基于多致傷部件的乘員損傷嚴重程度分析與預測＊

李旋 沈鵬舉 趙俊瑋 劉永濤

（長安大學，西安 710064）

主題詞：致傷部件 乘員損傷 嚴重程度 分析與預測 二元邏輯回歸 AdaBoost 支持向量機

1 前言

事故碰撞過程中乘員損傷主要由乘員與車內或車外的物體發生剛性碰撞引起[1]，這與致傷部件的類型密切相關，同時，研究發現，事故中乘員的損傷往往是由多個致傷部件所造成的[2]。因此，研究多個致傷部件對乘員損傷嚴重程度的影響具有重要意義。

在不同的事故類型中，乘員損傷嚴重程度的影響因素也不相同。楊娜等人[3]發現當最大制動減速度為0.6g時，自動緊急制動（Automatic Emergency Braking，AEB）系統能夠分別降低26.9%和47%的行人最大簡明損傷定級（Maximum Abbreviated Injury Scale，MAIS）3+風險和死亡風險；何霞等人[4]建立了汽車前部與摩托車右側的碰撞模型，發現汽車車速、騎車人坐高、發動機罩前端邊緣離地高度等因素對損傷嚴重程度影響顯著；Zhou 等人[5]的分析結果表明，在輕型商用車（Light Truck Vehicle，LTV）對轎車的側面碰撞交通事故中，造成乘員傷害概率最大的毀壞區間為變形侵入量40～60 cm；Choi[6]等人發現正面碰撞時車輛損傷、乘員損傷部位擴展與車速變化呈線性關系。

針對乘員致傷部位，Abusafia 等人[7]的研究表明，適當控制車速、減小前風窗玻璃安裝傾角可有效減少頭部碰撞損傷；胡林等人[8]發現，騎車人頭部的損傷程度隨轎車碰撞速度的提高而增大，但隨騎車人背部與垂直方向夾角的增大而減小；Xu等人[9]研究了車輛變形對正面碰撞駕駛員頭部損傷風險的影響，發現小范圍偏置的車輛變形對駕駛員頭部損傷威脅最大；Tan 等人[10]運用邏輯回歸確定了車輛儀表板損壞與MAIS 3+胸部損傷之間的關聯；Digges[11]等人發現在車輛側翻事故中，車輛縱向傾角的增加會加劇胸腔的損傷。

本文通過分析乘員損傷的因素，探究各因素與嚴重程度之間的關系，并對乘員損傷嚴重程度進行預測。從陜西長安大學機動車物證司法鑒定中心數據庫中篩選400 例轎車碰撞事故數據，通過二元邏輯回歸分析探究變量與乘員損傷嚴重程度之間的相關性，利用AdaBoost-SVM 預測模型對乘員損傷嚴重程度進行預測，以期為轎車碰撞事故中乘員損傷嚴重程度的降低以及車輛主、被動安全優化設計提供一定的數據分析支撐，從而盡可能降低乘員損傷嚴重程度。

2 數據與方法

2.1 數據來源

根據美國機動車醫學促進會（Association for Advancement of Automotive Medicine，AAAM）提出的《簡化傷害標準》（Abbreviated Injury Scale，AIS）[12]，該標準將乘員傷害劃分為7 個等級（即AIS 0～6），其中，AIS 0代表無損傷，AIS 6代表死亡，等級越高損傷越嚴重。對于乘員同一身體區域有多種損傷的情況，本文只統計乘員損傷等級最大值。乘員損傷嚴重程度等級分為2類：乘員損傷等級達到MAIS 3+，表示非輕度損傷；乘員損傷等級沒有達到MAIS 3+，表示輕度損傷。根據部件是否屬于車輛，將致傷部件分為車輛部件和非車輛部件。本研究的數據來自數據庫中11 707組事故數據，每組數據記錄了乘員損傷的相關信息，為了研究多致傷部件對乘員損傷嚴重程度的影響，保留直接致傷部件與間接致傷部件共同存在的數據項，并組成事故信息處理數據集，同時，對于缺失的乘員損傷信息通過簡易診斷書補充，依據上述條件利用Python 篩選出了400 組數據。采集的事故信息如表1所示，包括13個特征。

