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(yōu)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(fā)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(tǒng)（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(xù)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(fā)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(fā)了AACN的損傷嚴重度預測（ISP）算法，以預測持續(xù)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(tǒng)耐撞性數據系統(tǒng)（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(tǒng)狀態(tài)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(fā)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(yī)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(yōu)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(guī)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(yōu)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(yōu)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(wěn)定性。通過Stacking方法，這些模型的優(yōu)點得以充分發(fā)揮，從而實現更優(yōu)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(chuàng)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(yōu)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(fā)布的2010年版豐田Yaris模型，該車型已經過多次實車試驗驗證?；谠撜囉邢拊Ｐ?，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(tài)進行優(yōu)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(tài)的NODE節(jié)點信息，并替換原始THUMS文件中NODE關鍵字的節(jié)點數據，從而完成姿態(tài)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(guī)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?；煜仃囀欠治龆喾诸惸Ｐ托阅茏钪庇^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(fā)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(yōu)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(yōu)化模型超參數[9]，各算法的超參數搜索空間與最優(yōu)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(tǒng)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(yōu)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(yōu)的依賴性，極大程度上避免人為超參數優(yōu)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(yōu)于超參數優(yōu)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(chuàng)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(fā)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(yōu)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(tǒng)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(yōu)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(fā)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.