正面碰撞中驾驶员头部伤情预测（车祸碰撞模拟）

国内外众多学者对道路事故进行事故重建、事故预防等研究发现，正面碰撞是道路交通事故中伤亡率较高的事故类型。微型面包车使用者普遍缺乏交通安全意识，造成的道路交通事故数量不容忽视，因此，其乘员安全也引起了广泛重视[1]。当交通事故发生时，能否准确地预测不可避免的碰撞场景中乘员伤害的严重程度，与损伤预测模型的准确度密切关联。

对于乘员损伤风险的研究，国内外学者利用计算机仿真软件对其进行展开研究[2-4]。雷晨等[5]利用有限元法对微型面包车正面碰撞事故进行了仿真再现，研究了驾驶员动力学响应和损伤机制。ALKHEDER等[6]采用人工神经网络，以48个不同属性为自变量，预测交通事故的伤害严重程度，准确率显著高于Logistic回归模型。王树凤等[7]研究了正面碰撞中不同约束条件下的乘员损伤，得到了车辆速度变化量与乘员损伤程度之间的关系，最后预测乘员损伤等级为AIS3 的概率。陆颖等[8]通过仿真得到了车辆在不同速度、正面碰撞下后排乘员的各部位损伤情况，利用逻辑回归建立后排乘员损伤预测算法。李旋等[9]分析乘员损伤严重程度与各影响因素之间的相关性，最后利用随机森林预测模型对乘员损伤严重程度进行预测。QIU等[10]进行了在不同碰撞速度、安全气囊展开时间和安全带佩戴情况下的正面碰撞仿真模拟，利用头部损伤与损伤危险因素的相关性，基于人工神经网络建立一种预测模型来预测伤害严重程度。

鲸鱼算法（Whale Optimization Algorithm, WOA）是由SEYEDALI等学者于2016年提出[11]，具有初始参数少、原理简单且易于实现等优点。但在处理复杂的非线性问题时，WOA算法存在着容易陷入局部极值、收敛速度较慢等问题。

综上所述，本文将计算机仿真技术、神经网络与优化算法相结合，提出基于改进鲸鱼算法（Modified Whale Optimization Algorithm, MWOA）优化反向传播（Back Propagation, BP）神经网络的驾驶员损伤预测模型。首先制作以纵向最大速度变化量、安全带使用情况与安全气囊展开情况作为输入，驾驶员头部简明伤害等级（Abbreviated Injury Scale, AIS）为输出的损伤数据集，然后建立MWOA-BP损伤预测模型，利用损伤预测模型对驾驶员侧头部损伤进行预测，一定程度上对医疗诊断有参考作用。

1 MWOA-BP神经网络1.1 BP神经网络

BP神经网络是一种按误差反向传播算法训练的多层前馈网络，在数据预测方面应用广泛，网络结构由输入层、隐含层和输出层构成[12]。BP神经网络通过不断调节权值和阈值，最终达到训练的效果。

1.2 鲸鱼算法原理

基本的WOA优化BP神经网络的权重系数，它模拟了座头鲸的搜索和围捕机制，主要分为包围猎物、气泡网捕食和搜索猎物三个阶段[13]。

1.包围猎物

鲸鱼在搜索范围内形成了一个全局解空间。为了包围猎物，算法需要首先确定猎物的位置，但该位置并不是已知的。因此，WOA算法通过假设当前最优候选解为目标猎物或者接近最优解。一旦目标猎物的位置确定，其余鲸鱼个体将向目标猎物方向移动，从而更新它们的位置。

为获得鲸鱼个体位置与最佳鲸鱼位置之间的距离，其数学模型为

2.气泡网捕食

鲸鱼捕食过程中，每只鲸鱼有2种捕食行为[14]。采用收缩包围捕食时，鲸鱼个体位置更新公式如下：

采用螺旋方法进行捕食时，鲸鱼个体以螺旋上游的方式向目标猎物靠近，鲸鱼位置用对数螺旋方程更新，其公式为

座头鲸在捕食猎物时，两种捕食行为同时进行，因此假设两种捕食行为发生的概率各为50%，鲸鱼位置更新的数学模型为

式中，为捕食机制概率，取[0,1]之间的随机数。

3.搜索猎物

其数学模型如下：

1.3 改进鲸鱼优化算法

上述鲸鱼算法属于全局范畴，本文引入混沌映射和自适应权重策略来改进算法性能。利用混沌映射产生的高质量初始种群，对算法的收敛速度和求解精度等性能有很大的促进作用[15]。

