摘要
为了满足汽车碰撞滑台试验瞬时、大冲击工况下的乘员体压数据连续、高速采集需求，设计了一套基于STM32H723ZGT6高性能MCU和阵列压力传感器的高速乘员体压采集系统. 提出高性能硬件、本地采集、本地存储、试验后上传的设计方案，应用高性能微控制器和内存扩展的方式提高数据采集实时性、稳定性，对坐垫、靠背共4 576个力敏点数据的采集频率能够达到200 Hz，满足滑台试验数据采集需求，同时能够控制系统成本. 提出一种基于单通道图像特征提取的乘员体压数据分析方法. 在刚性座椅滑台试验中，志愿者在4种座椅状态下，对乘员体压数据进行采集，获取乘员骨盆滑移轨迹、最大滑移量、最大窗口压力均值及其电压变化趋势、坐垫全域和3个子区域重量变化趋势并进行数据可视化，所获数据特征与高速摄像获得的乘员姿态响应基本相符.
随着经济的快速发展，汽车保有量不断上升，汽车被动安全备受关注，其研究方法一般为碰撞试验、理论研究和有限元仿真. 其中，实车碰撞试验存在试验周期长、费用高、风险大等缺陷. 为了解决上述缺陷，滑台试验被广泛用于约束系统匹配测试、FarSide远端乘员保护试验、Whiplash座椅鞭打试验、Knee Mapping试验以及新型约束系统零部件开发试验中.
姿态数据的获取有基于视
国内外许多学者已在汽车、医疗等行业就体压采集系统的开发和应用展开了深入研究. 宋国印
现有研究大多面向相对静态的体压采集场景，对系统的数据采集速率要求并不高. 即使是坐卧、足底压力高速数据采集系
高性能、低功耗MCU的快速普及使研发低成本的高速体压数据采集系统成为可能. 本研究基于STM32H723ZGT6高性能MCU和阵列压力传感器设计了一套用于滑台试验的高速乘员体压采集系统，提出一种基于单通道图像特征提取的乘员体压数据分析方法，并将该系统应用到滑台试验中.
1 系统整体设计
乘员体压采集系统包含阵列压力传感器、阵列压力数据高速采集系统、触发模块、上位机4个主要模块. 如
图1 系统组成示意图
Fig.1 System composition diagram
图2 系统实物图
Fig.2 System physical diagram
2 阵列压力传感器选型
滑台试验座椅主要分为刚性座椅和汽车座椅，其中刚性座椅试验影响因素少，可重复性高，变量主要有坐垫角、靠背角、腿托，适合作标准基础研究. 汽车座椅试验更贴近真实使用场景，但不同座椅型号测试偏差较大，适合指定型号座椅及其约束系统的试验. 传感器选型上，刚性座椅和汽车座椅最大的区别是表面变形.
为了兼容两种不同座椅类型的滑台试验，本研究提出多种传感器方案. 对于刚性座椅选用价格低廉的44×52和32×32点阵规模的聚酯印刷传感器，前者有更高的分辨率，后者在相同硬件条件下拥有更高的采样帧率. 对于真实汽车座椅选用延展性更好与曲面贴合更充分的织物传感器.
3 阵列压力数据高速采集系统硬件设计
由于滑台试验所产生的大规模矩阵数据会占用大量存储空间，考虑到成本，大部分MCU内置FLASH不会超过1 MB，因此，阵列压力数据采集卡常配合上位机使用，通过数据线将数据实时传输到上位机进行存储和处理. 在这种数据采集策略下普通串口的传输速率会严重拖累系统采集速率，若使用并行传输方式，硬件成本会进一步提升. 滑台试验是一种大冲击场景，普通电脑无法放置于滑台装置上使用，若采用文献［
为了同时满足高速采集、高速存储、抗冲击的需求. 本研究提出了高性能硬件、本地采集、本地存储、试验后上传的设计方案，最大程度降低系统复杂度，使其能够灵活部署. 经测试，在使用两片44×52阵列规模传感器的情况下，该系统对坐垫、靠背共4 576个力敏点数据的采集频率能够达到200 Hz.
