正面碰撞中駕駛員頭部傷情預測

代 嬌

正面碰撞中駕駛員頭部傷情預測

代 嬌

（重慶理工大學 車輛工程學院，重慶 400054）

為了快速預測道路交通事故中乘員的頭部損傷風險，求解乘員損傷與影響因素之間的關系，構建一種基于改進鯨魚算法優化反向傳播（MWOA-BP）神經網絡的駕駛員側損傷預測模型。選用微型面包車為研究車型，研究工況為正面碰撞，構建以車輛碰撞初速度、安全帶使用情況、安全氣囊展開情況為輸入，以駕駛員的頭部簡明傷害等級（AIS）為預測目標的損傷預測模型。訓練MWOA-BP預測模型，并與傳統的反向傳播（BP）神經網絡模型進行對比損傷預測效果。結果表明，MWOA-BP預測模型有良好的測試效果，其測試準確率達到90%。結合真實事故，將損傷預測模型進行應用，證明該損傷預測模型可以應用到實際事故中。

微型面包車；正面碰撞；BP神經網絡；MWOA；損傷預測

國內外眾多學者對道路事故進行事故重建、事故預防等研究發現，正面碰撞是道路交通事故中傷亡率較高的事故類型。微型面包車使用者普遍缺乏交通安全意識，造成的道路交通事故數量不容忽視，因此，其乘員安全也引起了廣泛重視[1]。當交通事故發生時，能否準確地預測不可避免的碰撞場景中乘員傷害的嚴重程度，與損傷預測模型的準確度密切關聯。

對于乘員損傷風險的研究，國內外學者利用計算機仿真軟件對其進行展開研究[2-4]。雷晨等[5]利用有限元法對微型面包車正面碰撞事故進行了仿真再現，研究了駕駛員動力學響應和損傷機制。ALKHEDER等[6]采用人工神經網絡，以48個不同屬性為自變量，預測交通事故的傷害嚴重程度，準確率顯著高于Logistic回歸模型。王樹鳳等[7]研究了正面碰撞中不同約束條件下的乘員損傷，得到了車輛速度變化量與乘員損傷程度之間的關系，最后預測乘員損傷等級為AIS3+的概率。陸穎等[8]通過仿真得到了車輛在不同速度、正面碰撞下后排乘員的各部位損傷情況，利用邏輯回歸建立后排乘員損傷預測算法。李旋等[9]分析乘員損傷嚴重程度與各影響因素之間的相關性，最后利用隨機森林預測模型對乘員損傷嚴重程度進行預測。QIU等[10]進行了在不同碰撞速度、安全氣囊展開時間和安全帶佩戴情況下的正面碰撞仿真模擬，利用頭部損傷與損傷危險因素的相關性，基于人工神經網絡建立一種預測模型來預測傷害嚴重程度。

鯨魚算法（Whale Optimization Algorithm, WOA）是由SEYEDALI等學者于2016年提出[11]，具有初始參數少、原理簡單且易于實現等優點。但在處理復雜的非線性問題時，WOA算法存在著容易陷入局部極值、收斂速度較慢等問題。

綜上所述，本文將計算機仿真技術、神經網絡與優化算法相結合，提出基于改進鯨魚算法（Modified Whale Optimization Algorithm, MWOA）優化反向傳播（Back Propagation, BP）神經網絡的駕駛員損傷預測模型。首先制作以縱向最大速度變化量、安全帶使用情況與安全氣囊展開情況作為輸入，駕駛員頭部簡明傷害等級（Abbreviated Injury Scale, AIS）為輸出的損傷數據集，然后建立MWOA-BP損傷預測模型，利用損傷預測模型對駕駛員側頭部損傷進行預測，一定程度上對醫療診斷有參考作用。

1 MWOA-BP神經網絡

1.1 BP神經網絡

BP神經網絡是一種按誤差反向傳播算法訓練的多層前饋網絡，在數據預測方面應用廣泛，網絡結構由輸入層、隱含層和輸出層構成[12]。BP神經網絡通過不斷調節權值和閾值，最終達到訓練的效果。

