基于決策樹模型的電動(dòng)自行車與SUV碰撞中騎車人頭部響應(yīng)

李 歡，白中浩，高文睿，周啟峰，蔣彬輝*

（1.湖南大學(xué),汽車車身先進(jìn)設(shè)計(jì)制造國家重點(diǎn)實(shí)驗(yàn)室，長沙 410082，中國；2.韋恩州立大學(xué) 生物工程中心，底特律 48201，美國）

截止到2019年底，中國大陸電動(dòng)自行車(E-bike)累計(jì)產(chǎn)量高達(dá)4.4億輛[1]。騎車人的傷亡人數(shù)呈逆勢上升的趨勢[2]。因此，為保護(hù)易受傷害人群（vulnerable population，VRU），在交通安全研究中應(yīng)加強(qiáng)對電動(dòng)自行車騎車人的損傷機(jī)理和防護(hù)研究。

D. Baschera等人[3]比較了2008 - 2014年美國電動(dòng)自行車和普通自行車騎車人的損傷模式及嚴(yán)重程度。K.Hermon等人[4]統(tǒng)計(jì)發(fā)現(xiàn)頭部為最常見的受傷部位。Q.Chen等人[5]分析了中國交通事故深入研究（china indepth accident study，CIDAS）數(shù)據(jù)庫中2012年兩輪車事故的統(tǒng)計(jì)數(shù)據(jù)，發(fā)現(xiàn)騎車人受傷最多的部位是頭部，占比為27.4%。因而，騎車人頭部防護(hù)成為電動(dòng)自行車安全研究中的關(guān)注重點(diǎn)[6]。

事故中騎車人頭部響應(yīng)特性，多依靠事故重建來獲得。例如：利用PC-Crash、MADYMO等多體動(dòng)力學(xué)軟件和LS-DYNA等有限元軟件開展交通事故重建和損傷分析，以獲得受害者頭部在事故中的運(yùn)動(dòng)學(xué)和損傷響應(yīng)[7-9]。王鑫[10]等人利用PC-Crash重建了13起電動(dòng)自行車-機(jī)動(dòng)車碰撞事故，分析了車型、碰撞類型和碰撞速度等對騎車人頭部運(yùn)動(dòng)學(xué)響應(yīng)和損傷的影響。尹均等人[7]重建了20余起電動(dòng)自行車與機(jī)動(dòng)車事故研究速度對拋距的影響。張鵬等人[8]則從國家車輛事故深度調(diào)查體系數(shù)據(jù)庫（national automobile accident indepth investigation system，NAIS）選取了若干電動(dòng)自行車與汽車側(cè)面碰撞且造成騎車人重傷或死亡事故來進(jìn)行重建，發(fā)現(xiàn)兩車碰撞點(diǎn)位置與騎車人損傷風(fēng)險(xiǎn)相關(guān)性較強(qiáng)。劉娜等人[11]在PC-Crash中完成近200例電動(dòng)自行車與機(jī)動(dòng)車事故仿真計(jì)算后，發(fā)現(xiàn)電動(dòng)自行車騎車人拋距和下肢加速度峰值隨機(jī)動(dòng)車速度增加而增大。因而，通過事故重建獲得的頭部響應(yīng)數(shù)據(jù)無法保證其普遍性而難以用于相關(guān)防護(hù)標(biāo)準(zhǔn)、法規(guī)等的建立。此外，頭部道路交通傷作為一種復(fù)雜的、多因素錯(cuò)綜影響的高維度問題，基于少量的事故重建數(shù)據(jù)和傳統(tǒng)的參數(shù)分析方法難以獲得解析。

本文擬基于決策樹模型對電動(dòng)自行車與運(yùn)動(dòng)型多功能車 (sports utility vehicle，SUV)碰撞事故工況中騎車人頭部響應(yīng)特性展開研究：通過試驗(yàn)設(shè)計(jì)法（design of experiment, DOE）調(diào)整電動(dòng)自行車和SUV兩者的碰撞初始速度、碰撞初始角度、碰撞初始位置以及騎車人體型等構(gòu)建大量碰撞事故工況；利用多剛體模型對這些工況展開仿真分析，形成數(shù)據(jù)集；對數(shù)據(jù)集開展數(shù)據(jù)挖掘，采用決策樹算法發(fā)掘參數(shù)內(nèi)在關(guān)系，并以樹形結(jié)構(gòu)形式（決策樹模型）將參數(shù)與結(jié)果之間的關(guān)系描述出來，形成頭部響應(yīng)決策樹模型。頭部響應(yīng)決策樹模型作為一種參數(shù)與結(jié)果之間的規(guī)則關(guān)系模型，無需再進(jìn)行仿真計(jì)算即可快速預(yù)測和決策，非專業(yè)人員也可使用，在一定程度上可替代仿真模型用于制定頭部安全評估法規(guī)性實(shí)驗(yàn)及頭部防護(hù)研究。

