正面碰撞下副駕駛乘員頭部傷情預測

摘 要：為了快速預測道路交通事故中乘員的頭部損傷風險，求解副駕駛乘員頭部損傷與影響因素之間的關系，構建一種基于Stacking集成學習的乘員損傷預測模型。選用Yaris為研究車型，研究工況為正面碰撞，以主車車輛碰撞初速度、從車碰撞初速度、碰撞角度、碰撞重疊率為輸入，以副駕駛乘員的頭部簡明傷害等級（AIS）為輸出。結果表明，Stacking算法預測模型有良好的測試效果，其測試準確率達到90%，并且預測效果優于4種常見機器學習算法（KNN、SVM、DT和ANN）和2種代表性集成學習（Bagging、Boosting）算法。

關鍵詞：損傷預測 Stacking集成學習 THUMS模型 副駕駛乘員頭部損傷

汽車正面碰撞是最常見的交通事故之一，正面碰撞的試驗方法包括全寬碰撞、偏置碰撞和角度碰撞[1]。當交通事故發生時，能夠快速得到乘員損傷情況顯得尤為重要。目前車輛碰撞自動呼救系統（AACN）中的主要算法之一就是乘員損傷預測模型，因此如何提高模型的準確度成為了當下學者們的研究熱點，其預測結果的準確度直接影響后續的救治流程。

美國通用汽車公司的Kononen等人最早提出了Logistic回歸模型來預測乘員損傷程度[2]。日本本田研發有限公司的Yoshida等人在Kononen等人基礎上，采集日本近十年的交通事故數據，然后對這些數據進行Logistic回歸方程，并用剩下的交通事故數據驗證了該模型的準確性[3]。Ejima，S等人使用邏輯回歸模型開發了AACN的損傷嚴重度預測（ISP）算法，以預測持續損傷嚴重度評分（ISS）15+損傷的概率。根據車身類型，對國家汽車抽樣系統耐撞性數據系統（NASS-CDS：1999-2015）和2000年款或更高車型進行了新的案例選擇標準篩選，將碰撞方向、速度變化、多次碰撞、安全帶使用、車輛類型、乘員年齡以及女性乘員納入考慮范圍[4]。

之前的研究大多選用的是事故調查的方法獲取碰撞參數及約束系統狀態參數，從而對預測模型進行訓練。相較于交通傷害預測的簡單數值模型，有限元模型可以在碰撞參數復雜的情況下提供響應靈敏度。同時，之前的乘員傷情預測算法大多是基于Logistic回歸模型，算法模型較為單一，當訓練樣本量大時，性能不好，同時容易發生欠擬合現象，且只能處理二分類問題。最近幾年隨著深度學習和機器學習成為一大研究熱點，本文提出一種基于Stacking集成學習的副駕駛乘員損傷預測模型，一定程度上對醫療診斷有參考作用。

1 Staking集成學習

1.1 Stacking集成學習算法

在機器學習中，XGBoost和CatBoost是兩種強大的梯度提升算法，前者通過優化計算速度和正則化提高模型性能，后者專注于類別特征的處理和自動化缺失值處理；LightGBM以高效的直方圖分裂算法和并行計算加速訓練，適合大規模數據集；RandomForest通過構建多個決策樹并投票提高預測準確性，具備較好的魯棒性；ExtraTrees則通過增加隨機性來增強模型的泛化能力和訓練速度。每種算法在不同場景中都有其獨特的優勢，能夠根據具體需求選擇合適的模型。集成學習中的stacking方法通過將多個基模型的預測結果結合起來，形成一個強大的綜合模型。因此，本文融合了XGBoost、CatBoost、LightGBM、RandomForest和ExtraTrees，這些模型各具優勢，通過集成它們的預測可以有效提高準確性和魯棒性。XGBoost和LightGBM提供了高效的梯度提升，CatBoost專注于類別特征處理，RandomForest和ExtraTrees通過集成多個決策樹來提升模型穩定性。通過Stacking方法，這些模型的優點得以充分發揮，從而實現更優的預測性能。