1.2 鯨魚算法原理

基本的WOA優化BP神經網絡的權重系數，它模擬了座頭鯨的搜索和圍捕機制，主要分為包圍獵物、氣泡網捕食和搜索獵物三個階段[13]。

1.包圍獵物

鯨魚在搜索范圍內形成了一個全局解空間。為了包圍獵物，算法需要首先確定獵物的位置，但該位置并不是已知的。因此，WOA算法通過假設當前最優候選解為目標獵物或者接近最優解。一旦目標獵物的位置確定，其余鯨魚個體將向目標獵物方向移動，從而更新它們的位置。

為獲得鯨魚個體位置與最佳鯨魚位置之間的距離，其數學模型為

2.氣泡網捕食

鯨魚捕食過程中，每只鯨魚有2種捕食行為[14]。采用收縮包圍捕食時，鯨魚個體位置更新公式如下：

采用螺旋方法進行捕食時，鯨魚個體以螺旋上游的方式向目標獵物靠近，鯨魚位置用對數螺旋方程更新，其公式為

座頭鯨在捕食獵物時，兩種捕食行為同時進行，因此假設兩種捕食行為發生的概率各為50%，鯨魚位置更新的數學模型為

式中，為捕食機制概率，取[0,1]之間的隨機數。

3.搜索獵物

其數學模型如下：

1.3 改進鯨魚優化算法

上述鯨魚算法屬于全局范疇，本文引入混沌映射和自適應權重策略來改進算法性能。利用混沌映射產生的高質量初始種群，對算法的收斂速度和求解精度等性能有很大的促進作用[15]。

1.3.1 混沌映射

混沌具有遍歷性、隨機性和初值敏感性，能夠幫助算法更快地收斂[16]?；镜腤OA通過隨機方式初始化種群，會導致初始種群的隨機性大，從而影響初始種群的質量。本文采用Cubic映射來產生混沌序列，對WOA的初始種群方式進行優化，其數學公式為

式中，為控制參數。

1.3.2 自適應權重策略

本文引入一種自適應權重系數來對WOA的收縮包圍機制和權重進行調整，從而增強算法的全局搜索能力與局部開發能力。自適應權重系數的數學公式為

式中，為調整系數；為當前迭代次數；max為最大迭代次數；min為最小權重；max為最大權重。

MWOA算法步驟流程如下：

1）初始化WOA參數，確定初始種群規模和最大迭代次數。

2）確定參數值，由混沌映射生成初始鯨魚種群，計算初始化位置向量和領導者得分。

3）計算鯨魚個體適應度，比較得出當前最佳適應度，更新鯨魚領導者位置。

4）更新、、、等參數，計算自適應權重系數。

5）如果＜0.5，且||＜1，每只鯨魚個體按照式（2）更新當前位置，并更新鯨魚個體位置；若||≥1，則按式（6）更新當前位置；若≥0.5，則按式（3）更新每只鯨魚個體的位置。

6）鯨魚個體位置更新完畢后，計算它們的適應度，并比較以獲得最優解。判斷當前計算是否達到最大迭代次數，若已達到，則結束計算，獲得最優解；否則，返回步驟3）開始下一次迭代。

2 駕駛員損傷數據集的制作

2.1 仿真模型建立與驗證

為后續進行微型面包車正面碰撞下駕駛員損傷數據集的制作，本文使用所在團隊參考市場某款面包車、基于LS-DYNA搭建的整車有限元模型，如圖1所示，總體網格數量為112萬。

圖1 面包車有限元模型

以50 km/h的初速度與剛性壁障進行100%重疊的正面仿真碰撞，仿真時間為100 ms。如圖2所示，整車在碰撞過程中能量、速度變化合理，因此，該微型面包車有限元模型具有穩定性，可以將其作為基礎模型在后續研究中使用。

圖2 面包車有限元模型仿真變化曲線

建立駕駛員約束系統模型。該模型主要由車體、假人、安全帶三個部分組成，根據面包車駕駛員艙布置，調整各部件位置，最終的乘員約束系統模型如圖3所示。駕駛員模型采用MADYMO假人庫中的Hybrid Ⅲ 50%多剛體男性假人模型。

圖3 駕駛員約束系統模型

如圖4所示，試驗曲線與仿真曲線整體保持較高的擬合度，因此該模型可靠，可作為基礎模型用于后續研究。

圖4 駕駛員損傷對比圖

2.2 駕駛員損傷數據集

交通事故中，頭部作為乘員主要受損部位之一，且頭部損傷最容易造成乘員傷亡[17]。本文選擇損傷指標HIC36來表征頭部損傷嚴重程度。駕駛員損傷數據集的制作由碰撞波形數據的提取和駕駛員損傷數據的提取組成。