1 研究方法

1.1 決策樹模型

本文擬采用由J. Ross Quinlan在基于信息增益的ID3算法基礎(chǔ)上提出的C4.5決策樹算法來創(chuàng)建騎車人頭部響應(yīng)決策樹模型。獲得的決策樹模型由決策節(jié)點(diǎn)（decision node）、分支和葉節(jié)點(diǎn)（leaf node）3部分組成（如圖1所示）。

圖1 決策樹模型示例

圖1中：每個(gè)決策節(jié)點(diǎn)代表一個(gè)問題或者決策，通常對應(yīng)待分類對象的屬性，每個(gè)葉節(jié)點(diǎn)則代表一種可能的分類結(jié)果。在騎車人頭部響應(yīng)決策樹模型中，騎車人頭部響應(yīng)即為待分類對象，可以是頭部運(yùn)動(dòng)學(xué)響應(yīng)，也可以是頭部損傷響應(yīng)。影響這些響應(yīng)的碰撞工況即為待分類對象的屬性。每個(gè)決策節(jié)點(diǎn)上的問題（碰撞工況）的不同決策輸出（取值）導(dǎo)致不同的分支，最后到達(dá)一個(gè)葉節(jié)點(diǎn)，對應(yīng)某一類別（頭部響應(yīng)等級(jí)）。

利用C4.5決策樹算法創(chuàng)建圖1決策樹模型的流程是在獲得一個(gè)由待分類對象的屬性和分類結(jié)果組成的數(shù)據(jù)集后，首先選擇決策節(jié)點(diǎn)分裂屬性，即解決選擇待分類對象的哪個(gè)屬性進(jìn)行節(jié)點(diǎn)分類。C4.5算法基于信息熵理論進(jìn)行決策，即通過信息熵獲得待分類的屬性的信息增益率作為選擇節(jié)點(diǎn)分裂屬性的指標(biāo)。信息熵定義為

其中，pk為當(dāng)前樣本集合p中第k類樣本所占的比例。

若令V表示待分類的屬性a有V個(gè)可能的取值，Dv表示D中對于屬性a取值是av的樣本，則利用信息熵，可獲得待分類的屬性的信息增益為

待分類的屬性的信息增益率為

從待分類的屬性的信息增益率中可看出信息增益率表示了待分類對象的屬性能夠?yàn)榉诸愊到y(tǒng)帶來的信息，信息越多則表示該待分類對象的屬性越重要，因此最先被選擇的決策節(jié)點(diǎn)分裂屬性作為根決策節(jié)點(diǎn)對分類結(jié)果影響最大。在其后的決策樹模型建模過程中，不斷根據(jù)信息增益率選擇下一級(jí)待分類對象的屬性來建立新節(jié)點(diǎn)，進(jìn)一步劃分?jǐn)?shù)據(jù)，直到樣本數(shù)低于設(shè)定閾值停止生長[12-13]。本文中上述決策樹模型的建立過程在 WEKA (V3.8.3, Waikato University，New Zealand)中完成。

1.2 騎車人頭部響應(yīng)決策樹模型建模

依據(jù)決策樹模型的創(chuàng)建過程，騎車人頭部響應(yīng)決策樹模型建?；玖鞒蹋?/p>

1） 通過全因子DOE構(gòu)建大量不同的電動(dòng)自行車和SUV碰撞事故工況，并建立相應(yīng)的多剛體模型；

2） 利用多剛體模型開展仿真分析以收集和形成用于數(shù)據(jù)挖掘的數(shù)據(jù)集；

3） 利用決策樹算法對數(shù)據(jù)集開展挖掘形成決策樹模型；

4） 驗(yàn)證并解讀決策樹模型。

1.2.1 多剛體碰撞模型

論文作者團(tuán)隊(duì)開發(fā)了轎車與電動(dòng)自行車碰撞多剛體模型，并通過事故重建對模型進(jìn)行了驗(yàn)證，結(jié)果顯示創(chuàng)建的多剛體模型準(zhǔn)確可靠，可進(jìn)一步用于騎車人頭部運(yùn)動(dòng)學(xué)學(xué)響應(yīng)研究[14]。利用該多剛體模型，參照國內(nèi)某SUV幾何尺寸，將模型中轎車幾何尺寸修改為SUV后作為本研究中的基礎(chǔ)模型。