2.2 二元邏輯回歸

邏輯回歸（Logistic Regression）可將因素之間的非線性關系轉換為線性關系，二元邏輯回歸模型用于尋找二分類因變量與自變量之間的關系。本研究基于提取的乘員損傷數據，采用二元邏輯回歸分析方法將乘員損傷嚴重程度分為2 類，即非輕度損傷（編碼為0，損傷達到MAIS 3+）和輕度損傷（編碼為1，損傷未達到MAIS 3+）。

表1 特征因素的分類描述

2.3 AdaBoost-SVM模型

以支持向量機（Support Vector Machine，SVM）為基分類器，選擇相關性強的特征，利用核函數選定不同的非線性映射φ映射到一個高維特征空間Z，以此求得最優分類超平面，對損傷嚴重程度（0 和1）進行分類。由于徑向基核函數（Radial Basis Function，RBF）較其他核函數具有參數少、效果好的特點，因此本文選用RBF，其表達式為：

式中，σ為核函數的寬度；x為樣本；y為x的映射。

根據基分類器，采用AdaBoost建立強分類器。設樣本訓練集數量為N，選擇的特征數據為Xi，損傷嚴重程度標簽為Yi（i=1，2，…，N）（0或1），本文通過構建乘員損傷嚴重程度訓練集M={（X1，Y1），（X2，Y2），…，（XN，YN）}、樣本訓練集權值分布At=（ω1，ω2，ω3，…，ωi），根據每次基分類器的預測結果提高上一輪預測錯誤樣本所占的權重ωi，計算分類器的分類誤差εt，加大分類效果好的基分類器的權重Wt，得到最終集成的強分類器：

式中，ωi為每個樣本的權重，初始值為1/N；Dt為一個樣本的誤差；t為迭代次數；ht（i）為基分類器的實際輸出結果；y（i）為目標結果。

流程圖如圖1所示。

圖1 AdaBoost-SVM流程

3 損傷嚴重程度分析與預測

3.1 統計分析

按照車輛水平、垂直方向上的長度將車輛縱向分為A、B、C 3個部分，對應前、中、后，高度方向分為D、E、F 3個部分，對應上、中、下，如圖2 所示。由非車輛部件造成的損傷劃分為其他區域。圖3 所示為不同區域致傷部件的損傷程度：在直接致傷部件中，BD區域乘員損傷達到MAIS 3+的比例最高，為75.00%，從整體來看，高損傷區域主要集中在B、D區域附近；在間接致傷部件中，其他區域乘員損傷達到MAIS 3+的比例最高，為53.20%，乘員損傷嚴重程度整體低于直接致傷部件。

圖2 車輛區域劃分

圖3 不同區域致傷部件的損傷程度

不同致傷部件損傷統計情況如表2所示，其中環境部件指事故中車輛以外環境中的物體，其他類包括乘員自身攜帶的物品（眼鏡、助聽器）、身體運動（頸部無意識的前傾、咬舌）等。一次事故中存在2個致傷部件，致傷部件造成的傷害存在先后順序，但同時造成了乘員某一部位的損傷。在直接致傷部件中，涉及對方車輛部件事故數量最多，同時，涉及對方車輛部件造成乘員損傷達到MAIS 3+的占比最高。在間接致傷部件中，涉及環境部件的事故數量最多，同時，涉及環境部件造成乘員損傷MAIS 3+的占比最高。從整體來看，首次受傷主要由對方車輛部件造成，后續傷害主要由環境部件造成，對應的乘員損傷達到MAIS 3+占比也更高。