為后續進行駕駛員約束系統模型碰撞仿真，考慮到正面100%重疊碰撞的特征，可用B柱下方加速度來表征面包車的加速度。由于、向的加速度相對較小，對假人的傷害值影響小，故提取有限元模型經過LS-DYNA仿真計算后的B柱下方的向加速度曲線，如圖5所示。在車輛正面碰撞中，可以將碰撞初速度作為后續損傷預測模型的輸入變量。

然后，通過FUNCTION.給約束系統仿真模型加載邊界條件，用垂直方向的重力加速度場和水平方向的車體B柱加速度曲線來模擬外部對乘員約束系統的作用。

圖5 不同速度條件下B柱加速度曲線

本研究碰撞速度設置10個級別，對面包車駕駛員損傷進行仿真分析。通過設置不同的邊界條件、約束系統的配置，采用混合水平正交試驗設計，進行不同水平下的正面碰撞仿真，總計仿真40組，計算后提取假人頭部HIC36值。

由于損傷預測模型的預測性能對數據量有一定的要求，考慮到高精度模型仿真計算較為耗時，將試驗設計策略與仿真模擬相結合?？紤]到駕駛員在行車過程中，由于不同車型的部件參數不同，會對駕駛員的駕駛感帶來一定的差異，從而影響駕駛員在事故中損傷嚴重程度。此外，在進行仿真與試驗對標的過程中，發現安全帶、安全氣囊以及座椅的相關參數對駕駛員損傷輸出數據有顯著影響，因此選取表1的5個參數作為設計變量。利用ModeFrontier與MADYMO耦合，采用均勻拉丁超立方試驗設計方法，以40組樣本數據構建初始樣本空間，根據5個設計變量的取值范圍，進行仿真矩陣設計，通過計算得出駕駛員頭部損傷響應值。本文對駕駛員約束系統碰撞模型進行了400次仿真實驗。

表1 參數取值范圍

利用AIS描述正面碰撞乘員損傷嚴重程度，結合AIS與中國新車評價規程（China-New Car Assessment Program, C-NCAP）標準，建立頭部損傷等級對應關系[18]，如表2所示，將仿真得到的駕駛員頭部傷害指標（Head Injury Criterion, HIC）值轉換為AIS等級。

表2 AIS等級與頭部損傷對應關系

最終，完成駕駛員損傷數據集的制作，該數據集是以車輛碰撞初速度、安全帶使用狀態、安全氣囊展開狀態定義為輸入，頭部AIS為輸出，共有400條損傷數據。

3 損傷預測模型

3.1 構建MWOA-BP神經網絡

利用前文制作的駕駛員損傷數據集，建立MWOA-BP預測模型。MWOA-BP模型對駕駛員損傷預測過程如下：

1）確定BP神經網絡的結構。選用三層BP神經網絡，以車輛碰撞初速度、安全帶使用情況、安全氣囊展開情況作為輸入，駕駛員頭部損傷AIS為輸出，并且確定初始的連接權值和閾值。根據經驗公式確定隱含層神經元的數目，公式如下：

式中，為隱含層神經元數目；為輸入層神經元數目；為輸出層神經元數目；為[0,10]之間的一個整數。最終確定隱含層神經元個數為8個。

2）數據集的劃分。按8:2的比例將數據集劃分為訓練集和測試集，80%的數據為訓練集，20%的數據為測試集。

3）歸一化處理。因縱向最大速度變化量、頭部AIS值之間的量綱不同，易導致預測模型不收斂、精度降低等問題，因此采用公式（11），對數據進行歸一化處理。

式中，為原始數據；max為數據集種的最大值；min為數據集種的最小值；為歸一化后的值。

4）訓練參數設置。隱含層采用的激活函數為Tan-Sigmoid函數；輸出層采用的傳輸函數為Purelin函數；訓練函數采用Levenberg-Marquardt（trainlm）算法；學習速率設為0.01；訓練最大次數設為1 000次；訓練誤差設為0.001。