基礎(chǔ)模型包括電動(dòng)自行車模型、SUV模型及戴頭盔的騎車人模型。其中電動(dòng)自行車模型由車把、前叉、前輪、后輪、車架、座椅、電池等部分組成。SUV模型則只考慮了與電動(dòng)自行車及騎車人發(fā)生碰撞的前端部分，包括：發(fā)動(dòng)機(jī)罩、保險(xiǎn)杠、車頂、擋風(fēng)玻璃以及前后輪。騎車人則由軟件MADYMO (Version 7.5, TASS,Rijswijk, The Netherlands)自帶的Hybrid III多剛體假人來模擬，并在假人模型頭部佩戴了A類半盔型頭盔。該頭盔質(zhì)量約為800 g，尺寸參考頭盔頭圍設(shè)計(jì)標(biāo)準(zhǔn)要求（560～580 mm）適當(dāng)調(diào)整后定義為572 mm，并通過一個(gè)以頭部質(zhì)心為轉(zhuǎn)動(dòng)中心的球鉸將頭盔與頭部相連。頭盔接觸特性的設(shè)置滿足摩托車（最高設(shè)計(jì)車速 ≥ 50 km/h）頭盔標(biāo)準(zhǔn)中“頭型沖擊器在跌落試驗(yàn)中受頭盔防護(hù)后的加速度峰值不超過300g”的要求[15]。

1.2.2 數(shù)據(jù)收集

為節(jié)省計(jì)算機(jī)CPU總耗時(shí)，只研究了對騎車人頭部運(yùn)動(dòng)學(xué)學(xué)響應(yīng)有顯著影響的參數(shù)，挑選電動(dòng)自行車碰撞初始速度v(EB)、SUV的碰撞初始速度v(SUV)、碰撞初始角度θ、碰撞初始位置Pos以及騎車人體型Size等5個(gè)參數(shù)。為構(gòu)建不同的電動(dòng)自行車和SUV碰撞事故工況，通過DOE調(diào)整上述5個(gè)參數(shù)。各參數(shù)的調(diào)整范圍及水平具體如下：

騎車人體型主要考慮了百分位為5th、50th、95th的3種常用的汽車安全測試假人體型[17-19]。SUV和電動(dòng)自行車碰撞初始速度取值范圍統(tǒng)一定義為10～20 m/s和2～8 m/s，其方向分別沿各自中軸線朝前。兩者碰撞角度（如圖1所示）的取值范圍為0°～90°，其中0°表示追尾碰撞，90°表示側(cè)面碰撞，而90°～180°的情況與之對稱，為節(jié)省計(jì)算時(shí)間未考慮[22]。

參考McNally等人[18]的研究中為使騎車人頭部有可能發(fā)生車輛碰撞，碰撞初始位置范圍設(shè)定為車輛中線附近±0.5 m的范圍，包括3個(gè)水平：假人H點(diǎn)位于車輛中線左側(cè) （L） 0.25 m，中線 （M）和中線右側(cè)（R） 0.25 m位置，如圖2所示。各參數(shù)范圍和水平設(shè)置見表1。

對上述參數(shù)進(jìn)行全因子實(shí)驗(yàn)設(shè)計(jì)，基于多剛體基礎(chǔ)模型共獲得1 512組電動(dòng)自行車和SUV碰撞仿真模型。本文基于多目標(biāo)優(yōu)化軟件modeFRONTIER（2016,ESTECO, Trieste, Italy）搭建自動(dòng)化仿真分析平臺(tái)。在該平臺(tái)中集成了MADYMO（Version 7.5）和MATLAB（2017）對獲得的1 512組模型進(jìn)行仿真計(jì)算和結(jié)果處理，最終形成可用于數(shù)據(jù)挖掘的數(shù)據(jù)集。

圖2 初始碰撞位置

表1 參數(shù)范圍和水平設(shè)置

1.3 騎車人頭部運(yùn)動(dòng)學(xué)響應(yīng)決策樹模型

研究中使用多剛體碰撞模型來獲得用于數(shù)據(jù)挖掘的數(shù)據(jù)集。多剛體模型能獲得系列頭部運(yùn)動(dòng)學(xué)響應(yīng)，其中：頭部相對碰撞速度vhead、頭部碰撞點(diǎn)包繞距離（wrap around distance, WAD）、基于頭部加速度的頭部傷害允許指標(biāo)（head injury criterion, HIC15）均包含在數(shù)據(jù)集中。因而，可分別將三者作為待分類對象，創(chuàng)建vhead、WAD、HIC15決策樹模型組成頭部運(yùn)動(dòng)學(xué)響應(yīng)決策樹模型。