1.2 典型工作流程

基于Stacking集成學習的副駕駛乘員頭部損傷預測方法，具體流程包括以下幾個部分：數據采集、數據預處理、模型訓練和檢驗預測。具體步驟如下。

（1）采集并創建副駕駛乘員頭部損傷預測數據集，以影響乘員頭部損傷的主要因素作為評價指標，即輸入變量，以頭部損傷等級（AIS）作為目標變量。

（2）采用SMOTE方法對數據進行了過采樣和平衡處理，合成新的少數類樣本來平衡類別分布，然后將數據集劃為訓練集與測試集，訓練集用于構建模型，測試集用于評估模型性能。

（3）基于訓練集數據，搭建副駕駛乘員頭部損傷預測模型，由于Stacking算法中子模型的超參數尋優對集成模型性能的提高有限，子模型的結構和超參數采用Sklearn框架內置的默認數值。

（4）采用測試集數據檢驗Stacking模型的預測效果和泛化能力，確定模型適用性。

2 副駕駛乘員損傷數據集的制作

2.1 仿真模型建立與驗證

本文采用的乘用車有限元模型為美國國家碰撞分析中心（NCAC）發布的2010年版豐田Yaris模型，該車型已經過多次實車試驗驗證。基于該整車有限元模型，構建全因子試驗設計矩陣，25%，50%，75%，100%不同重疊率；0°，30°，60°不同角度；左側主車速度為30km/h，40km/h，50km/h，60km/h，70km/h；右側從車車輛速度為30km/h，40km/h，50km/h，60km/h，70km/h，共300組仿真數據。

2.2 臺車模型的建立與驗證

通過對標驗證，HybridIII假人駕駛艙模型的頭部加速度仿真結果與試驗數據基本一致，證明模型具有較高的可靠性，如圖1所示。隨后，將HybridIII假人替換為THUMS人體模型，并根據HybridIII假人的定位參數對THUMS模型進行調整。參照Yaris碰撞前后的相關影像資料和試驗報告，對THUMS模型的初始位置、骨盆角度、手部及腿部姿態進行優化調整，同時將肌肉激活水平設定為Normal。在多次模擬后，獲取目標姿態的NODE節點信息，并替換原始THUMS文件中NODE關鍵字的節點數據，從而完成姿態調整。

基于上述構建整車模型加載相應的邊界條件，計算完成后提取副駕駛座椅下方某點的加速度與轉矩曲線，作為臺車模型的輸入條件。并利用LS-DYNA求解器進行計算，獲取假人頭部的質心加速度。

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[5]，如表1，將仿真得到的副駕駛乘員頭部損傷指標（Head Injury Criterion，HIC）值轉化為AIS等級。

最終，完成副駕駛乘員損傷數據集的制作，共有300條損傷數據。

3 結果與分析

3.1 預測結果

考慮模型性能和訓練效率，采用2層Stacking結構，5折交叉驗證，元學習器采用加權平均的方法[6]。由于本文所構建的乘員損傷預測數據集標簽中有7個類別，在準確率基礎上，增加F1分數和混淆矩陣作為衡量模型性能的度量指標。混淆矩陣是分析多分類模型性能最直觀的工具，它展示了模型在每個類別上的分類情況，包括正確分類和錯誤分類的數量。它可以幫助發現模型容易混淆的類別。在混淆矩陣中，可以直接觀察每個類別的分類準確性，以及哪些類別之間容易產生誤分類。其中，準確率和F1分數的計算公式分別為

式（1）中，TP（True Positive）代表模型正確預測為正類的樣本數，TN（True Negative）代表模型正確預測為負類的樣本數，FP（False Positive）代表模型錯誤地預測為正類的樣本數，FN（False Negative）代表模型錯誤地預測為負類的樣本數。

式（2）中，精確率P衡量的是所有被預測為正類的樣本中，實際為正類的比例。召回率R衡量的是所有實際為正類的樣本中，被正確預測為正類的比例。

隨機抽取數據庫中80%樣本作為訓練集，剩余20%作為測試集。Stacking集成模型預測結果的準確率和F1分數分別是90.29%、90.28%，混淆矩陣如圖2。行表示真實的類別標簽，列表示模型預測的類別標簽，對角線表示模型正確分類的樣本數量，非對角線表示模型分類錯誤的樣本數量。對角線數值遠大于非對角線數值，說明模型的分類性能總體較好。