5）MWOA參數初始化。把步驟1）中的初始權值和閾值轉變為MWOA中的搜索粒子及其坐標位置。此外，將鯨魚初始種群規模設置為30，最大迭代次數為50，初始最小權重為0，初始最大權重為1，使用Cubic混沌映射生成種群。后續根據MWOA算法步驟，進行模型訓練。

6）模型訓練測試。前期基本工作完成后，編寫程序，開始訓練。

3.2 結果分析

當模型訓練達到最大迭代次數或者達到誤差精度要求時，訓練完成。MWOA-BP預測模型的適應度變化曲線如圖6所示，在迭代到11次時，模型開始收斂。

圖6 MWOA-BP模型的適應度變化曲線

圖7 模型測試結果對比

為檢驗預測模型的測試效果，將MWOA-BP預測模型的測試結果與真實值進行對比，如圖7所示，由對比結果可以看出，該預測模型的預測值與真實值的吻合度較高。

將MWOA-BP預測模型與傳統BP預測模型的測試效果進行對比，將其測試誤差進行可視化，如圖8所示，可以看出MWOA-BP的測試誤差比傳統BP模型的測試誤差小，且MWOA-BP模型較為穩定，MWOA-BP模型在測試集中的預測精度達到90%。

圖8 預測誤差對比

將預測模型的誤差進行量化，采用均方誤差（Mean Square Error, MSE）和平均絕對誤差（Mean Absolute Error, MAE）作為評價模型性能的標準。、的計算如式（12）、式（13）所示：

由表3可知，MWOA-BP預測模型的平均絕對誤差為0.1，均方誤差為0.1，均低于標準的BP預測模型，分析可知，MWOA-BP預測模型的值相比BP預測模型降低了20%，值降低了33.3%。因此，MWOA-BP預測模型的預測性能更佳，可以將其用于后續應用研究中。

表3 誤差分析表

3.3 模型應用

為更進一步地探索MWOA-BP預測模型的適用性，將損傷預測模型應用到真實交通事故案例中。案例收集標準為：參與方車型為微型面包車；碰撞類型為正面碰撞，且排除二次、多次碰撞以及翻滾等情況。

為應對不可控因素（比如數據不平衡）而導致預測結果與實際結果的AIS值產生差異，使得預測模型的有效性降低，因此，將預測結果與真實結果進行對比時，根據AIS≥3與AIS＜3可將損傷分為嚴重損傷與輕微損傷。通過將損傷預測值與真實傷情資料進行對比，利用受試者工作特征曲線（Receive Operating Characteristic, ROC）來檢驗預測模型的準確性。表4為ROC分類模型。

表4 ROC分類模型

通常用精確度和召回率來評估模型的性能，精確度表示預測結果為嚴重損傷的概率，召回率表示在預測結果為嚴重損傷的樣本中分類正確的概率。精確度和召回率的表達式如下：

但和不能從所有角度來表征模型的性能，以至于不足以客觀地評估模型的性能，因此，本文采用1分數來衡量模型的性能。1分數同時考慮了精確度和召回率，1的分值范圍在0到1之間，1越大，意味著模型性能越好。

圖9 ROC曲線

本文將損傷預測模型在62例事故案例中進行了應用。預測結果顯示，有54例事故的預測結果與實際結果相符合，有3例事故預測值大于實際值，有5例事故預測值小于實際值。圖9為ROC曲線，=0.001，具有統計學意義，經過計算，1=0.69，=0.79，具有中等程度的準確性。

4 結論

本文運用有限元和多剛體結合的方法，以微型面包車為研究車型，對其在正面碰撞下駕駛員側損傷預測進行研究。主要結論如下：

1）制作了以車輛碰撞初速度、安全帶使用情況、安全氣囊展開情況為輸入，駕駛員頭部損傷等級為輸出的數據集。利用混沌映射改進鯨魚算法，建立MWOA-BP預測模型，結果顯示MWOA-BP模型的預測性能良好，在測試集中的預測準確度達到90%。

2）將損傷預測模型應用到真實交通事故案例中，預測結果表明該預測模型可以初步應用到交通事故中，為緊急救援、快速分診提供參考。

[1] 李奎.微型面包車事故的深度調查分析及人員損傷機理研究[D].重慶:第三軍醫大學,2015.

[2] O??T O V, DUMITRU N, O??T V. Vehicles' Passive Safety Systems Influence on Driver's Thorax Injuries [J].Applied Mechanics and Materials,2016,4138(823): 187-192.