3.1 “被动式”扫描电路
系统采用“被动式”扫描电路，利用反向运算放大器两个输入端的虚地原理，将来自非测量点的耦合电流导向地，用高速模拟开关依次选通传感器的各个通道，电压信号经过反向输出放大器调理放大后输入主控芯片的一个ADC通道. 为了使反向运算放大器正常工作，该电路采用±5 V双电源供电，输出端选择支持负电压的CD74HC4051PWR高速模拟开关. “被动式”扫描电路示意图如
图3 “被动式”扫描电路示意图
Fig.3 Diagram of passive scanning circuit
3.2 高速采集存储电路
主控芯片选用STM32H723ZGT6高性能MCU，该芯片拥有M4、M7高性能内核以及高达550 MHz的工作频率. 由于STM32H723ZGT6内置的FLASH仅有1 MB，无法存下试验过程中产生的大量压力数据，本研究采用外置存储器的方式进行存储扩展，同时板载了W25Q512 64MB norflash和Micro SD卡槽，其中norflash支持QSPI协议，可实现XIP进行内存扩展，Micro SD卡槽最高支持32 GB存储卡扩展，支持SDIO-4bit协议，理论写入速率可达12 MB/s. W25Q512和Micro SD卡扩展电路分别如
图4 W25Q512存储扩展电路
Fig.4 W25Q512 storage expansion circuit
图5 Micro SD卡扩展电路
Fig.5 Micro SD card expansion circuit
试验结束后，将采集到的数据转存到上位机. 若将压力数据存储到Micro SD中，可直接将Micro SD卡取出，通过读卡器拷贝到上位机；若存储到 norflash，可通过MCU自带的全速USB接口模拟串口或USB转TTL串口实现数据上传.
4 数据分析方法
滑台试验主要用于乘员保护系统测试和评估，因此着重关注碰撞过程中乘员的运动响应和与座椅之间的相互作用力. 在压力分布数据中体现为时空分布特征以及数值大小. 本研究将阵列压力数据视作单通道图像，并基于图像处理的思路提出了一种乘员体压数据分析方法，从原始压力数据中提取乘员骨盆最大滑移量、滑移轨迹、离位状态、接触面压力中心分布区域以及压力峰值大小5个特征，沿乘员乘坐方向将坐垫划分为3个大小相同的子区域，如
图 6 坐垫区域划分
Fig.6 Seating area segmentation
上位机数据分析程序通过Python和MATLAB编写. 数据处理流程如
图7 数据处理流程图
Fig.7 Data processing flowchart
5 试验与讨论
5.1 志愿者滑台试验
本试验对志愿者在坐垫角15°靠背角25°无腿托、坐垫角25°靠背角45°无腿托、坐垫角25°靠背角65°无腿托、坐垫角30°靠背角65°有腿托4种座椅状态下的体压分布数据进行采集，加速度为3g，座椅为刚性座椅. 传感器采用44×52聚酯印刷传感器.受条件限制，此次试验通过软件将阵列规模限制在22×26，在坐垫处仅布置了一片传感器，靠背未布置，可实现305 mm×364 mm坐垫区域的压力测量. 触发方式为手动触发. 安装时使薄膜阵列压力传感器与刚性座椅表面紧密贴合，试验过程中传感器不能出现窜动，阵列压力采集卡以及为其供电的12 V移动电源需在台车上采取固定措施，避免在冲击下出现窜动甚至碰撞.
5.2 压力数据采集软件
根据试验需求设计压力数据采集软件逻辑如
图8 压力数据采集软件逻辑
Fig.8 Pressure data acquisition software logic
5.3 数据分析
提取单组试验中碰撞发生后的30组数据进行分析，数据采集时间间隔为5 ms.
| 编号 | 试验条件 | 股骨位移/mm | 骨盆位移/mm |
|---|---|---|---|
| 1 | 坐垫角15°靠背角25°无腿托 | 59.98 | 57±7 |
| 2 | 坐垫角25°靠背角45°无腿托 | 53.06 | 57±7 |
| 3 | 坐垫角25°靠背角45°无腿托 | 61.29 | 71±7 |
| 4 | 坐垫角25°靠背角65°无腿托 | 65.77 | 64±7 |
| 5 | 坐垫角25°靠背角65°无腿托 | 67.50 | 85±7 |
| 6 | 坐垫角30°靠背角65°有腿托 | 76.94 | 78±7 |
| 7 | 坐垫角30°靠背角65°有腿托 | 104.44 | 85±7 |
| 8 | 坐垫角30°靠背角65°有腿托 | 91.21 | 85±7 |
图9 坐垫角15°靠背角25°无腿托座椅状态下高速摄像图
Fig.9 Seat cushion angle 15° backrest angle 25° without leg support high-speed camera image of seat
（a） 压力云图
（b） 骨盆滑移轨迹
（c） 最大窗口平均电压
图10 坐垫角15°靠背角25°无腿托座椅状态下压力数据
Fig.10 Seat cushion angle 15° backrest angle 25° without leg support pressure data of seat
（a） 坐垫角15°靠背角25°无腿托
（b） 坐垫角25°靠背角45°无腿托
（c） 坐垫角25°靠背角65°无腿托
（d） 坐垫角30°靠背角65°有腿托
图11 坐垫区域重量变化趋势图
Fig.11 Seat cushion regional pressure change trend chart
由
| （1） |
式中：输出电压Vout单位为mV；窗口压力F单位为N，表示作用在框选区域即3×3窗口内（41.7 mm× 41.7 mm）的总压力. 在本系统中Vout取最大值时F为最大窗口压力，该公式仅适用于本次试验使用的传感器，若需更换传感器则应根据传感器具体参数重新计算.
