车辆乘员健康状况检测的制作方法

本公开涉及车辆传感器系统，更具体地涉及用于检测车辆乘员的健康状况的系统和方法。背景技术：1、为了增加乘员舒适度和便利性，车辆可以配备有各种传感器，这些传感器被配置为提供乘员与车辆之间的接口，从而允许乘员控制车辆。车辆传感器可以包括加速踏板位置传感器、制动踏板位置传感器、转向角度传感器等。然而，车辆传感器系统可能无法识别可指示健康状况的乘员输入。此外，车辆可以配备有人机界面，诸如，具有触摸屏的显示器。然而，车辆人机界面可能无法识别可指示健康状况的乘员输入。2、因此，虽然车辆传感器系统和方法实现了其预期目的，但仍需要一种新的、改进的系统和方法来检测车辆乘员的健康状况。技术实现思路1、根据几个方面，提供了一种用于检测车辆乘员的健康状况的系统。该系统包括多个车辆传感器和与多个车辆传感器电通信的控制器。控制器被编程为使用多个车辆传感器执行多个测量，以至少部分地基于多个测量来确定健康风险概率。健康风险概率是车辆乘员具有健康状况的概率。控制器进一步被编程为响应于确定健康风险概率大于或等于预定健康风险阈值来通知车辆乘员。2、在本公开的另一方面，多个车辆传感器包括至少一个控制传感器和至少一个参考传感器。至少一个控制传感器被配置为测量由乘员提供给车辆的控制输入。至少一个参考传感器被配置为测量车辆的运动。为了执行多个测量，控制器进一步被编程为使用至少一个控制传感器执行多个控制测量。为了执行多个测量，控制器进一步被编程为使用至少一个参考传感器执行多个车辆运动测量。为了执行多个测量，控制器进一步被编程为至少部分地基于多个控制测量和多个车辆运动测量来确定多个乘员控制输入。3、在本公开的另一方面，为了确定健康风险概率，控制器进一步被编程为使用机器学习算法来确定健康风险概率。对机器学习算法进行训练以基于多个模型输入数据来确定健康风险概率。多个模型输入数据至少包括多个乘员控制输入。4、在本公开的另一方面，为了确定健康风险概率，控制器进一步被编程为使用自动驾驶系统生成多个预期控制输入。为了确定健康风险概率，控制器进一步被编程为使用机器学习算法来确定健康风险概率。对机器学习算法进行训练以基于多个模型输入数据确定健康风险概率。多个模型输入数据还包括多个预期控制输入。5、在本公开的另一方面，为了确定健康风险概率，控制器进一步被编程为使用车辆通信系统与移动设备建立连接。为了确定健康风险概率，控制器进一步被编程为使用车辆通信系统从移动设备检索多个移动设备健康数据。为了确定健康风险概率，控制器进一步被编程为使用机器学习算法来确定健康风险概率。进一步对机器学习算法进行训练以基于多个模型输入数据确定健康风险概率。多个模型输入数据还包括多个移动设备健康数据。6、在本公开的另一方面，控制器进一步被编程为使用车辆通信系统建立与远程服务器的连接。控制器进一步被编程为使用车辆通信系统将多个模型输入数据传输到远程服务器。由远程服务器使用多个模型输入数据来执行机器学习算法。控制器进一步被编程为使用车辆通信系统从远程服务器接收健康风险概率。7、在本公开的另一方面，多个车辆传感器包括乘员运动传感器。为了确定健康风险概率，控制器进一步被编程为使用乘员运动传感器执行多个乘员运动测量。为了确定健康风险概率，控制器进一步被编程为使用机器学习算法来确定健康风险概率。进一步对机器学习算法进行训练以基于多个模型输入数据确定健康风险概率。多个模型输入数据还包括多个乘员运动测量。8、在本公开的另一方面，乘员运动传感器是摄像机。为了执行多个乘员运动测量，控制器进一步被编程为使用摄像机捕捉乘员的多个视频。为了执行多个乘员运动测量，控制器进一步被编程为确定乘员的多个视频中的多个乘员引起的运动。为了执行多个乘员运动测量，控制器进一步被编程为使用机器学习算法来确定健康风险概率。进一步对机器学习算法进行训练以基于多个模型输入数据确定健康风险概率。多个模型输入数据还包括多个乘员引起的运动。9、在本公开的另一方面，为了确定健康风险概率，控制器进一步被编程为记录乘员与显示器的多个交互的多个触摸精度。为了确定健康风险概率，控制器进一步被编程为使用机器学习算法来确定健康风险概率。进一步对机器学习算法进行训练以基于多个模型输入数据确定健康风险概率。多个模型输入数据还包括乘员与显示器的多个交互的多个触摸精度。