基于BiLSTM-Transformer的人车多维参数融合的晕动症评估模型研究

doi:10.19562/j.chinasae.qcgc.2025.10.004

摘要/Abstract

摘要：

为克服现有方法在评估单一车辆运动工况引起的晕动症时准确率不足的局限性，本文旨在构建一种多维度晕动症评估模型。首先，设计了包含加速、减速等4种典型工况的实车实验，同步采集车辆以及乘客姿态的三轴加速度、角速度等数据，构建多源数据集。其次，采用经验模态分解（EMD）去趋势化方法处理晕动主观评价量级，消除暴露时间累积趋势，揭示单一运动工况的晕动症影响机制。最后，构建BiLSTM-Transformer混合模型，利用BiLSTM捕获长序列时序动态特征，利用Transformer自注意力机制提取全局依赖关系，并进行多维数据集组合对比和消融实验。人车融合参数结合BiLSTM-Transformer模型在测试集上取得92.6%的准确率，测试损失低至0.23。结果表明，该模型能够有效评估晕动症的发生，相较于单一BiLSTM和Transformer模型，准确率分别提升4.3%和9.9%，证明了人车运动参数融合及BiLSTM-Transformer模型在晕动症评估方面的优势。

关键词: 智能交通, 晕动症评估, 深度学习, 自动驾驶, 舒适性

Abstract:

To overcome the limitation of lack of accuracy of the existing methods in assessing motion sickness caused by a single vehicle motion condition， this paper aims to construct a multidimensional motion sickness assessment model. Firstly， a real-vehicle experiment containing four typical working conditions is designed in this paper， such as acceleration and deceleration， and synchronously three-axis acceleration and angular velocity data of the vehicle as well as the passengers' postures is collected to construct a multi-source dataset. Secondly， the empirical mode decomposition （EMD） detrending method is used to deal with the subjective evaluation scale of motion sickness， so as to eliminate the cumulative trend of exposure time， and reveal the influence mechanism of motion sickness in a single motion condition. Finally， a BiLSTM-Transformer hybrid model is constructed to capture the long sequence time-series dynamic features using BiLSTM， extract the global dependencies using the Transformer self-attention mechanism， and perform the multi-dimensional dataset combination comparison and ablation experiments. The human-vehicle fusion parameters combined with the BiLSTM-Transformer model achieve 92.6% accuracy on the test set， with a test loss as low as 0.23. The results show that the model can effectively assess the occurrence of motion sickness， with an improvement in accuracy of 4.3% and 9.9%， respectively， compared to the single BiLSTM and Transformer models， demonstrating the advantages of the human-vehicle motion parameter fusion and BiLSTM-Transformer model in the assessment of motion sickness.

Key words: intelligent transportation, motion sickness assessment, deep learning, autonomous driving, comfort

蔺昱鹏,马利,兰婷婷,付锐. 基于BiLSTM-Transformer的人车多维参数融合的晕动症评估模型研究[J]. 汽车工程, 2025, 47(10): 1885-1894.

Yupeng Lin,Li Ma,Tingting Lan,Rui Fu. Research on Motion Sickness Assessment Model Based on Multi-dimensional Parameter Fusion of Human and Vehicle by BiLSTM-Transformer[J]. Automotive Engineering, 2025, 47(10): 1885-1894.

