一种基于驾驶员疲劳状态的主动限速方法
专利汇可以提供一种基于驾驶员疲劳状态的主动限速方法专利检索，专利查询，专利分析的服务。并且一种基于驾驶员疲劳状态的主动限速方法，包括：实时监测驾驶员疲劳等级；当驾驶员疲劳等级为轻度疲劳驾驶时，发出声光报警 信号 ，以提醒驾驶员正处于疲劳驾驶状态；当驾驶员疲劳等级为轻度疲劳驾驶时，实时拦截 加速 踏板 位置 传感器 发送给车载电脑ECU的 油 门 开度值信号，并采集车辆实时速度；当车辆实时速度小于等于预设的限制速度时，向车载电脑ECU实时转发拦截到的油门开度值信号；当车辆实时速度大于预设的限制速度时，向车载电脑ECU发送所述限制速度对应的油门开度值信号给车载电脑ECU。相比于 现有技术 的紧急 刹车 ，本 发明 是使车辆速度逐渐下降在限制速度以内，从而解决现有的因紧急刹车可能造成的连环追尾事故。，下面是一种基于驾驶员疲劳状态的主动限速方法专利的具体信息内容。
1.一种基于驾驶员疲劳状态的主动限速方法，其特征在于，所述方法包括：
实时监测驾驶员疲劳等级，所述疲劳等级包括非疲劳驾驶、轻度疲劳驾驶和深度疲劳
驾驶；
当驾驶员疲劳等级为轻度疲劳驾驶时，发出声光报警信号，以提醒驾驶员正处于疲劳
驾驶状态；
当驾驶员疲劳等级为轻度疲劳驾驶时，实时拦截加速踏板位置传感器发送给车载电脑
ECU的油门开度值信号，并采集车辆实时速度；
当车辆实时速度小于等于预设的限制速度时，向车载电脑ECU实时转发拦截到的油门
开度值信号；当车辆实时速度大于预设的限制速度时，向车载电脑ECU发送所述限制速度对
应的油门开度值信号给车载电脑ECU。
2.根据权利要求1所述的基于驾驶员疲劳状态的主动限速方法，其特征在于，实时监测
驾驶员疲劳等级具体为：
采集驾驶员的人脸动态图像；
从采集的所述人脸动态图像中识别眼部闭合特征和嘴部张合特征；
从车辆CAN总线获取并解析车辆运行信息，通过车辆运行信息计算出驾驶行为特征；
通过眼部闭合特征、嘴部张合特征以及驾驶行为特征融合分析驾驶员疲劳等级。
3.根据权利要求2所述的基于驾驶员疲劳状态的主动限速方法，其特征在于，所述人脸
动态图像为可见光图像或红外图像。
4.根据权利要求2所述的基于驾驶员疲劳状态的主动限速方法，其特征在于，所述眼部
闭合特征包括一个时间窗内的最长闭眼时间、一个时间窗内的眨眼频率和一个时间窗内的
闭眼时间百分比，所述嘴部张合特征包括一个时间窗内的最长嘴部张开时间 、一个时间窗
内的打哈欠频率和一个时间窗内的嘴部张开时间百分比。
5.根据权利要求4所述的基于驾驶员疲劳状态的主动限速方法，其特征在于，所述最长
闭眼时间、所述闭眼时间百分比、所述最长嘴部张开时间和所述嘴部张开时间百分比对应
的时间窗为10秒，所述眨眼频率和打哈欠频率对应的时间窗为60秒。
6.根据权利要求2所述的基于驾驶员疲劳状态的主动限速方法，其特征在于，所述车辆
运行信息包括方向盘转角SA和方向盘转角速度SAR，驾驶行为特征包括方向盘转角绝对均
值SAMEAN、方向盘转角标准差SASTD、方向盘转角下四分位值均值SAQ1MEAN、方向盘转角上
四分位值均值SAQ3MEAN、方向盘转角熵SE、方向盘转角速度绝对值均值SAVMEAN、方向盘转
角速度标准差SAVSTD、零速百分比PNS和累计行驶时长。
7.根据权利要求6所述的基于驾驶员疲劳状态的主动限速方法，其特征在于，通过车辆
运行信息计算出驾驶行为特征具体为：
方向盘转角绝对值均值SAMEAN是方向盘转角取绝对值后的平均值，其计算公式如公式
一所示：
公式一： ；
其中，N 为方向盘转角样本采样个数，SAi 为第i个方向盘转角样本；
方向盘转角标准差 SASTD 计算公式如公式二所示：
