以及预设的初始驾驶耐久指数DEI(t0)，生成驾驶耐久指数随时间变化的驾驶耐久指数曲线，当驾驶耐久指数符合驾驶员再次出行的条件时才不预警。如果驾驶耐久指数仍然在不合适继续驾驶的区间范围内，如果驾驶员重新发车需要给出预警提示，并记录下预警事件。当然，驾驶员可以根据后续驾驶任务做出自身判断，比如后续只需再驾驶非常短的里程路断，系统可能会根据驾驶员的预警配置适当降低预警等级。当然，优先原则还是安全原则，但不排除驾驶员自身的主观控制。

以最简单的实施例进行说明，假设只建立与精神压力指数相关的驾驶耐久指数模型。在一个实施例中，可简单以一定时间内的心率均值映射精神压力指数Stress(HR(t))，当心率越高时代表精神压力越高，而心率越低且趋于稳定时代表精神压力低。在一个实施例中，可简单以一定时间内的呼吸频率均值映射精神压力指数Stress(RR(t))，当呼吸频率越高时代表精神压力越高，而呼吸频率越低且趋于稳定时代表精神压力低。本实施例中，利用心率变异性进行计算，其反映了自主神经系统的交感神经和副交感神经的协同作用，表征了自主神经系统功能和平衡能力，能够反映患者精神状态。心率变异性有诸多分析方法，包括线性分析方法和非线性分析方法，而线性分析方法还包括时域分析方法、频域分析方法、传递函数分析方法等。本实施例中采用频域分析方法，基于前述获得的时域BCG信号波形，通过搜波方法获得其逐拍的心拍间宽序列，取一定时间长度（例如2分钟、5分钟）的心拍间宽序列进行功率谱分析。功率谱的获取可以采用傅立叶变换、Welch谱方法、AR谱估计等方法进行。本实施例采用AR谱估计法，然后进行分谱，分组归类高频分量HF为0.15~0.40Hz，低频分量LF为0.04~0.15Hz，超低频分量VLF为0.003~0.04Hz。计算低频分量与高频分量的能量比LF/HF，其反映自主神经系统的平衡状态，以此映射精神压力指数Stress(HRV(t))，HRV(t)= HRV((LF/HF)(t))。进一步的，在一个实施例中，还可以结合总功率谱TP进行修正精神压力指数Stress(HRV(t))，HRV(t)= HRV((LF/HF)(t)，TP(t))。

在一个实施例中，还可以同时通过心率，呼吸频率，心率变异性三者来综合计算Stress(HR(t), RR(t), HRV(t))，以综合考量各参数对患者精神状态的影响。在一个实施例中，还可以同时通过更多其它参数来综合计算Stress(t)，以综合考量多参数对患者精神状态的影响。

本实施例中，将精神压力指数值映射为0-100分，数值越大表示越感到压力，0~20表示压力良好，20~40表示压力可接受，40~60表示稍感压力，60-80表示中等压力，80~100表示重度压力。在一个实施例中，精神压力指数还可以表示成A~H档位，1~5档位等，只要能够区分表达不同分值或者区间的精神压力状态，各种表征方式均可以。拟合驾驶耐久指数DEI的恢复与精神压力的函数关系，比如多项式函数、指数函数、分段拟合、非线性拟合等，拟合函数的表达式和系数可以基于多种数据（源）统计方法进行获取。不妨将其建立为分段拟合函数：