表2 不同類型致傷部件的損傷統計

不同的致傷部件存在質量差異，通過質量的分類對致傷部件進行評估，記錄的數據中對致傷部件的評估根據質量差異分為9類，編號為1～9，編號越小表示質量越大，其中編號3～9的質量依次為103～10-3kg量級，編號1表示質量無法估計，如路面、橋墩等，編號2表示致傷部件質量可估計并且其質量大于103kg 量級，如樹木、電線桿等。直接與間接致傷部件的質量評估結果如圖4所示，每一個編號分別對應直接與間接致傷部件的數量統計。圖4中，自身車輛部件主要質量編號為6，環境部件主要質量編號為5，對方車輛部件主要質量編號為5。直接致傷部件質量編號主要分布在3、5、6，其中質量編號2、5、9 的部件造成乘員損傷MAIS 3+的占比較高。間接致傷部件質量編號主要分布在3、5、6、7，其中質量編號5 的部件造成乘員損傷MAIS 3+的占比最高，質量編號＞5 的部件造成的損傷波動較小。從整體來看，編號＜5，即質量較大的致傷部件對應乘員損傷嚴重程度普遍較低，編號≥5，即質量較小的致傷部件對應乘員損傷嚴重程度普遍較高，這是因為在車輛上質量小的部件體積往往較小，高速行駛下更具有侵害性。

圖4 直接/間接致傷部件的質量評估

乘員損傷位置信息具體包括前后、左右、近遠3 類區域，如圖5 所示。根據車內乘員坐姿建立空間坐標系，以脊椎末端為原點，脊椎向上為Z軸正方向，駕駛員右側平行于胸腔方向為X軸正方向，正交于X、Z軸方向為Y方向。YZ平面將損傷位置劃分為左側和右側；作平行于X軸的輔助線Ⅲ，Ⅲ經過第一腰椎部分，線Ⅲ與X軸沿Y軸劃分前面、側面和后面；作平行于X軸的輔助線Ⅰ和Ⅱ，其中Ⅰ位于頭部與頸部相交處，Ⅱ位于頸部與胸腔相交處，線Ⅰ、Ⅱ和X軸沿Z軸劃分近端、中間和遠端。

圖5 乘員身體區域劃分示意

身體區域不同部位的損傷統計如表3所示，頭部損傷數量最多，胸腔、盆骨、脊椎部位損傷數量較少，全身體表處的損傷均為輕度損傷。從整體來看，受傷的區域主要集中在身體上部，主要是因為車內乘員坐在座椅上，身體上部暴露在空間中。身體損傷嚴重程度較高的區域主要是頭部、胸腔、脊椎、盆骨，均為易損部位。

3.2 損傷嚴重程度分析

結合上述統計結果，通過SPSS 建立二元邏輯回歸模型具體分析各因素對乘員損傷嚴重程度的影響。如表4 所示，其中B為回歸系數，E為標準誤差、OR表示比值比、CI 為置信區間，事故中乘員損傷身體區域、損傷部位的前后位置、直接致傷部件、直接致傷部件的高度位置和橫向位置、間接致傷部件、間接致傷部件的高度位置和橫向位置對乘員損傷嚴重程度有顯著影響。

表3 身體區域不同部位的損傷統計

此外，二元邏輯回歸分析結果表明，在身體區域中，盆骨和脊椎部位的損傷更嚴重，屬特殊易損部位，故涉及的事故極少。胸腔和頭部的損傷較其他部位損傷更嚴重，OR值分別為面部的2.901倍和2.405倍，這是因為乘員身體上部暴露在空間中，并且頭部和胸腔是重要的生命活動部位；損傷部位位置在垂直方向上近端較中間（OR值為0.514）和遠端（OR值為0.608）損傷更嚴重，與上述胸腔和頭部的損傷更嚴重相吻合；損傷部位位置在左右方向上，右側較左側損傷更嚴重，OR 值是左側的1.106倍，這是因為右側一般為習慣側，危險來臨時首先受到損傷；損傷部位位置在前后方向上，后面和側面較前面損傷更嚴重，OR 值分別為前面的2.793 倍和2.568倍，損傷發生在后面時更嚴重，這是因為危險來臨時乘員下意識地保護前面。

對于直接致傷部件，對方車輛部件造成的損傷更嚴重，OR 值是自車部件的3.108 倍，當乘員受到來自對方車輛的傷害時，證明事故已經很嚴重；質量小的部件造成的損傷更嚴重，OR 值是質量大的部件的1.220 倍，這是因為在車輛上質量小的部件體積往往較小，高速行駛下更具有侵害性；在橫向位置和高度位置上，B 區域造成的損傷更嚴重，OR 值是A 區域的1.549 倍，D 區域造成的損傷較F 區域（OR 值為0.712）更嚴重，即BD 區域（車頂部）造成的損傷最嚴重，這是因為事故中車頂部距離頭部、胸腔最近，容易造成侵入傷害，與上述分析結果胸腔和頭部的損傷更嚴重相吻合。

