正面碰撞中駕駛員頭部傷情預(yù)測

代 嬌

正面碰撞中駕駛員頭部傷情預(yù)測

代 嬌

（重慶理工大學(xué) 車輛工程學(xué)院，重慶 400054）

為了快速預(yù)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(guān)系，構(gòu)建一種基于改進鯨魚算法優(yōu)化反向傳播（MWOA-BP）神經(jīng)網(wǎng)絡(luò)的駕駛員側(cè)損傷預(yù)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(gòu)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(yù)測目標的損傷預(yù)測模型。訓(xùn)練MWOA-BP預(yù)測模型，并與傳統(tǒng)的反向傳播（BP）神經(jīng)網(wǎng)絡(luò)模型進行對比損傷預(yù)測效果。結(jié)果表明，MWOA-BP預(yù)測模型有良好的測試效果，其測試準確率達到90%。結(jié)合真實事故，將損傷預(yù)測模型進行應(yīng)用，證明該損傷預(yù)測模型可以應(yīng)用到實際事故中。

微型面包車；正面碰撞；BP神經(jīng)網(wǎng)絡(luò)；MWOA；損傷預(yù)測

國內(nèi)外眾多學(xué)者對道路事故進行事故重建、事故預(yù)防等研究發(fā)現(xiàn)，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(shù)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(fā)生時，能否準確地預(yù)測不可避免的碰撞場景中乘員傷害的嚴重程度，與損傷預(yù)測模型的準確度密切關(guān)聯(lián)。

對于乘員損傷風險的研究，國內(nèi)外學(xué)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(xiàn)，研究了駕駛員動力學(xué)響應(yīng)和損傷機制。ALKHEDER等[6]采用人工神經(jīng)網(wǎng)絡(luò)，以48個不同屬性為自變量，預(yù)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(guān)系，最后預(yù)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(yù)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(guān)性，最后利用隨機森林預(yù)測模型對乘員損傷嚴重程度進行預(yù)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(guān)性，基于人工神經(jīng)網(wǎng)絡(luò)建立一種預(yù)測模型來預(yù)測傷害嚴重程度。

鯨魚算法（Whale Optimization Algorithm, WOA）是由SEYEDALI等學(xué)者于2016年提出[11]，具有初始參數(shù)少、原理簡單且易于實現(xiàn)等優(yōu)點。但在處理復(fù)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(shù)、神經(jīng)網(wǎng)絡(luò)與優(yōu)化算法相結(jié)合，提出基于改進鯨魚算法（Modified Whale Optimization Algorithm, MWOA）優(yōu)化反向傳播（Back Propagation, BP）神經(jīng)網(wǎng)絡(luò)的駕駛員損傷預(yù)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(shù)據(jù)集，然后建立MWOA-BP損傷預(yù)測模型，利用損傷預(yù)測模型對駕駛員側(cè)頭部損傷進行預(yù)測，一定程度上對醫(yī)療診斷有參考作用。

1 MWOA-BP神經(jīng)網(wǎng)絡(luò)

1.1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是一種按誤差反向傳播算法訓(xùn)練的多層前饋網(wǎng)絡(luò)，在數(shù)據(jù)預(yù)測方面應(yīng)用廣泛，網(wǎng)絡(luò)結(jié)構(gòu)由輸入層、隱含層和輸出層構(gòu)成[12]。BP神經(jīng)網(wǎng)絡(luò)通過不斷調(diào)節(jié)權(quán)值和閾值，最終達到訓(xùn)練的效果。

1.2 鯨魚算法原理

基本的WOA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)重系數(shù)，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(wǎng)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(nèi)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(shè)當前最優(yōu)候選解為目標獵物或者接近最優(yōu)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(shù)學(xué)模型為

2.氣泡網(wǎng)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(shù)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(shè)兩種捕食行為發(fā)生的概率各為50%，鯨魚位置更新的數(shù)學(xué)模型為

式中，為捕食機制概率，取[0,1]之間的隨機數(shù)。

3.搜索獵物

其數(shù)學(xué)模型如下：

1.3 改進鯨魚優(yōu)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(yīng)權(quán)重策略來改進算法性能。利用混沌映射產(chǎn)生的高質(zhì)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]。基本的WOA通過隨機方式初始化種群，會導(dǎo)致初始種群的隨機性大，從而影響初始種群的質(zhì)量。本文采用Cubic映射來產(chǎn)生混沌序列，對WOA的初始種群方式進行優(yōu)化，其數(shù)學(xué)公式為