图/表 15

图1

表 1

图2

表2

图3

表3

图4

表4

图5

图6

表5

图7

图8

表6

图9

参考文献 15

[1]	KOOHESTANI A， NAHAVANDI D， ASADI H， et al. A knowledge discovery in motion sickness： a comprehensive literature review［J］. IEEE Access， 2019， 7： 85755-85770.
[2]	高振海，金励辛，高菲，等. 自动驾驶车辆晕动症研究综述［J］. 汽车技术， 2022（8）： 1-9.
	GAO Z H， JIN L X， GAO F， et al. A review of motion sickness research on self-driving vehicles［J］. Automotive Technology， 2022（8）： 1-9.
[3]	YUSOF N MD， KARJANTO J， HASSAN M Z， et al. Reading during fully automated driving： a study of the effect of peripheral visual and haptic information on situation awareness and mental workload［J］. IEEE Transactions on Intelligent Transportation Systems， 2022， 23（10）： 19136-19144.
[4]	SCHMIDT E A， KUIPER O X， WOLTER S， et al. An international survey on the incidence and modulating factors of carsickness［J］. Transportation Research Part F： Traffic Psychology and Behaviour， 2020， 71： 76-87.
[5]	MOHAJER N， NAHAVANDI S， ABDI H， et al. Enhancing passenger comfort in autonomous vehicles through vehicle handling analysis and optimization［J］. IEEE Intelligent Transportation Systems Magazine， 2021， 13（3）： 156-173.
[6]	INOUE S， LIU H， WADA T. Revisiting motion sickness models based on SVC theory considering motion perception［J］. 2022-10-27. Ground Vehicle， 2022.
[7]	SALTER S， DIELS C， HERRIOTTS P， et al. Model to predict motion sickness within autonomous vehicles［J］. Proceedings of the Institution of Mechanical Engineers， Part D： Journal of Automobile Engineering， 2020， 234（5）： 1330-1345.
[8]	ZENG L， ZHANG H， HAN Q， et al. An LSTM-based driving operation suggestion method for riding comfort-oriented critical zone［J］. Journal of Ambient Intelligence and Humanized Computing， 2023， 14（2）： 755-771.
[9]	郭应时，苏彦奇，付锐，等. 换道操作对智能车辆乘客舒适性的影响研究［J］. 中国公路学报， 2022， 35（5）： 221-230.
	GUO Y S，SU Y Q，FU R， et al. A study of the effect of lane-changing operations on passenger comfort in intelligent vehicles［J］. China Journal of Highway and Transport， 2022， 35（5）： 221-230.
[10]	BANG J S， WON D O， KAM T E， et al. Motion sickness prediction based on dry EEG in real driving environment［J］. IEEE Transactions on Intelligent Transportation Systems， 2023， 24（5）： 5442-5455.
[11]	LI D， CHEN L. Mitigating motion sickness in automated vehicles with vibration cue system［J］. Ergonomics， 2022， 65（10）： 1313-1325.
[12]	SALTER S， DIELS C， HERRIOTTS P， et al. Motion sickness in automated vehicles with forward and rearward facing seating orientations［J］. Applied Ergonomics， 2019， 78： 54-61.
[13]	GOLDING J F. Motion sickness susceptibility questionnaire revised and its relationship to other forms of sickness［J］. Brain Research Bulletin， 1998， 47（5）： 507-516.
[14]	杨穹，秦仙蓉，刘兆航，等.基于EMD-SSSC分解的振动信号去势［J］.噪声与振动控制，2024，44（1）：187-191.
	YANG Q，QIN X R，LIU Z H， et al. Detrend of vibration signals based on EMD-SSSC decomposition［J］. Noise and Vibration Control， 2024， 44（1）： 187-191.
[15]	LI W， LAW K L E. Deep learning models for time series forecasting： a review［J］. IEEE Access， 2024， 12： 92306-92327.

圈数	直道1		弯道1/（km·h^-1）	直道2		弯道2/（km·h^-1）
1	H-加速	S-减速	40	H-其他	S-换道	40
2	S-其他	H-减速	50	S-加速	H-换道	30
3	H-其他	S-换道	60	H-加速	S-减速	20
4	S-加速	H-其他	50	H-减速	S-换道	20
5	S-其他	H-换道	30	S-其他	H-减速	40
6	S-加速	H-换道	40	S-加速	H-减速	30
7	H-其他	S-减速	60	S-换道	H-减速	30
8	S-加速	H-减速	50	S-其他	H-换道	20

参数	F（1，1467）	p
车辆纵向加速度	57.097	<0.001
车辆横向加速度	4.678	0.031
车辆纵向加加速度	0.683	0.409
头部纵向加速度	5.450	0.020
头部横向加速度	0.001	0.975
身体纵向加速度	2.781	0.096
身体横向加速度	0.070	0.791
头部俯仰角速度	4.881	0.027
头部俯仰角度	5.134	0.024

影响因素	F	p	晕动等级	μ	σ	SEM
车辆纵向加速度	43.134 4	<0.001	0	0.155g	0.61g	0.003g
车辆纵向加速度	43.134 4	<0.001	1	0.191g	0.073g	0.004g
车辆横向加速度	61.491 3	<0.001	0	0.106g	0.037g	0.003g
车辆横向加速度	61.491 3	<0.001	1	0.151g	0.054g	0.005g
车辆纵向加加速度	5.641 1	0.017 7	0	0.150g/s	0.106g/s	0.04g/s
车辆纵向加加速度	5.641 1	0.017 7	1	0.318g/s	0.112g/s	0.08g/s
头部纵向加速度	44.144 18	<0.001	0	0.115g	0.049g	0.005g
头部纵向加速度	44.144 18	<0.001	1	0.189g	0.067g	0.006g
头部横向加速度	24.837 0	<0.001	0	0.123g	0.057g	0.002g
头部横向加速度	24.837 0	<0.001	1	0.181g	0.072g	0.002g
身体纵向加速度	31.541 8	<0.001	0	0.116g	0.055g	0.002g
身体纵向加速度	31.541 8	<0.001	1	0.154g	0.068g	0.005g
身体横向加速度	14.968 7	<0.001	0	0.076g	0.025g	0.005g
身体横向加速度	14.968 7	<0.001	1	0.109g	0.038g	0.006g
头部俯仰角速度	5.145 3	0.023 5	0	0.039 rad/s	0.015 rad/s	0.02 rad/s
头部俯仰角速度	5.145 3	0.023 5	1	0.123 rad/s	0.072 rad/s	0.03 rad/s
头部俯仰角度	0.322 5	0.570 2	0	5.206°	1.065°	0.331°
头部俯仰角度	0.322 5	0.570 2	1	5.435°	1.072°	0.244°

组合类别	参数
A	车辆参数，工况类型
B	车辆参数，工况类型，MSS
C	车辆参数，乘客姿态参数，工况类型，MSS

超参数名称	取值
优化器	Adam
学习率	0.001
学习率调度器	ReduceLROnPlateau
Dropout	0.3
损失函数	交叉熵损失
多头注意力	4
batch_size	64
Num_epochs	100