1.3.1 混沌映射

混沌具有遍历性、随机性和初值敏感性，能够帮助算法更快地收敛[16]。基本的WOA通过随机方式初始化种群，会导致初始种群的随机性大，从而影响初始种群的质量。本文采用Cubic映射来产生混沌序列，对WOA的初始种群方式进行优化，其数学公式为

式中，为控制参数。

1.3.2 自适应权重策略

本文引入一种自适应权重系数来对WOA的收缩包围机制和权重进行调整，从而增强算法的全局搜索能力与局部开发能力。自适应权重系数的数学公式为

式中，为调整系数；为当前迭代次数；max为最大迭代次数；min为最小权重；max为最大权重。

MWOA算法步骤流程如下：

1）初始化WOA参数，确定初始种群规模和最大迭代次数。

2）确定参数值，由混沌映射生成初始鲸鱼种群，计算初始化位置向量和领导者得分。

3）计算鲸鱼个体适应度，比较得出当前最佳适应度，更新鲸鱼领导者位置。

4）更新、、、等参数，计算自适应权重系数。

5）如果＜0.5，且||＜1，每只鲸鱼个体按照式（2）更新当前位置，并更新鲸鱼个体位置；若||≥1，则按式（6）更新当前位置；若≥0.5，则按式（3）更新每只鲸鱼个体的位置。

6）鲸鱼个体位置更新完毕后，计算它们的适应度，并比较以获得最优解。判断当前计算是否达到最大迭代次数，若已达到，则结束计算，获得最优解；否则，返回步骤3）开始下一次迭代。

2 驾驶员损伤数据集的制作2.1 仿真模型建立与验证

为后续进行微型面包车正面碰撞下驾驶员损伤数据集的制作，本文使用所在团队参考市场某款面包车、基于LS-DYNA搭建的整车有限元模型，如图1所示，总体网格数量为112万。

图1 面包车有限元模型

以50 km/h的初速度与刚性壁障进行100%重叠的正面仿真碰撞，仿真时间为100 ms。如图2所示，整车在碰撞过程中能量、速度变化合理，因此，该微型面包车有限元模型具有稳定性，可以将其作为基础模型在后续研究中使用。

图2 面包车有限元模型仿真变化曲线

建立驾驶员约束系统模型。该模型主要由车体、假人、安全带三个部分组成，根据面包车驾驶员舱布置，调整各部件位置，最终的乘员约束系统模型如图3所示。驾驶员模型采用MADYMO假人库中的Hybrid Ⅲ 50%多刚体男性假人模型。

图3 驾驶员约束系统模型

如图4所示，试验曲线与仿真曲线整体保持较高的拟合度，因此该模型可靠，可作为基础模型用于后续研究。

图4 驾驶员损伤对比图

2.2 驾驶员损伤数据集

交通事故中，头部作为乘员主要受损部位之一，且头部损伤最容易造成乘员伤亡[17]。本文选择损伤指标HIC36来表征头部损伤严重程度。驾驶员损伤数据集的制作由碰撞波形数据的提取和驾驶员损伤数据的提取组成。

为后续进行驾驶员约束系统模型碰撞仿真，考虑到正面100%重叠碰撞的特征，可用B柱下方加速度来表征面包车的加速度。由于、向的加速度相对较小，对假人的伤害值影响小，故提取有限元模型经过LS-DYNA仿真计算后的B柱下方的向加速度曲线，如图5所示。在车辆正面碰撞中，可以将碰撞初速度作为后续损伤预测模型的输入变量。

然后，通过FUNCTION.给约束系统仿真模型加载边界条件，用垂直方向的重力加速度场和水平方向的车体B柱加速度曲线来模拟外部对乘员约束系统的作用。

图5 不同速度条件下B柱加速度曲线

本研究碰撞速度设置10个级别，对面包车驾驶员损伤进行仿真分析。通过设置不同的边界条件、约束系统的配置，采用混合水平正交试验设计，进行不同水平下的正面碰撞仿真，总计仿真40组，计算后提取假人头部HIC36值。

由于损伤预测模型的预测性能对数据量有一定的要求，考虑到高精度模型仿真计算较为耗时，将试验设计策略与仿真模拟相结合。考虑到驾驶员在行车过程中，由于不同车型的部件参数不同，会对驾驶员的驾驶感带来一定的差异，从而影响驾驶员在事故中损伤严重程度。此外，在进行仿真与试验对标的过程中，发现安全带、安全气囊以及座椅的相关参数对驾驶员损伤输出数据有显著影响，因此选取表1的5个参数作为设计变量。利用ModeFrontier与MADYMO耦合，采用均匀拉丁超立方试验设计方法，以40组样本数据构建初始样本空间，根据5个设计变量的取值范围，进行仿真矩阵设计，通过计算得出驾驶员头部损伤响应值。本文对驾驶员约束系统碰撞模型进行了400次仿真实验。