将
1）试验中志愿者姿态响应明显变化的阶段长约100个连续帧.
2）坐垫角、靠背角越大，坐垫承托的乘员重量越小，乘员臀部受压越小.
3）初始状态下，由于乘员骨盆区域与坐垫作用点靠后，区域3压力大于区域2和区域1，在滑台试验结束后乘员骨盆向前滑移，导致终了状态下区域3和区域2压力差值减小，甚至区域2压力大于区域3.
4）在剧烈变化阶段，区域2在
5）在终了状态下，坐垫全域压力相较初始状态减小，说明乘员处于一个较初始更为平躺的姿态，传统三点式约束系统在试验结束后并未使乘员完全恢复至初始状态，仍存在剩余骨盆滑移量.
6 结 论
设计了一套用于滑台试验的高速乘员体压采集系统，提出了一种在碰撞过程中乘员体压数据分析方法，并且通过滑台试验对系统软硬件进行验证，结论如下：
1）该系统在硬件层面拥有完备的存储装置和通信接口，工作稳定，能够满足滑台试验的连续、高速数据采集需求.
2）数据分析软件能够获得碰撞过程中乘员的骨盆滑移轨迹、测量最大滑移量、生成压力云图并标记压力集中区域、生成最大窗口压力均值变化趋势图和坐垫区域重量变化趋势图，数据可视化效果良好，特征突出.
3）该系统在滑台试验中表现良好，采集所得的志愿者体压分布数据与高速摄像系统基本吻合，可作为原测量系统的补充，为乘员姿态响应分析以及约束系统保护效果评估提供数据支撑.
参考文献
丛明，张犇，杜宇，等．基于YOLO-6D改进的目标姿态估计算法［J］．华中科技大学学报（自然科学版），2023，51（12）：8-13． [百度学术]
CONG M，ZHANG B，DU Y，et al．Improved target pose estimation algorithm based on YOLO-6D［J］. Journal of Huazhong University of Science and Technology （Natural Science Edition），2023，51（12）：8-13．（in Chinese） [百度学术]
梁桥康，吴樾．基于HRNet的轻量化人体姿态估计网络［J］．湖南大学学报（自然科学版）， 2023，50（2）：112-121． [百度学术]
LIANG Q K，WU Y．Lightweight human pose estimation network based on HRNet［J］．Journal of Hunan University （Natural Sciences），2023，50（2）：112-121．（in Chinese） [百度学术]
韩锟，黄泽帆. 基于人体姿态动态特征的跌倒行为识别方法［J］. 湖南大学学报（自然科学版），2020，47（12）：69-76． [百度学术]
HAN K，HUANG Z F．Falling behavior recognition method based on dynamic characteristics of human body posture［J］．Journal of Hunan University （Natural Sciences），2020，47（12）：69-76．（in Chinese） [百度学术]
NING G C，ZHANG X R，ZHANG Q，et al．Real-time and multimodality image-guided intelligent HIFU therapy for uterine fibroid［J］．Theranostics，2020，10（10）： 4676-4693． [百度学术]
夏资厚，刘吉晓，刘均益，等．基于RFID的人体姿态识别方法研究［J］．传感器与微系统，2024，43（1）：36-39． [百度学术]
XIA Z H，LIU J X，LIU J Y，et al．Study on human posture recognition method based on RFID［J］. Transducer and Microsystem Technologies， 2024， 43（1）： 36-39．（in Chinese） [百度学术]
宋国印，陈梦倩，郭士杰．基于人机接触压力图像的被护理人姿态识别［J］．传感器与微系统，2023，42（12）：40-43． [百度学术]
SONG G Y， CHEN M Q， GUO S J. Recognition of care-receiver’s posture based on human-robot contact pressure image［J］．Transducer and Microsystem Technologies，2023，42（12）：40-43．（in Chinese） [百度学术]
石萍，李伟，王卫敏，等．基于压力分布检测的便携式褥疮防治系统［J］．生物医学工程与临床，2020，24（3）：233-238． [百度学术]
SHI P，LI W， WANG W M， et al. Portable bedsore prevention system based on measurement of pressure distribution［J］．Biomedical Engineering and Clinical Medicine， 2020， 24（3）：233-238．（in Chinese） [百度学术]
裴卉宁，李苑漠，黄晓光，等．基于压力分布测量系统的座面材质舒适性优化研究［J］．航天医学与医学工程，2020，33（5）：432-439． [百度学术]
PEI H N，LI Y M，HUANG X G，et al．Research on seat material comfort optimization based on body pressure distribution measurement system［J］. Space Medicine & Medical Engineering，2020，33（5）：432-439．（in Chinese） [百度学术]
RAN X，WANG C，XIAO Y，et al．A portable sitting posture monitoring system based on a pressure sensor array and machine learning［J］．Sensors and Actuators A：Physical，2021，331：112900． [百度学术]