若0＜MSI(t)≤20，δdei(t)=f1(MSI(t))；

若20＜MSI(t)≤40，δdei(t)=f2(MSI(t))；

若40＜MSI(t)≤60，δdei(t)=f3(MSI(t))；

若60＜MSI(t)≤80，δdei(t)=f4(MSI(t))；

若80＜MSI(t)≤100，δdei(t)=f5(MSI(t))；

各分段函数还可以根据实际数据（源）采用比如多项式函数、指数函数、分段拟合、非线性拟合等方法进行拟合。如图8所示为某一驾驶员进行放松训练过程中的精神压力指数变化曲线，以及随之更新的驾驶耐久指数曲线。为为示意图清晰，本实施例将两者数据进行纵坐标匹配。初始的时候驾驶耐久指数DEI(t0)较低，不能支撑驾驶员较好的进行持续驾驶，此时精神压力指数MSI(t0)较高。驾驶员进行为期时长为t=T的放松训练，图8记录的整个过程的参数变化。可以看到随着放松训练的持续进行，精神压力指数逐渐从高值水平线逐渐下降，然后在低值水平线上下波动；相应地，驾驶耐久指数随之累积和储备，逐步上升。当t=t1时，驾驶耐久指数恢复到DEI(t1)，当t=t2时，驾驶耐久指数恢复到DEI(t2)。如果系统预估的后续驾驶行为需要为DEI(*)=DEI(t2)。则如果在t=t1时刻，驾驶员结束放松训练（或停止休息）而想继续驾驶出行，此时系统判断其驾驶耐久指数仍然无法支撑其完成接下来的驾驶任务（或者在不合适继续驾驶的区间范围内），会驾驶员给出预警提示，并记录下预警事件。当然，驾驶员可以根据后续驾驶任务做出自身判断，比如后续只需再驾驶非常短的里程路断，系统可能会根据驾驶员的预警配置适当降低预警等级。当然，优先原则还是安全原则，但不排除驾驶员自身的主观控制。而如果在t=t2时刻，驾驶员结束放松训练（或停止休息）而想继续驾驶出行，此时系统判断其驾驶耐久指数已经恢复到合理水平，则不会预警，相关的报告驾驶员可以自行预览，或者根据驾驶员自己设定弹窗或语音提示等。本实施例中，驾驶员在t2时刻之后还继续放松训练直到t=T(T>t2)时刻才结束，驾驶耐久指数已经恢复到DEI(*)以上，因此不会预警，驾驶员可以根据自身的主观感受与客观数据报告，安心安稳出行。

在一个实施例中，还可以配置相关的按摩功能，帮助驾驶员进行放松。在一个实施例中，还可以配置座椅加热功能，帮助驾驶员进行放松。在一个实施例中，还可以配置车内环境匹配功能，如香薰灯控制，温度控制，光线控制等，帮助驾驶员进行放松。

当然在驾驶员重新驾驶上路后，仍然持续地进行后续实时监测，不断记录驾驶员的生理参数和行为特性，不断更新驾驶员的驾驶耐久指数，即相当于回到实施例1的场景，只是将预设的初始驾驶耐久指数替换为当前短时休憩或放松训练恢复的驾驶耐久指数。同时还可以基于该短时休憩或放松训练过程来修正驾驶耐久指数模型，修正预设的系统预警阈值状态集，提升预警的前瞻性和准确性，进一步保证安全。例如，驾驶员在t=t1的时候即停止放松训练，预警其可能驾驶耐久指数恢复程度不足，但是驾驶员仍然出行。那么可能在继续出行的过程中，驾驶耐久指数会比原有的模型损耗得更快，则会在相较更短的时间内达到预警状态，以更好地确保驾驶员的驾驶安全。

实施例4：睡眠监测反馈

驾驶员进行长途驾驶时，尤其大车司机，很可能车即为其第二个“家”，作息基本在车上完成，包括睡眠。又或者多位司机交叉轮换长途驾驶，需要轮换休息。此时与短时的放松训练模式不一样，驾驶员需要较长时间的睡眠恢复。

在本实施例中，车内部署振动传感器后，还可以整合睡眠监测功能，监测驾驶位或者乘客位的睡眠状态、睡眠质量、睡眠分期、睡眠过程的精神状态恢复等各项指标。在一个实施例中，驾驶员可能在驾驶位停车睡眠休息；在一个实施例中，驾驶员可能与另一个驾驶员在前排乘客位交叉驾驶睡眠休息；在一个实施例中，大车驾驶员可能躺在后排座位上睡眠休息；在一个实施例中，房车驾驶员可能在某个床位上睡眠休息。

睡眠完成后，驾驶员可以获取睡眠过程的相关报告，反映精神状态的恢复情况及生理参数的趋势特征，生物反馈评估结果帮助其评估自身状态，客观评估其后续可持续驾驶能力即驾驶员驾驶耐久指数。此时驾驶耐久指数根据睡眠过程记录的数据来生成，如睡眠状态、睡眠质量、睡眠分期、睡眠时长、睡眠过程的精神状态恢复等各项指标中的一项或多项。驾驶员可以根据自身的主观感受与客观的数据，更有效评估自身后续的可持续驾驶能力，决定是否重新出发或者交换驾驶员。当然，如果客观数据明显异常，会预警驾驶员，让驾驶员确认自身状态。