表1 参数取值范围

利用AIS描述正面碰撞乘员损伤严重程度，结合AIS与中国新车评价规程（China-New Car Assessment Program, C-NCAP）标准，建立头部损伤等级对应关系[18]，如表2所示，将仿真得到的驾驶员头部伤害指标（Head Injury Criterion, HIC）值转换为AIS等级。

表2 AIS等级与头部损伤对应关系

最终，完成驾驶员损伤数据集的制作，该数据集是以车辆碰撞初速度、安全带使用状态、安全气囊展开状态定义为输入，头部AIS为输出，共有400条损伤数据。

3 损伤预测模型3.1 构建MWOA-BP神经网络

利用前文制作的驾驶员损伤数据集，建立MWOA-BP预测模型。MWOA-BP模型对驾驶员损伤预测过程如下：

1）确定BP神经网络的结构。选用三层BP神经网络，以车辆碰撞初速度、安全带使用情况、安全气囊展开情况作为输入，驾驶员头部损伤AIS为输出，并且确定初始的连接权值和阈值。根据经验公式确定隐含层神经元的数目，公式如下：

式中，为隐含层神经元数目；为输入层神经元数目；为输出层神经元数目；为[0,10]之间的一个整数。最终确定隐含层神经元个数为8个。

2）数据集的划分。按8:2的比例将数据集划分为训练集和测试集，80%的数据为训练集，20%的数据为测试集。

3）归一化处理。因纵向最大速度变化量、头部AIS值之间的量纲不同，易导致预测模型不收敛、精度降低等问题，因此采用公式（11），对数据进行归一化处理。

式中，为原始数据；max为数据集种的最大值；min为数据集种的最小值；为归一化后的值。

4）训练参数设置。隐含层采用的激活函数为Tan-Sigmoid函数；输出层采用的传输函数为Purelin函数；训练函数采用Levenberg-Marquardt（trainlm）算法；学习速率设为0.01；训练最大次数设为1 000次；训练误差设为0.001。

5）MWOA参数初始化。把步骤1）中的初始权值和阈值转变为MWOA中的搜索粒子及其坐标位置。此外，将鲸鱼初始种群规模设置为30，最大迭代次数为50，初始最小权重为0，初始最大权重为1，使用Cubic混沌映射生成种群。后续根据MWOA算法步骤，进行模型训练。

6）模型训练测试。前期基本工作完成后，编写程序，开始训练。

3.2 结果分析

当模型训练达到最大迭代次数或者达到误差精度要求时，训练完成。MWOA-BP预测模型的适应度变化曲线如图6所示，在迭代到11次时，模型开始收敛。

图6 MWOA-BP模型的适应度变化曲线

图7 模型测试结果对比

为检验预测模型的测试效果，将MWOA-BP预测模型的测试结果与真实值进行对比，如图7所示，由对比结果可以看出，该预测模型的预测值与真实值的吻合度较高。

将MWOA-BP预测模型与传统BP预测模型的测试效果进行对比，将其测试误差进行可视化，如图8所示，可以看出MWOA-BP的测试误差比传统BP模型的测试误差小，且MWOA-BP模型较为稳定，MWOA-BP模型在测试集中的预测精度达到90%。

图8 预测误差对比

将预测模型的误差进行量化，采用均方误差（Mean Square Error, MSE）和平均绝对误差（Mean Absolute Error, MAE）作为评价模型性能的标准。、的计算如式（12）、式（13）所示：

由表3可知，MWOA-BP预测模型的平均绝对误差为0.1，均方误差为0.1，均低于标准的BP预测模型，分析可知，MWOA-BP预测模型的值相比BP预测模型降低了20%，值降低了33.3%。因此，MWOA-BP预测模型的预测性能更佳，可以将其用于后续应用研究中。

表3 误差分析表

3.3 模型应用

为更进一步地探索MWOA-BP预测模型的适用性，将损伤预测模型应用到真实交通事故案例中。案例收集标准为：参与方车型为微型面包车；碰撞类型为正面碰撞，且排除二次、多次碰撞以及翻滚等情况。

为应对不可控因素（比如数据不平衡）而导致预测结果与实际结果的AIS值产生差异，使得预测模型的有效性降低，因此，将预测结果与真实结果进行对比时，根据AIS≥3与AIS＜3可将损伤分为严重损伤与轻微损伤。通过将损伤预测值与真实伤情资料进行对比，利用受试者工作特征曲线（Receive Operating Characteristic, ROC）来检验预测模型的准确性。表4为ROC分类模型。