公式二： ；
其中，SAm计算公式如公式三所示：
公式三： ；
将方向盘转角样本中N个数值由小到大排列，由小到大方向数，第四分之一处的数值即
为方向盘转角下四分位值SAQ1，第四分之三处的数值即为方向盘转角上四分位值SAQ3，方
向盘转角下四分位值均值SAQ1MEAN是指方向盘转角样本中所有小于下四分位值SAQ1的均
值，方向盘转角上四分位值均值SAQ3MEAN是指方向盘转角样本中所有大于上四分位值SAQ3
的均值；
方向盘转角熵SE反映了驾驶人对方向盘操作的混乱程度和随机性，方向盘转角熵SE越
大，表明驾驶人对方向盘操作随机性越大，驾驶人疲劳程度越高，方向盘转角熵SE按照方向
盘转角的预测偏差出现的概率进行计算，首先按照公式四计算方向盘转角预测值θp(n)：
公式四： ；
然后，根据方向盘转角实际值θ(n)与方向盘转角预测值θp(n)之差来计算方向盘转角预测
偏差en，计算公式为如下公式五：
公式五： ；
2
方向盘转角预测偏差en服从正态分布N(μ, σ)，将方向盘转角预测偏差 en分成 9 个
区间，即（−∞，−5μ ]，（−5μ，− 2.5μ]，（−2.5μ，−μ]，（−μ，−0.5μ]，（−0.5μ，0.5μ），[0.5μ，μ），[μ，2.5μ），[2.5μ，5μ），[5μ，+∞) ，然后计算各区间的概率值pi，最后根据公式六计算方向
盘转角熵 SE：
公式六： ；
方向盘转角速度绝对值均值SAVMEAN和标准差SAVSTD反映车辆波动情况，用方向盘转
角速度SAR替换公式一和公式二中的方向盘转角SA，从而计算方向盘转角速度绝对值均值
SAVMEAN和标准差SAVSTD；
零速百分比PNS检测方向盘持续不动操作特性PNS ，计算公式如式七 所示：
公式七： ；
其中，N为所选时间内角速度的总采样个数，n为总采样样本中角速度在±0.1°/s之间
的采样。
8.根据权利要求2所述的基于驾驶员疲劳状态的主动限速方法，其特征在于，通过眼部
闭合特征、嘴部张合特征以及驾驶行为特征融合分析驾驶员疲劳等级具体为：
通过眼部闭合特征、嘴部张合特征以及驾驶行为特征融合形成融合特征向量集，表示
为X，X={x1，x2，…，x15}，其中，x1为最长闭眼时间，x2为眨眼频率，x3为闭眼时间百分比，x4
为最长嘴部张开时间，x5为打哈欠时间，x6为嘴部张开时间百分比，x7为方向盘转角绝对均
值SAMEAN，x8为方向盘转角标准差SASTD，x9为方向盘转角下四分位值均值SAQ1MEAN，x10为
方向盘转角上四分位值均值SAQ3MEAN，x11为方向盘转角熵SE，x12为方向盘转角速度绝对
值均值SAVMEAN，x13为SAVSTD，x14为零速百分比PNS，x15为累计行驶时长；
构建疲劳预测神经网络模型，所述疲劳预测神经网络模型使用一个全连接层进行疲劳
驾驶概率判断，模型的输入为一个融合窗口内的融合特征向量集，所述融合特征向量集与
所述全连接层的一个权重向量w进行向量积运算，并将向量积输入给一个Sigmoid激活函数
（表示为σ），通过所述Sigmoid激活函数输出0到1之间的疲劳概率值y，具体公式如下：
。
9.根据权利要求8所述的基于驾驶员疲劳状态的主动限速方法，其特征在于，所述方法
还包括对疲劳预测神经网络模型的训练，具体如下：
所述疲劳预测神经网络模型的训练过程中，采用交叉熵（cross-entropy）函数作为损
失函数Em，令训练集是N个样本对
集，Oi是第i个窗口样本的融合特征向量集对应的标签，Oi取值为1或0，1表示疲劳驾驶，0表
示非疲劳驾驶，当第i个窗口样本的融合特征向量集对应为疲劳驾驶时，Oi取值为1，当第i