式中，為控制參數(shù)。

1.3.2 自適應(yīng)權(quán)重策略

本文引入一種自適應(yīng)權(quán)重系數(shù)來對WOA的收縮包圍機制和權(quán)重進行調(diào)整，從而增強算法的全局搜索能力與局部開發(fā)能力。自適應(yīng)權(quán)重系數(shù)的數(shù)學(xué)公式為

式中，為調(diào)整系數(shù)；為當前迭代次數(shù)；max為最大迭代次數(shù)；min為最小權(quán)重；max為最大權(quán)重。

MWOA算法步驟流程如下：

1）初始化WOA參數(shù)，確定初始種群規(guī)模和最大迭代次數(shù)。

2）確定參數(shù)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(lǐng)導(dǎo)者得分。

3）計算鯨魚個體適應(yīng)度，比較得出當前最佳適應(yīng)度，更新鯨魚領(lǐng)導(dǎo)者位置。

4）更新、、、等參數(shù)，計算自適應(yīng)權(quán)重系數(shù)。

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(yīng)度，并比較以獲得最優(yōu)解。判斷當前計算是否達到最大迭代次數(shù)，若已達到，則結(jié)束計算，獲得最優(yōu)解；否則，返回步驟3）開始下一次迭代。

2 駕駛員損傷數(shù)據(jù)集的制作

2.1 仿真模型建立與驗證

為后續(xù)進行微型面包車正面碰撞下駕駛員損傷數(shù)據(jù)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(wǎng)格數(shù)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(wěn)定性，可以將其作為基礎(chǔ)模型在后續(xù)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(tǒng)模型。該模型主要由車體、假人、安全帶三個部分組成，根據(jù)面包車駕駛員艙布置，調(diào)整各部件位置，最終的乘員約束系統(tǒng)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(tǒng)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(chǔ)模型用于后續(xù)研究。

圖4 駕駛員損傷對比圖

2.2 駕駛員損傷數(shù)據(jù)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(shù)據(jù)集的制作由碰撞波形數(shù)據(jù)的提取和駕駛員損傷數(shù)據(jù)的提取組成。

為后續(xù)進行駕駛員約束系統(tǒng)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(jīng)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(xù)損傷預(yù)測模型的輸入變量。

然后，通過FUNCTION.給約束系統(tǒng)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(tǒng)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(shè)置10個級別，對面包車駕駛員損傷進行仿真分析。通過設(shè)置不同的邊界條件、約束系統(tǒng)的配置，采用混合水平正交試驗設(shè)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(yù)測模型的預(yù)測性能對數(shù)據(jù)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(shè)計策略與仿真模擬相結(jié)合。考慮到駕駛員在行車過程中，由于不同車型的部件參數(shù)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(fā)現(xiàn)安全帶、安全氣囊以及座椅的相關(guān)參數(shù)對駕駛員損傷輸出數(shù)據(jù)有顯著影響，因此選取表1的5個參數(shù)作為設(shè)計變量。利用ModeFrontier與MADYMO耦合，采用均勻拉丁超立方試驗設(shè)計方法，以40組樣本數(shù)據(jù)構(gòu)建初始樣本空間，根據(jù)5個設(shè)計變量的取值范圍，進行仿真矩陣設(shè)計，通過計算得出駕駛員頭部損傷響應(yīng)值。本文對駕駛員約束系統(tǒng)碰撞模型進行了400次仿真實驗。

表1 參數(shù)取值范圍

利用AIS描述正面碰撞乘員損傷嚴重程度，結(jié)合AIS與中國新車評價規(guī)程（China-New Car Assessment Program, C-NCAP）標準，建立頭部損傷等級對應(yīng)關(guān)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(zhuǎn)換為AIS等級。

表2 AIS等級與頭部損傷對應(yīng)關(guān)系

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

3 損傷預(yù)測模型

3.1 構(gòu)建MWOA-BP神經(jīng)網(wǎng)絡(luò)

利用前文制作的駕駛員損傷數(shù)據(jù)集，建立MWOA-BP預(yù)測模型。MWOA-BP模型對駕駛員損傷預(yù)測過程如下：

1）確定BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)。選用三層BP神經(jīng)網(wǎng)絡(luò)，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(quán)值和閾值。根據(jù)經(jīng)驗公式確定隱含層神經(jīng)元的數(shù)目，公式如下：

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

2）數(shù)據(jù)集的劃分。按8:2的比例將數(shù)據(jù)集劃分為訓(xùn)練集和測試集，80%的數(shù)據(jù)為訓(xùn)練集，20%的數(shù)據(jù)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(dǎo)致預(yù)測模型不收斂、精度降低等問題，因此采用公式（11），對數(shù)據(jù)進行歸一化處理。