3.2 模型對比分析

為直觀反映Stacking集成學習方法在乘員損傷預測中的優勢，對比分析了4種常見機器學習（KNN、SVM、DT和ANN）[7]和2種代表性集成學習（Bagging、Boosting）[8]算法的預測效果。由于這些算法均包含若干重要的超參數，嚴重影響著所構建模型的預測效果。因此，為尋找適合于本文數據集的算法超參數，避免模型產生過擬合和欠擬合現象，采用網格搜索和5-折交叉驗證法優化模型超參數[9]，各算法的超參數搜索空間與最優超參數如表2所示。為評估各模型的乘員損傷預測效果，分別計算了4種常見機器學習、2種代表性集成學習和Stacking模型在測試集上的性能度量指標，如圖3所示。在常見的單一機器學習模型中，ANN模型的預測效果最好，準確率和F1分數分別為86.29%、86.78%，SVM模型的預測效果次之，DT模型的預測效果最差，準確率和F1分數分別為81.33%、81.23%。在2種代表性集成學習模型中，Bagging模型比Boosting模型的預測效果更好，準確率、F1分數分別為88.53%、88.25%。在所有模型中，Stacking模型準確率、F1分數高達90.29%、90.28%，預測效果最好，表明Stacking集成學習方法可應用于乘員頭部損傷預測任務，能有效提升頭部損傷評價的準確率。相較于傳統機器學習，集成學習相當于多個“決策者”共同解決一個問題，可獲得更準確的預測結果。其次，超參數優化是一個非常困難且繁瑣的過程，Stacking方法減少了其對超參數調優的依賴性，極大程度上避免人為超參數優化過程，使得Stacking模型更具通用性與普適性。正如本文所建Stacking乘員頭部損傷預測模型采用的超參數為默認參數，其預測效果顯著優于超參數優化后的常見機器學習模型。

4 結論

（1）基于LS_DYNA有限元方法創建了副駕駛乘員頭部損傷預測數據集，包含300個樣本，每個樣本由碰撞角度，碰撞重疊率，兩車速度這四個特征和一個標簽頭部損傷等級組成。該數據集涵蓋很寬的數值范圍，可為開發副駕駛乘員損傷預測模型提供基礎數據依據。

（2）為提升乘員頭部損傷預測模型準確性和泛化效果，引入了先進的Stacking集成學習算法。依托于頭部損傷預測數據集，構建了基于Stacking集成學習的頭部損傷預測模型，在測試集上準確率、F1分數高達90.29%、90.28%，取得了良好的預測效果。

（3）通過對比分析常見機器學習和代表性集成學習算法，Stacking模型在2種性能度量指標上均具有明顯優勢，說明Stacking集成學習在頭部損傷預測方面具有很好的可行性。相較傳統機器學習方法，Stacking算法極大程度上減少了模型對超參數調優的依賴性，更具通用性和普適性，可為副駕駛乘員頭部損傷初步評價提供方法借鑒。

參考文獻：

[1]張金換. 汽車碰撞安全性設計[M].北京：清華大學出版社，2010.

[2] Kononen D W， Flannagan C A C， Wang S C. Identification and validation of a logistic regression model for predicting serious injuries associated with motor vehicle crashes[J]. Accident; Analysis and Prevention， 2011， 43（1）： 112-122.

[3] Yoshida S， Hasegawa T， Tominaga S， et al. Development of injury prediction models for advanced automatic collision notification based on Japanese accident data[J]. International Journal of Crashworthiness， 2016， 21： 112-119.

[4] Ejima， S.， Goto， T.， Zhang， P.， Cunningham， K.， et al. Injury Severity Prediction Algorithm Based on Select Vehicle Category for Advanced Automatic Collision Notification[J]. SAE Technical Paper 2022.

[5]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.

[6] Caruana R， Niculescu-Mizil A， Crew G， et al. Ensemble selection from libraries of models[C]// Proceedings of the Twenty-First International Conference on Machine Learning. New York： Association for Computing Machinery， 2004： 18.

[7]張化進，吳順川，韓龍強，等. 基于改進 Dempster-Shafer 證據理論的巖體質量異質集成評價方法[J]. 巖土力學，2022，43（S1）：532-541.

[8]崔陽陽，鄧念東，曹曉凡，等. 基于集成學習的地質災害危險性評價[J]. 水力發電，2020，46（10）：36-41.

[9] Zhang H， Wu S， Zhang X， et al. Slope stability prediction method based on the margin distance minimization selective ensemble[J]. Catena， 2022， 212： 106055.