个窗口样本的融合特征向量集对应为疲劳驾驶时，Oi取值为0，损失函数Em的计算公式如
下：
；
将训练集划分为小批量作为训练过程中每次迭代的输入，通过多次迭代，利用随机梯
度下降优化算法进行模型训练，直到损失函数收敛为止，得到的就是已训练好的疲劳预测
神经网络模型。
10.根据权利要求8所述的基于驾驶员疲劳状态的主动限速方法，其特征在于，通过疲
劳概率值判断驾驶员疲劳等级具体为：
当疲劳概率值小于0.6，判断为非疲劳驾驶；
当疲劳概率值大于等于0.6且小于0.9时，判断为轻度疲劳驾驶；
当疲劳概率值大于等于0.9时，判断为深度疲劳驾驶。
一种基于驾驶员疲劳状态的主动限速方法
技术领域
背景技术
死亡、4.68万人受伤，货车事故率高于普通机动车辆，且造成的损失也高于平均水平。其中，
因为疲劳驾驶造成的交通运输事故每年给人民生命财产安全造成重大损失，各种研究表
明，在所有道路事故中，约有20％与疲劳有关，在某些道路上高达50％。我国有关部门对货
运车辆驾驶人抽样调查结果显示：84%货运车辆驾驶人日均驾驶时间超过8小时，其中40%超
过12 小时，64%货运车辆只配备了1名驾驶人。
量大，疲劳驾驶的特征行为极难识别和提取，而且每个司机驾驶习惯不一样，导致无法智能
识别；利用面部状态识别的方法，能够有效识别驾驶员闭眼、打哈欠、打电话等动作，但是在
舱内光线环境较差或摄像头被遮挡时无法正常工作。
发明内容
实时监测驾驶员疲劳等级，所述疲劳等级包括非疲劳驾驶、轻度疲劳驾驶和深度疲劳
驾驶；
当驾驶员疲劳等级为轻度疲劳驾驶时，发出声光报警信号，以提醒驾驶员正处于疲劳
驾驶状态；
当驾驶员疲劳等级为轻度疲劳驾驶时，实时拦截加速踏板位置传感器发送给车载电脑
ECU的油门开度值信号，并采集车辆实时速度；
当车辆实时速度小于等于预设的限制速度时，向车载电脑ECU实时转发拦截到的油门
开度值信号；当车辆实时速度大于预设的限制速度时，向车载电脑ECU发送所述限制速度对
应的油门开度值信号给车载电脑ECU。
从采集的所述人脸动态图像中识别眼部闭合特征和嘴部张合特征；
从车辆CAN总线获取并解析车辆运行信息，通过车辆运行信息计算出驾驶行为特征；
通过眼部闭合特征、嘴部张合特征以及驾驶行为特征融合分析驾驶员疲劳等级。
长嘴部张开时间 、一个时间窗内的打哈欠频率和一个时间窗内的嘴部张开时间百分比。
60秒。
值SAQ1MEAN、方向盘转角上四分位值均值SAQ3MEAN、方向盘转角熵SE、方向盘转角速度绝对
值均值SAVMEAN、方向盘转角速度标准差SAVSTD、零速百分比PNS和累计行驶时长。
一所示：
公式一： ；
其中，N 为方向盘转角样本采样个数，SAi 为第i个方向盘转角样本；
方向盘转角标准差 SASTD 计算公式如公式二所示：
公式二： ；
其中，SAm计算公式如公式三所示：
公式三： ；
将方向盘转角样本中N个数值由小到大排列，由小到大方向数，第四分之一处的数值即
为方向盘转角下四分位值SAQ1，第四分之三处的数值即为方向盘转角上四分位值SAQ3，方
向盘转角下四分位值均值SAQ1MEAN是指方向盘转角样本中所有小于下四分位值SAQ1的均
值，方向盘转角上四分位值均值SAQ3MEAN是指方向盘转角样本中所有大于上四分位值SAQ3
的均值；
方向盘转角熵SE反映了驾驶人对方向盘操作的混乱程度和随机性，方向盘转角熵SE越
大，表明驾驶人对方向盘操作随机性越大，驾驶人疲劳程度越高，方向盘转角熵SE按照方向
盘转角的预测偏差出现的概率进行计算，首先按照公式四计算方向盘转角预测值θp(n)：
公式四： ；
然后，根据方向盘转角实际值θ(n)与方向盘转角预测值θp(n)之差来计算方向盘转角预