[3] PAL C,HIRAYAMA S,NARAHARI S,et al.Improve- ment of Injury Severity Prediction (ISP) of AACN During on-site Triage Using Vehicle Deformation Pat- tern for Car-to-car(C2C) Side Impacts[J].Traffic Injury Prevention,2018,19(1):201-204.

[4] WANG Q F,GAN S,CHEN W T,et al.A Data-driven, Kinematic Feature-based, Near Real-time ALgorithm for Injury Severity Prediction of Vehicle Occupants[J]. Accident Analysis & Prevention,2021,156:106149.

[5] 雷晨,尹志勇.微型面包車碰撞事故駕駛員損傷重建研究[J].重慶理工大學學報:自然科學,2016,30(2):71- 76.

[6] SHARAF A,MADHAR T,SALAH T.Severity Predic- tion of Traffic Accident Using an Artificial Neural Network[J].Journal of Forecasting,2016,36(1):100-108.

[7] 王樹鳳,李志豪,劉宗鋒.不同約束下乘員在車輛正碰中損傷概率預測[J].中國安全科學學報,2019,29(2): 45-50.

[8] 陸穎,季小潔,束瑜,等.正面碰撞下后排乘員損傷預測研究[J].機械設計與制造,2022(2):1-5.

[9] 李旋,沈鵬舉,趙俊瑋,等.基于多致傷部件的乘員損傷嚴重程度分析與預測[J].汽車技術,2020(8):28-33.

[10] QIU J L,SU S S,DUAN A W,et al.Preliminary Injury Risk Estimation for Occupants Involved in Frontal Crashes by Combining Computer Simulations and Real Crashes[J].Science Progress,2020,103(2):36850 42090875.

[11] SEYEDALI M, ANDREW L.The Whale Optimization Algorithm[J].Advances in Engineering Software,2016, 95:51-67.

[12] LIU Y T.Incomplete Big Data Imputation Mining Algorithm Based on BP Neural Network[J].Journal of Intelligent and Fuzzy Systems,2019,37(13):1-10.

[13] 郝可青,呂志剛,邸若海,等.基于鯨魚算法優化長短時記憶神經網絡的鋰電池剩余壽命預測[J].科學技術與工程,2022,22(29):12900-12908.

[14] 肖榮鴿,靳帥帥,莊琦,等.基于WOA-BP算法的持液率預測模型研究[J].化學工程,2022,50(1):67-73.

[15] 馬曉寧,李笑含.基于Tent混沌映射的可復制的鯨魚算法[J].計算機仿真,2022,39(8):363-368.

[16] 劉卓,韓凱越,聶彬,等.基于混沌粒子群優化算法的NOMA功率分配研究[J].電子測量技術,2022,45(16): 159-163.

[17] 邱俊.中國交通事故和交通傷成因、特點與趨勢研究[D].重慶:第三軍醫大學,2009.

[18] 張文會,伊靜,劉委,等.基于MADYMO的大客車追尾碰撞事故乘員損傷機理[J].吉林大學學報(工學版), 2022,52(1):118-126.

Prediction of Driver Head Injury in Frontal Collision

DAI Jiao

( Venicle Engineering Institute, Chongqing University of Technology, Chongqing 400054, China )

In order to quickly predict the risk of head injury of occupants in road traffic accidents and solve the relationship between occupant injury and influencing factors, construct a driver-side injury prediction model based on modified whale optimization algorithm-back propagation (MWOA-BP) neural network. Select the minivan as the research model, the study condition is in frontal collision, and construct the injury prediction model which selects the initial velocity of the vehicle collision, seat belt use, and airbag deployment as inputs, and the driver's head abbreviated injury scale (AIS) as the prediction target. The MWOA-BP prediction model is trained, and the damage prediction effect is compared with the traditional back propagation (BP) neural network model. The results show that the MWOA-BP prediction model has good test effect, and the test accuracy is up to 90%. Combined with real accidents, the damage prediction model is applied to prove that the damage prediction model can be applied to actual accidents.

Minivan; Frontal collision; BP neural network; MWOA; Injury prediction

U461.91

A

1671-7988(2023)21-94-08

10.16638/j.cnki.1671-7988.2023.021.020

代嬌（1996－），女，碩士研究生，研究方向為汽車被動安全，E-mail:1330884304@qq.com。