10、在本公开的另一方面，控制器进一步被编程为响应于确定健康风险概率大于或等于预定健康风险阈值而将模型输入数据标记为阳性诊断模型输入数据。控制器进一步被编程为响应于将模型输入数据标记为阳性诊断模型输入数据，使用阳性诊断模型输入数据来训练机器学习算法。控制器进一步被编程为响应于确定健康风险概率小于预定健康风险阈值而将模型输入数据标记为阴性诊断模型输入数据。控制器进一步被编程为响应于将模型输入数据标记为阴性诊断模型输入数据而使用阴性诊断模型输入数据来训练机器学习算法。11、根据几个方面，提供了一种用于检测车辆乘员的健康状况的方法。该方法包括使用多个车辆传感器执行多个测量。该方法还包括至少部分地基于多个测量来确定健康风险概率。健康风险概率是车辆乘员具有健康状况的概率。该方法还包括响应于确定健康风险概率大于或等于预定健康风险阈值而通知车辆乘员。12、在本公开的另一方面，执行多个测量还可以包括使用多个车辆传感器执行多个控制测量。执行多个测量还可以包括使用多个车辆传感器执行多个车辆运动测量。执行多个测量还可以包括至少部分地基于多个控制测量和多个车辆运动测量来确定多个乘员控制输入。13、在本公开的另一方面，确定健康风险概率还可以包括使用机器学习算法来确定健康风险概率。对机器学习算法进行训练以基于多个模型输入数据确定健康风险概率。多个模型输入数据至少包括多个乘员控制输入。14、在本公开的另一方面，确定健康风险概率还可以包括使用自动驾驶系统生成多个预期控制输入。确定健康风险概率还可以包括使用机器学习算法来确定健康风险概率。对机器学习算法进行训练以基于多个模型输入数据确定健康风险概率。多个模型输入数据还包括多个预期控制输入。15、在本公开的另一方面，确定健康风险概率还可以包括使用车辆通信系统建立与移动设备的连接。确定健康风险概率还可以包括使用车辆通信系统从移动设备检索多个移动设备健康数据。确定健康风险概率还可以包括使用机器学习算法来确定健康风险概率。进一步对机器学习算法进行训练以基于多个模型输入数据确定健康风险概率。多个模型输入数据还包括多个移动设备健康数据。16、在本公开的另一方面中，确定健康风险概率还可以包括使用摄像机捕捉乘员的多个视频。确定健康风险概率还可以包括确定乘员的多个视频中的多个乘员引起的运动。确定健康风险概率还可以包括使用机器学习算法来确定健康风险概率。进一步对机器学习算法进行训练以基于多个模型输入数据确定健康风险概率。多个模型输入数据还包括多个乘员引起的运动。17、在本公开的另一方面，确定健康风险概率还可以包括记录乘员与显示器的多个交互的多个触摸精度。确定健康风险概率还可以包括使用机器学习算法来确定健康风险概率。进一步对机器学习算法进行训练以基于多个模型输入数据确定健康风险概率。多个模型输入数据还包括乘员与显示器的多个交互的多个触摸精度。18、根据几个方面，提供了一种用于检测车辆乘员的健康状况的系统。该系统包括多个车辆传感器和与多个车辆传感器电通信的控制器。该控制器被编程为使用多个车辆传感器执行多个控制测量。该控制器进一步被编程为使用多个车辆传感器执行多个乘员运动测量。该控制器进一步被编程为至少部分地基于多个控制测量和多个乘员运动测量来确定健康风险概率。健康风险概率是车辆乘员具有健康状况的概率。控制器进一步被编程为响应于确定健康风险概率大于或等于预定健康风险阈值来通知车辆乘员。19、在本公开的另一方面，该系统还包括与控制器电通信的自动驾驶系统和与控制器电通信的车辆通信系统。控制器进一步被编程为使用自动驾驶系统生成多个预期控制输入。控制器进一步被编程为使用车辆通信系统从移动设备检索多个移动设备健康数据。控制器进一步被编程为至少部分地基于多个控制测量、多个乘员运动测量、多个预期控制输入和多个移动设备健康数据来确定健康风险概率。健康风险概率是车辆乘员具有健康状况的概率。20、在本公开的另一方面，该系统还包括与控制器电通信的显示器。控制器进一步被编程为记录乘员与显示器的多个交互的多个触摸精度。控制器进一步被编程为至少部分地基于多个控制测量、多个乘员运动测量、多个预期控制输入、多个移动设备健康数据和多个触摸精度来确定健康风险概率。健康风险概率是车辆乘员具有健康状况的概率。21、进一步的应用领域将从本文提供的描述中变得显而易见。应当理解，这些描述和具体示例仅用于说明的目的，并不旨在限制本公开的范围。