测偏差en，计算公式为如下公式五：
公式五： ；
方向盘转角预测偏差en服从正态分布N(μ, σ2)，将方向盘转角预测偏差 en分成 9 个
区间，即（−∞，−5μ ]，（−5μ，− 2.5μ]，（−2.5μ，−μ]，（−μ，−0.5μ]，（−0.5μ，0.5μ），[0.5μ，μ），[μ，2.5μ），[2.5μ，5μ），[5μ，+∞) ，然后计算各区间的概率值pi，最后根据公式六计算方向
盘转角熵 SE：
公式六： ；
方向盘转角速度绝对值均值SAVMEAN和标准差SAVSTD反映车辆波动情况，用方向盘转
角速度SAR替换公式一和公式二中的方向盘转角SA，从而计算方向盘转角速度绝对值均值
SAVMEAN和标准差SAVSTD；
零速百分比PNS检测方向盘持续不动操作特性PNS ，计算公式如式七 所示：
公式七： ；
其中，N为所选时间内角速度的总采样个数，n为总采样样本中角速度在±0.1°/s之间
的采样。
通过眼部闭合特征、嘴部张合特征以及驾驶行为特征融合形成融合特征向量集，表示
为X，X={x1，x2，…，x15}，其中，x1为最长闭眼时间，x2为眨眼频率，x3为闭眼时间百分比，x4
为最长嘴部张开时间，x5为打哈欠时间，x6为嘴部张开时间百分比，x7为方向盘转角绝对均
值SAMEAN，x8为方向盘转角标准差SASTD，x9为方向盘转角下四分位值均值SAQ1MEAN，x10为
方向盘转角上四分位值均值SAQ3MEAN，x11为方向盘转角熵SE，x12为方向盘转角速度绝对
值均值SAVMEAN，x13为SAVSTD，x14为零速百分比PNS，x15为累计行驶时长；
构建疲劳预测神经网络模型，所述疲劳预测神经网络模型使用一个全连接层进行疲劳
驾驶概率判断，模型的输入为一个融合窗口内的融合特征向量集，所述融合特征向量集与
所述全连接层的一个权重向量w进行向量积运算，并将向量积输入给一个Sigmoid激活函数
（表示为σ），通过所述Sigmoid激活函数输出0到1之间的疲劳概率值y，具体公式如下：
。
失函数Em，令训练集是N个样本对
集，Oi是第i个窗口样本的融合特征向量集对应的标签，Oi取值为1或0，1表示疲劳驾驶，0表
示非疲劳驾驶，当第i个窗口样本的融合特征向量集对应为疲劳驾驶时，Oi取值为1，当第i
个窗口样本的融合特征向量集对应为疲劳驾驶时，Oi取值为0，损失函数Em的计算公式如
下：
；
将训练集划分为小批量作为训练过程中每次迭代的输入，通过多次迭代，利用随机梯
度下降优化算法进行模型训练，直到损失函数收敛为止，得到的就是已训练好的疲劳预测
神经网络模型。
当疲劳概率值大于等于0.6且小于0.9时，判断为轻度疲劳驾驶；
当疲劳概率值大于等于0.9时，判断为深度疲劳驾驶。
声光报警，以提醒驾驶员正处于疲劳驾驶状态，当驾驶员处于深度疲劳驾驶状态时，拦截加
速踏板位置传感器发送给车载电脑ECU的油门开度值信号，判断车辆实时速度大于预设的
限制速度，若是，向车载电脑ECU发送所述限制速度对应的油门开度值信号给车载电脑ECU，
从而使车辆速度逐渐下降在限制速度以内，从而解决现有的因紧急刹车可能造成的连环追
尾事故。
限性，并充分考虑了各信息源的相关性和互补性，疲劳等级分析更加准确。
均值SAQ1MEAN、方向盘转角上四分位值均值SAQ3MEAN、方向盘转角熵SE、方向盘转角速度绝
对值均值SAVMEAN、方向盘转角速度标准差SAVSTD和零速百分比PNS等作为驾驶行为特征，
且通过方向盘转角SA和方向盘转角速度SAR并可以计算出上述驾驶行为特征，减少了大量
不必要的数据采集及相关计算，且相比现有技术，疲劳等级分析更加准确。
附图说明
具体实施方式
