基于多模态相干特征深度学习的汽车座椅多轴振动对驾驶员舒适度影响评估

为解决汽车座椅多轴相干振动对驾驶员舒适度的影响问题，研究人员通过道路测试采集座椅靠背、坐垫和地板的多轴振动信号，结合主观评价数据，利用史蒂文斯幂定律(Stevens’ power law)验证主客观数据一致性(R2>70%)，并构建融合多模态相干特征的深度学习模型进行定量评估。结果显示该方法能精准捕捉影响舒适度的频率特征，评估指标(R2=0.931、RMSE=0.096、MAE=0.071)媲美人机工程专家水平，为提升驾驶员健康与安全性提供创新解决方案。

　　

人机工程学(Ergonomics)研究日益强调，汽车座椅设计需契合驾驶员的生理需求以提升舒适性与健康水平。这项研究别出心裁地采用深度学习技术，系统评估座椅多轴相干振动(multi-axis coherent vibration)对驾驶员舒适度的影响。通过实车道路测试，科研人员同步采集了座椅靠背(backrest)、坐垫(cushion)和地板(floor)的三维振动信号，同时记录驾驶员的主观舒适度评分。

令人振奋的是，运用史蒂文斯幂定律(Stevens’ power law)验证发现，主客观数据具有高度一致性，判定系数R²突破70%大关，这证实主观评价能真实反映驾驶员的舒适感受。研究团队进一步构建了融合多模态相干特征(multimodal coherent features)的深度学习模型，实现了舒适度的精准量化评估。

实验数据表明，该创新方法能敏锐捕捉影响舒适度的关键频率特征，其评估指标表现亮眼：R²高达0.931，均方根误差(RMSE)和平均绝对误差(MAE)分别低至0.096和0.071，评估精度堪比人机工程学专家水平。这项研究为驾驶员舒适度评估开辟了新途径，对提升驾驶健康、乘坐舒适性和行车安全具有重要实践价值。