根据摘要显示：本申请提供一种晕车识别方法、装置、存储介质及设备，该方法中，利用多源信号样本训练用于预测驾乘人员的晕车状态的教师模型，通过知识蒸馏技术，基于训练好的教师模型提供的软标签和IMU信号样本训练学生模型，将训练好的学生模型确定为晕车识别模型，将该晕车识别模型部署于车载芯片后，通过晕车识别模型对实时采集的车辆IMU信号进行处理，即可得到车辆的驾乘人员的晕车状态。如此，将基于多源信号的教师模型压缩为仅需IMU信号输入的学生模型，从而解决实际应用中信号采集受限和车端算力不足的问题，实现晕车状态的实时、准确识别。

晕车是车辆行驶过程中常见的生理不适现象，在长途行驶、复杂路况行驶及易感人群中尤为普遍。部分高端车型虽可通过空调调节、座椅舒适性调节等功能在一定程度上缓解晕车症状，但无法动态感知乘员晕车状态并进行实时响应。

现有晕车状态识别方法通常依赖多源信号融合处理，包括心电、脑电、皮电等生理信号，以及车辆信号与环境道路信号。此类方法通过多维信息提升深度学习模型的识别精度，其性能与信号源的丰富程度密切相关。然而，在实际车载场景中，上述方法存在生理信号采集受限、车端算力不足等问题，制约了晕车识别技术在实车环境中的有效落地与应用。

针对上述问题，本申请旨在提供一种晕车识别方法、装置、计算机可读存储介质及车载设备，以解决相关技术中晕车识别方案需同时采集多源信号、模型部署难度大、计算量大、难以在车端有限算力下实现实时识别等技术缺陷。

本申请提出的晕车识别方案，采用知识蒸馏技术，将基于多源信号的高精度教师模型，压缩为仅需车辆 IMU 信号输入的轻量化学生模型，并部署于车载芯片。该方案摆脱了传统晕车识别对多源生理信号的依赖，无需增设额外传感器，有利于提升驾乘体验；同时显著降低模型计算量，能够适配车端有限算力。

通过多约束知识迁移策略与轻量化特征提取机制，仅依靠单一 IMU 信号输入，模型即可精准提取驾乘人员早期微弱晕车特征，实现晕车状态的实时、准确识别，并可为车载舒适性功能的动态智能调节提供数据支撑，有效解决了传统技术中信号采集受限、车端算力不足、无法实时感知晕车状态等行业痛点。