与前述实施例1中的驾驶过程相反，这里评估的是驾驶耐久指数DEI恢复过程，在驾驶员的睡眠恢复过程中，会不断累积驾驶能力，即累积驾驶耐久指数。根据监测到的驾驶员生理参数和行为信息，以及预设的初始驾驶耐久指数DEI(t0)，生成驾驶耐久指数随时间变化的驾驶耐久指数曲线，当驾驶耐久指数符合驾驶员再次出行的条件时才不预警。如果驾驶耐久指数仍然在不合适继续驾驶的区间范围内，如果驾驶员重新发车需要给出预警提示，并记录下预警事件。当然，驾驶员可以根据后续驾驶任务做出自身判断，比如后续只需再驾驶非常短的里程路断，系统可能会根据驾驶员的预警配置适当降低预警等级。当然，优先原则还是安全原则，但不排除驾驶员自身的主观控制。

以最简单的实施例进行说明，假设只建立与睡眠分期Sleep相关的驾驶耐久指数模型。按照国际标准可以将睡眠分期划定为清醒期、浅睡眠N1期，浅睡眠N2期，深睡眠N3期，快速眼动REM期。当然也可以更加简化，将浅睡眠N1和N2合并为一个区，或者更加简单只区分清醒和入睡。本实施例中，取这五个睡眠分期状态。拟合驾驶耐久指数DEI的恢复与睡眠分期Sleep的函数关系，比如多项式函数、指数函数、分段拟合、非线性拟合等，拟合函数的表达式和系数可以基于多种数据（源）统计方法进行获取。不妨将其建立为分段拟合函数：

若Sleep为清醒，δdei(t)=g1(Sleep(t))；

若Sleep为N1期，δdei(t)=g2(Sleep(t))；

若Sleep为N2期，δdei(t)=g3(Sleep(t))；

若Sleep为N3期，δdei(t)=g4(Sleep(t))；

若Sleep为REM期，δdei(t)=g5(Sleep(t))；

各分段函数还可以根据实际数据（源）采用比如多项式函数、指数函数、分段拟合、非线性拟合等方法进行拟合。如图9所示为某一驾驶员进行睡眠恢复过程中的睡眠分期变化曲线，以及随之更新的驾驶耐久指数曲线。为为示意图清晰，本实施例将两者数据进行纵坐标匹配。初始的时候驾驶耐久指数DEI(t0)较低，不能支撑驾驶员较好的进行持续驾驶，此时驾驶员为清醒状态Sleep(t0)=Wake。驾驶员进行为期时长为t=T的睡眠恢复，图9记录的整个过程的参数变化。可以看到随着睡眠恢复的持续进行，驾驶员从清醒到浅睡N1和N2波动，然后进入深睡N3，然后进入REM，再回到浅睡最后清醒状态；相应地，驾驶耐久指数随之累积和储备，逐步上升。当t=t1时，驾驶耐久指数恢复到DEI(t1)，当t=t2时，驾驶耐久指数恢复到DEI(t2)。如果系统预估的后续驾驶行为需要为DEI(*)=DEI(t2)。则如果在t=t1时刻，驾驶员结束睡眠恢复（闹铃闹醒或者某个事件惊醒）而想继续驾驶出行，此时系统判断其驾驶耐久指数仍然无法支撑其完成接下来的驾驶任务（或者在不合适继续驾驶的区间范围内），会驾驶员给出预警提示，并记录下预警事件。当然，驾驶员可以根据后续驾驶任务做出自身判断，比如后续只需再驾驶非常短的里程路断，系统可能会根据驾驶员的预警配置适当降低预警等级。当然，优先原则还是安全原则，但不排除驾驶员自身的主观控制。而如果在t=t2时刻，驾驶员结束睡眠恢复而想继续驾驶出行，此时系统判断其驾驶耐久指数已经恢复到合理水平，则不会预警，相关的报告驾驶员可以自行预览，或者根据驾驶员自己设定弹窗或语音提示等。本实施例中，驾驶员在t2时刻之后还睡眠恢复直到t=T(T>t2)时刻才结束，驾驶耐久指数已经恢复到DEI(*)以上，因此不会预警，驾驶员可以根据自身的主观感受与客观数据报告，安心安稳出行。

在一个实施例中，还可以配置相关的按摩功能，帮助驾驶员进行睡眠恢复。在一个实施例中，还可以配置座椅加热功能，帮助驾驶员进行睡眠恢复。在一个实施例中，还可以配置车内环境匹配功能，如香薰灯控制，温度控制，光线控制等，帮助驾驶员进行睡眠恢复。

当然在驾驶员重新驾驶上路后，仍然持续地进行后续实时监测，不断记录驾驶员的生理参数和行为特性，不断更新驾驶员的驾驶耐久指数，即相当于回到实施例1的场景，只是将预设的初始驾驶耐久指数替换为当前睡眠恢复的驾驶耐久指数。同时还可以基于该睡眠恢复过程来修正驾驶耐久指数模型，修正预设的系统预警阈值状态集，提升预警的前瞻性和准确性，进一步保证安全。例如，驾驶员在t=t1的时候即停止睡眠恢复，预警其可能驾驶耐久指数恢复程度不足，但是驾驶员仍然出行。那么可能在继续出行的过程中，驾驶耐久指数会比原有的模型损耗得更快，则会在相较更短的时间内达到预警状态，以更好地确保驾驶员的驾驶安全。