式中，為原始數(shù)據(jù)；max為數(shù)據(jù)集種的最大值；min為數(shù)據(jù)集種的最小值；為歸一化后的值。

4）訓(xùn)練參數(shù)設(shè)置。隱含層采用的激活函數(shù)為Tan-Sigmoid函數(shù)；輸出層采用的傳輸函數(shù)為Purelin函數(shù)；訓(xùn)練函數(shù)采用Levenberg-Marquardt（trainlm）算法；學(xué)習(xí)速率設(shè)為0.01；訓(xùn)練最大次數(shù)設(shè)為1 000次；訓(xùn)練誤差設(shè)為0.001。

5）MWOA參數(shù)初始化。把步驟1）中的初始權(quán)值和閾值轉(zhuǎn)變?yōu)镸WOA中的搜索粒子及其坐標位置。此外，將鯨魚初始種群規(guī)模設(shè)置為30，最大迭代次數(shù)為50，初始最小權(quán)重為0，初始最大權(quán)重為1，使用Cubic混沌映射生成種群。后續(xù)根據(jù)MWOA算法步驟，進行模型訓(xùn)練。

6）模型訓(xùn)練測試。前期基本工作完成后，編寫程序，開始訓(xùn)練。

3.2 結(jié)果分析

當模型訓(xùn)練達到最大迭代次數(shù)或者達到誤差精度要求時，訓(xùn)練完成。MWOA-BP預(yù)測模型的適應(yīng)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(yīng)度變化曲線

圖7 模型測試結(jié)果對比

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

將MWOA-BP預(yù)測模型與傳統(tǒng)BP預(yù)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(tǒng)BP模型的測試誤差小，且MWOA-BP模型較為穩(wěn)定，MWOA-BP模型在測試集中的預(yù)測精度達到90%。

圖8 預(yù)測誤差對比

將預(yù)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(yù)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(yù)測模型，分析可知，MWOA-BP預(yù)測模型的值相比BP預(yù)測模型降低了20%，值降低了33.3%。因此，MWOA-BP預(yù)測模型的預(yù)測性能更佳，可以將其用于后續(xù)應(yīng)用研究中。

表3 誤差分析表

3.3 模型應(yīng)用

為更進一步地探索MWOA-BP預(yù)測模型的適用性，將損傷預(yù)測模型應(yīng)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(yīng)對不可控因素（比如數(shù)據(jù)不平衡）而導(dǎo)致預(yù)測結(jié)果與實際結(jié)果的AIS值產(chǎn)生差異，使得預(yù)測模型的有效性降低，因此，將預(yù)測結(jié)果與真實結(jié)果進行對比時，根據(jù)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(yù)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(yù)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(yù)測結(jié)果為嚴重損傷的概率，召回率表示在預(yù)測結(jié)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(shù)來衡量模型的性能。1分數(shù)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(yù)測模型在62例事故案例中進行了應(yīng)用。預(yù)測結(jié)果顯示，有54例事故的預(yù)測結(jié)果與實際結(jié)果相符合，有3例事故預(yù)測值大于實際值，有5例事故預(yù)測值小于實際值。圖9為ROC曲線，=0.001，具有統(tǒng)計學(xué)意義，經(jīng)過計算，1=0.69，=0.79，具有中等程度的準確性。

4 結(jié)論

本文運用有限元和多剛體結(jié)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(cè)損傷預(yù)測進行研究。主要結(jié)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(shù)據(jù)集。利用混沌映射改進鯨魚算法，建立MWOA-BP預(yù)測模型，結(jié)果顯示MWOA-BP模型的預(yù)測性能良好，在測試集中的預(yù)測準確度達到90%。

2）將損傷預(yù)測模型應(yīng)用到真實交通事故案例中，預(yù)測結(jié)果表明該預(yù)測模型可以初步應(yīng)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(diào)查分析及人員損傷機理研究[D].重慶:第三軍醫(yī)大學(xué),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(xué)學(xué)報:自然科學(xué),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(yù)測[J].中國安全科學(xué)學(xué)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(yù)測研究[J].機械設(shè)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(yù)測[J].汽車技術(shù),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(yōu)化長短時記憶神經(jīng)網(wǎng)絡(luò)的鋰電池剩余壽命預(yù)測[J].科學(xué)技術(shù)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(yù)測模型研究[J].化學(xué)工程,2022,50(1):67-73.

[15] 馬曉寧,李笑含.基于Tent混沌映射的可復(fù)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(yōu)化算法的NOMA功率分配研究[J].電子測量技術(shù),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(yī)大學(xué),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(xué)學(xué)報(工學(xué)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。