中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施
例，都属于本发明保护的范围。
实时监测驾驶员疲劳等级，所述疲劳等级包括非疲劳驾驶、轻度疲劳驾驶和深度疲劳
驾驶；
当驾驶员疲劳等级为轻度疲劳驾驶时，发出声光报警信号，以提醒驾驶员正处于疲劳
驾驶状态；
当驾驶员疲劳等级为轻度疲劳驾驶时，实时拦截加速踏板位置传感器发送给车载电脑
ECU的油门开度值信号，并采集车辆实时速度；
当车辆实时速度小于等于预设的限制速度时，向车载电脑ECU实时转发拦截到的油门
开度值信号；当车辆实时速度大于预设的限制速度时，向车载电脑ECU发送所述限制速度对
应的油门开度值信号给车载电脑ECU。
加速踏板位置传感器发送给车载电脑ECU的油门开度值信号，判断车辆实时速度大于预设
的限制速度，若是，向车载电脑ECU发送所述限制速度对应的油门开度值信号给车载电脑
ECU（该油门开度值信号为当车辆要开到所述限制速度时，对应加速踏板位置传感器应该发
送给车载电脑ECU的油门开度值信号），从而使车辆速度逐渐下降在限制速度以内，从而解
决现有的因紧急刹车可能造成的连环追尾事故。
从采集的所述人脸动态图像中识别眼部闭合特征和嘴部张合特征；
从车辆CAN总线获取并解析车辆运行信息，通过车辆运行信息计算出驾驶行为特征；
通过眼部闭合特征、嘴部张合特征以及驾驶行为特征融合分析驾驶员疲劳等级。
态，以克服单一信息源的局限性，并充分考虑了各信息源的相关性和互补性，疲劳等级分析
更加准确。
参数xi的最优时间窗为Ti，假设特征参数xi的下一个提取时刻为t + ∆t，时间窗向前滑移
了∆t，提取数据的时间段为 ［t + ∆t - Ti, t + ∆t］，数据重复为(Ti-∆t)/Ti，本发明
选择滑移时间窗∆t =4s。
嘴部张开时间 、一个时间窗内的打哈欠频率和一个时间窗内的嘴部张开时间百分比。
秒。
SAQ1MEAN、方向盘转角上四分位值均值SAQ3MEAN、方向盘转角熵SE、方向盘转角速度绝对值
均值SAVMEAN、方向盘转角速度标准差SAVSTD、零速百分比PNS和累计行驶时长。
一所示：
公式一： ；
其中，N 为方向盘转角样本采样个数，SAi 为第i个方向盘转角样本；
方向盘转角标准差 SASTD 计算公式如公式二所示：
公式二： ；
其中，SAm计算公式如公式三所示：
公式三： ；
将方向盘转角样本中N个数值由小到大排列，由小到大方向数，第四分之一处的数值即
为方向盘转角下四分位值SAQ1，第四分之三处的数值即为方向盘转角上四分位值SAQ3，方
向盘转角下四分位值均值SAQ1MEAN是指方向盘转角样本中所有小于下四分位值SAQ1的均
值，方向盘转角上四分位值均值SAQ3MEAN是指方向盘转角样本中所有大于上四分位值SAQ3
的均值；
方向盘转角熵SE反映了驾驶人对方向盘操作的混乱程度和随机性，方向盘转角熵SE越
大，表明驾驶人对方向盘操作随机性越大，驾驶人疲劳程度越高，方向盘转角熵SE按照方向
盘转角的预测偏差出现的概率进行计算，首先按照公式四计算方向盘转角预测值θp(n)：
公式四： ；
然后，根据方向盘转角实际值θ(n)与方向盘转角预测值θp(n)之差来计算方向盘转角预
测偏差en，计算公式为如下公式五：
公式五： ；
方向盘转角预测偏差en服从正态分布N(μ, σ2)，将方向盘转角预测偏差 en分成 9 个
区间，即（−∞，−5μ ]，（−5μ，− 2.5μ]，（−2.5μ，−μ]，（−μ，−0.5μ]，（−0.5μ，0.5μ），[0.5μ，μ），[μ，2.5μ），[2.5μ，5μ），[5μ，+∞) ，然后计算各区间的概率值pi，最后根据公式六计算方向