陈浩川，贾康昱，胡新荣．基于织物传感器和mVGG-FCN深度学习算法的坐姿识别［J］．武汉纺织大学学报，2022，35（3）：3-8． [百度学术]
CHEN H C， JIA K Y， HU X R. Sitting posture recognition based on fabric sensor and mVGG-FCN deep learning algorithm［J］．Journal of Wuhan Textile University， 2022， 35（3）： 3-8．（in Chinese） [百度学术]
孟站领，张庆来，苑玲伟，等．不同跌倒风险老年人跨越障碍前后足底压力特征［J］．医用生物力学，2022，37（4）：741-747． [百度学术]
MENG Z L，ZHANG Q L，YUAN L W，et al．Plantar pressure characteristics of the elderly with different fall risks before and after obstacle crossing［J］．Journal of Medical Biomechanics，2022，37（4）：741-747．（in Chinese） [百度学术]
杨先军．柔性力敏传感及其应用技术研究［D］．合肥： 中国科学技术大学，2012：13-63． [百度学术]
YANG X J．Study of flexible force-sensitive sensor and application technology［D］．Hefei：University of Science and Technology of China，2012：13-63．（in Chinese） [百度学术]
陈飞．考虑驾驶员体压分布的座椅乘坐舒适性研究［D］．长春：吉林大学，2016：10-58． [百度学术]
CHEN F. Research on riding comfort of seat based on driver body pressure［D］. Changchun：Jilin University，2016：10-58．（in Chinese） [百度学术]
郭立泉，王计平，熊大曦．平衡评估压力传感阵列的高速数据采集系统设计［J］．传感器与微系统，2017，36（11）：75-77． [百度学术]
GUO L Q，WANG J P，XIONG D X．Design of high-speed data acquisition system for pressure sensor array in balance assessment［J］．Transducer and Microsystem Technologies，2017，36（11）：75-77．（in Chinese） [百度学术]
杨镇海. 基于压力坐垫的驾驶行为检测系统的开发和研究［D］. 武汉： 武汉理工大学， 2018： 10-64． [百度学术]
YANG Z H．Development and research of driving behavior detection system based on pressure cushion［D］. Wuhan：Wuhan University of Technology，2018：10-64．（in Chinese） [百度学术]
岳尚军. 基于LabVIEW的压力分布测量及分析系统的研究［D］.南京： 东南大学， 2018： 9-27． [百度学术]
YUE S J. Research on pressure distribution measurement and analysis system based on LabVIEW［D］. Nanjing：Southeast University，2018： 9-27．（in Chinese） [百度学术]
刘键，鲁艺，许泽君，等．智能座舱睡眠舒适度的实证研究［J］．包装工程，2020，41（22）：66-71． [百度学术]
LIU J，LU Y，XU Z J，et al．Empirical study on sleep comfort of intelligent cockpit［J］．Packaging Engineering，2020，41（22）：66-71．（in Chinese） [百度学术]
ZHAO M， BEURIER B， WANG H， et al. Driver posture prediction using pressure measurement and deep learning［C］//2020 IRCOBI Asia Proceedings. Beijing： International Research Council on Biomechanics of Injury，2021：102-105. [百度学术]
RIENER A，FERSCHA A．Supporting implicit human-to-vehicle interaction：driver identification from sitting postures［C］//Proceedings of the First Annual International Symposium on Vehicular Computing Systems，July 22-24，2008. Dublin，Ireland：ICST，2008：1-10． [百度学术]
PARK S J，MIN S N，SUBRAMANIYAM M，et al．Driving posture measurement using 3D scanning measuring technique［J］．SAE International Journal of Passenger Cars-Mechanical Systems，2015， 8（2）： 600-605． [百度学术]
FENETY P A，PUTNAM C，WALKER J M．In-chair movement：validity，reliability and implications for measuring sitting discomfort［J］. Applied Ergonomics，2000，31（4）：383-393． [百度学术]