在一个实施例中，振动传感器还可以部署在驾驶员家中，或者便携式即插即用部署于入住酒店，以获得相关数据。在一个实施例中，还可以通过其他设备或技术方案获得睡眠数据时，如通过穿戴式手表手环获得睡眠数据，然后将数据接口打通。由此，整合夜间睡眠数据来补偿计算驾驶出行的安全模型，反之白天的出行数据可以补偿计算夜间睡眠的恢复模型，建立全流程数据链路，更加有利于帮助驾驶员进行良好地自我评估管理，为其健康安全出行保驾护航。

实施例5：更多数据应用

本发明实施例1、实施例3和实施例4阐明了自定义配置预设的驾驶员驾驶耐久指数、基于驾驶员驾驶前的睡眠数据状态集获取预设的驾驶员驾驶耐久指数、基于驾驶员驾驶前的睡眠数据状态集获取预设的驾驶员驾驶耐久指数，而当数据不断积累后，可根据大数据方法获得。在一个实施例中，可基于驾驶员过往历史数据统计状态集获取，假设某驾驶员某次出行前未接通监测数据，假设其在之前的三个月内的预设值统计特性为Mean(DEI)±SD(DEI)，则可以基于该特性将预设值推荐设置成Mean(DEI)，当然驾驶员可以在此基础上自定义更改调整。但自定义设定值，会有安全边界，不能超出合理范围。合理范围的边界，也可以根据大数据方法统计获得，比如不高于前三个月全部初始值中的90%预设值。

在一个实施例中，可基于真实世界大数据统计状态集获取，例如某地区10万人的监测数据计算得到的预设驾驶耐久指数为Mediam(DEI)，假设某驾驶员未接通监测数据，可以将预设值推荐设置成Mediam(DEI)，当然驾驶员可以在此基础上自定义更改调整。但自定义设定值，会有安全边界，不能超出合理范围。合理范围的边界，也可以根据大数据方法统计获得，比如不高于某地区10万人中90%驾驶员的预设值。

在一个实施例中，还可以可基于真实世界大数据与个性化数据的整合模型状态集获取，即同时考量Mean(DEI)和Mediam(DEI)。在一个实施例中，还可基于前述数据获取中的更多个内容来获取，例如监测睡眠数据计算获得的预设驾驶耐久指数为Sleep(DEI)，结合Mean(DEI)和Mediam(DEI)，取三者当中的最小值/中位数/最大值来进行预设。

本发明重点描述了振动传感器监测行为、健康数据来应用，实际上还可以通过其它方式如佩戴监测手表或手环（PPG监测）、摄像头（影像监测）、心电监测（ECG监测）等其它方式获得相关数据，其同样可以获得本发明中的部分参数，或者组合应用来获得等同于本发明中的全部参数，本领域人员容易类推。

本方案具备下述优点：

1.同时关注驾驶员及乘客的健康状况、精神状态、行为状况，且技术路径整合统一，方便实现；可分立部署（任意一个或者多个乘坐位），可全部署（全乘坐位），自由度高。

2.整合生理参数监测与行为监测，既从体征异常预警可能发生的安全事件，又从行为异常预警可能发生的安全事件；

3.不采集用户影像如面容、指纹数据，数据以“生理指纹”形式存储，尊重隐私，安全级别高；

4.整合疲劳驾驶监测预警和帮助精神恢复的放松训练系统，且放松训练系统耦合生理参数反馈，既增强恢复效果又辅助评估效果；

5.整合实时预警方案和提前预警方案，建立更稳健的安全模型；

6.车内预警与车外预警均可以触发，规避内部安全隐患的同时警示周边环境客体，增强应对突发事件的能力；

7.监测、预警、疗法一体，可分立使用，可联合使用，模块化系统架构；

8.整合驾驶数据和睡眠数据，建立全天候数据集，挖掘建立全天候模型，为用户保驾护航；

9.整合全车联网数据，建立真实世界海量数据集，建立基于海量数据的状态集，与个性化数据相结合。

以上对本发明实施例所提供的一种基于车联网数据信息化的汽车用户健康、行为监测系统及方法进行了详细介绍，对于本领域的一般技术人员，依据本发明实施例的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。