盘转角熵 SE：
公式六： ；
方向盘转角速度绝对值均值SAVMEAN和标准差SAVSTD反映车辆波动情况，用方向盘转
角速度SAR替换公式一和公式二中的方向盘转角SA，从而计算方向盘转角速度绝对值均值
SAVMEAN和标准差SAVSTD；
零速百分比PNS检测方向盘持续不动操作特性PNS ，计算公式如式七 所示：
公式七： ；
其中，N为所选时间内角速度的总采样个数，n为总采样样本中角速度在±0.1°/s之间
的采样。
通过眼部闭合特征、嘴部张合特征以及驾驶行为特征融合形成融合特征向量集，表示
为X，X={x1，x2，…，x15}，其中，x1为最长闭眼时间，x2为眨眼频率，x3为闭眼时间百分比，x4
为最长嘴部张开时间，x5为打哈欠时间，x6为嘴部张开时间百分比，x7为方向盘转角绝对均
值SAMEAN，x8为方向盘转角标准差SASTD，x9为方向盘转角下四分位值均值SAQ1MEAN，x10为
方向盘转角上四分位值均值SAQ3MEAN，x11为方向盘转角熵SE，x12为方向盘转角速度绝对
值均值SAVMEAN，x13为SAVSTD，x14为零速百分比PNS，x15为累计行驶时长；
构建疲劳预测神经网络模型，所述疲劳预测神经网络模型使用一个全连接层进行疲劳
驾驶概率判断，如图3所示，模型的输入为一个融合窗口内的融合特征向量集，所述融合特
征向量集与所述全连接层的一个权重向量w进行向量积运算，并将向量积输入给一个
Sigmoid激活函数（图3中表示为σ），通过所述Sigmoid激活函数输出0到1之间的疲劳概率值
y，具体公式如下：
。
失函数Em，令训练集是N个样本对
集，Oi是第i个窗口样本的融合特征向量集对应的标签，Oi取值为1或0，1表示疲劳驾驶，0表
示非疲劳驾驶，当第i个窗口样本的融合特征向量集对应为疲劳驾驶时，Oi取值为1，当第i
个窗口样本的融合特征向量集对应为疲劳驾驶时，Oi取值为0，损失函数Em的计算公式如
下：
；
其中， ；
将训练集划分为小批量作为训练过程中每次迭代的输入，通过多次迭代，利用随机梯
度下降优化算法进行模型训练，直到损失函数收敛为止，得到的就是已训练好的疲劳预测
神经网络模型。
个确定驾驶员处于非疲劳驾驶的场景下，获取的对应驾驶员的眼部闭合特征、嘴部张合特
征以及驾驶行为特征形成的融合特征向量集的集合。
当疲劳概率值大于等于0.6且小于0.9时，判断为轻度疲劳驾驶；
当疲劳概率值大于等于0.9时，判断为深度疲劳驾驶。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 温控系统、基于温控系统的温控方法及电子设备 | 2020-08-01 | 2 |
| 风力发电机组的能耗分析方法及装置 | 2022-10-22 | 2 |
| 基于维数任意的分块哈达玛测量矩阵的压缩感知信号重建方法 | 2020-06-15 | 0 |
| 视频播放方法、装置以及电子设备 | 2020-06-18 | 1 |
| 基于MILS架构的安全操作系统 | 2020-10-21 | 1 |
| 用于根据供应压力来调节连杆的有效长度的设备 | 2022-08-20 | 2 |
| 一种跟踪路由处理方法和装置 | 2022-10-18 | 1 |
| 一种新式延缓磨损延长固态硬盘使用寿命的方法 | 2022-05-13 | 0 |
| 车辆在变附着工况下力矩分配方法 | 2020-09-27 | 2 |
| 空调控制方法、装置和车辆 | 2022-01-11 | 2 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