對于間接致傷部件，環境部件造成的損傷更嚴重，OR值是自身車輛部件的1.489倍；質量小的部件造成的損傷更嚴重，OR 值是質量大的部件的1.222 倍，同樣這是因為質量小的部件體積往往較小，更具有侵害性；在橫向位置上，其他區域造成的損傷更嚴重，OR值是A區域的1.556倍；在高度位置上，其他區域造成的損傷更嚴重，OR 值是D 區域的2.280 倍，與上述環境部件造成的損傷更嚴重相吻合。當環境部件對乘員造成傷害時，證明事故已經很嚴重，間接致傷部件造成的損傷可能是在直接致傷部件的基礎上累積的。

表4 二元邏輯回歸分析

3.3 損傷嚴重程度預測

結合上述統計分析和二元邏輯回歸分析，通過預測模型進一步驗證分析的結果。以身體區域、前后位置、直接/間接致傷部件、直接/間接致傷部件的高度位置、直接/間接致傷部件的橫向位置8個特征因素作為輸入變量，損傷嚴重程度作為輸出變量，建立基于AdaBoost-SVM的損傷嚴重程度預測模型。

其中SVM模型的分類效果主要與核函數和內置參數有關，通過多次試驗測試，SVM 內的核函數選擇RBF。不斷調整SVM內的懲罰參數C和核函數內的γ參數，通過接受者操作特性曲線（Receiver Operating Characteristic Curve，ROC）下方面積（Area Under Curve，AUC）判斷模型的分類效果，即AUC 越大，分類效果越好，如圖6所示。由圖6可知，γ值的變化對模型的分類效果影響較大，當γ、C值偏小，即γ=0.23，C=0.77 時，模型的分類正確率達到69.83%。

圖6 C與γ分布

為了進一步提高損傷嚴重程度預測精度，建立多個SVM模型作為弱分類器，如圖7所示，當迭代次數t趨近500時，模型預測誤差趨近穩定。通過AdaBoost 提升算法構建一個強分類器，并利用測試集數據對強分類器進行校驗。采用網格搜索（gridsearchcv）調整迭代次數與步長，步長為0.01時，模型的分類正確率最高達到80.36%。分類效果如圖8所示，AdaBoost-SVM模型能較好地按照MAIS 3+劃分乘員損傷類型。分類效果不僅與模型中參數的調整有關，還取決于導入模型中的特征與結果的相關程度，模型分類正確率達到80.36%間接證明了上述分析中篩選出的特征對乘員損傷嚴重程度有顯著影響。

圖7 誤差分析

圖8 AdaBoost-SVM模型分類效果

4 結束語

本文通過對致傷事故的數據進行分析，得到以下結論：

a.發生碰撞事故時，乘員的頭部與胸腔、垂直方向上位于近端的部位、左右方向上位于右側的部位、前后方向上位于后面和側面的部位損傷更嚴重。車輛設計過程中應加強易損部位的防護。

b.直接致傷部件中對方車輛部件和質量較小的部件造成的乘員損傷更嚴重，車內BD 區域即車頂部造成的損傷更嚴重。間接致傷部件中環境部件造成的損傷更嚴重，當環境部件對乘員造成傷害時，證明事故已經很嚴重，間接致傷部件造成的損傷可能是在直接致傷部件的基礎上累積的。車輛設計時應注意高風險區域的安全措施。

c.事故中乘員損傷身體區域、損傷部位的前后位置等8 個特征因素對乘員損傷嚴重程度有顯著影響。AdaBoost-SVM 模型預測結果的準確率達到80.36%，一定程度上驗證了分析的結果。

在本研究考慮的因素外，影響乘員損傷嚴重程度的因素還有很多，如車速等，同時對于車輛和人體區域的劃分需要更精確，在預測模型的選擇和優化上可以進一步提升。