在創(chuàng)建的頭部運(yùn)動(dòng)響應(yīng)決策樹模型中，待分類對象的屬性為制定碰撞工況時(shí)使用的表1中5個(gè)參數(shù)，它們將成為決策樹模型中的決策節(jié)點(diǎn)；分支為參數(shù)的特定取值范圍；葉節(jié)點(diǎn)則是頭部運(yùn)動(dòng)學(xué)響應(yīng)的分類情況。利用決策樹模型解讀頭部運(yùn)動(dòng)學(xué)響應(yīng)特性時(shí)從決策樹的根決策節(jié)點(diǎn)開始解讀：位于根決策節(jié)點(diǎn)的參數(shù)對頭部運(yùn)動(dòng)學(xué)響應(yīng)影響最大，決策節(jié)點(diǎn)下的某分支代表著該決策節(jié)點(diǎn)在某取值水平下的分類走向。從根決策節(jié)點(diǎn)到葉節(jié)點(diǎn)的整個(gè)路徑即為一種頭部運(yùn)動(dòng)學(xué)響應(yīng)分類結(jié)果的預(yù)測或決策過程，如圖1中的紅色路徑所示。

2 研究結(jié)果

2.1 數(shù)據(jù)集

圖3 頭部碰撞點(diǎn)分布

在1 512組仿真結(jié)果中，有743組仿真中的騎車人頭部與SUV發(fā)生了碰撞，為有效仿真數(shù)據(jù)，其他未發(fā)生頭部與車體碰撞的仿真則剔除。有效數(shù)據(jù)中，頭部與車輛碰撞點(diǎn)分布如圖3所示。圖3中，大部分碰撞點(diǎn)分布在SUV中心線的右半部分，這主要是由于電動(dòng)自行車和SUV碰撞初始角度范圍為0°～90°，使電動(dòng)自行車初始碰撞速度相對SUV向右導(dǎo)致。碰撞點(diǎn)中有94例（或12.65%）分布前風(fēng)擋玻璃上，649例（或87.35%）則發(fā)生在發(fā)動(dòng)機(jī)罩。

2.2 頭部響應(yīng)決策樹模型

騎車人頭部響應(yīng)主要考慮了vhead、WAD及HIC15；其中：vhead和WAD是影響頭部損傷的主要因素，也是建立騎車人頭部安全評估測試方法和標(biāo)準(zhǔn)的主要參數(shù)[23-24]；HIC15是最常用的頭部損傷評價(jià)指標(biāo)[25]。按照頭部響應(yīng)結(jié)果對數(shù)據(jù)集進(jìn)行等級(jí)的劃分，相應(yīng)頭部響應(yīng)等級(jí)劃分如表2所示。根據(jù)這個(gè)等級(jí)劃分，利用決策樹算法C4.5對743組有效數(shù)據(jù)進(jìn)行挖掘分類和剪枝，獲得相應(yīng)的決策樹模型。

表2 頭部響應(yīng)等級(jí)劃分

2.2.1 頭部相對碰撞速度決策樹模型

頭部相對碰撞速度決策樹模型如圖4所示。該決策樹模型尺寸為26，葉節(jié)點(diǎn)數(shù)為14，頭部相對碰撞速度等級(jí)L、M、H分類準(zhǔn)確率分別為87.4%、95.2%、94.9%，平均分類準(zhǔn)確率為92.5%。每個(gè)葉節(jié)點(diǎn)分類精度可通過葉節(jié)點(diǎn)上的數(shù)字獲得，如葉節(jié)點(diǎn)A1“H(200.0/23.0)”表示該分類結(jié)果為H，其中有200組數(shù)據(jù)點(diǎn)分類正確，23組分類錯(cuò)誤。模型用于預(yù)測和決策時(shí)，只需選擇正確的分支即可獲得結(jié)果，如圖4中紅色箭頭分支：當(dāng)vSUV＞ 16 m/s， ＞ 0°時(shí)，可知vhead≥25 m/s。

為驗(yàn)證圖4中決策樹模型的準(zhǔn)確性，在3種分類等級(jí)中挑選了分支短，精度高的A1、A2、A3分支形成預(yù)測規(guī)則并在各自預(yù)測規(guī)則的參數(shù)范圍內(nèi)使用Latin square設(shè)計(jì)各生成5組，共計(jì)15組事故工況開展仿真分析，結(jié)果如表3所示。

表3中各預(yù)測規(guī)則下驗(yàn)證結(jié)果準(zhǔn)確率與挑選的分支精度及模型整體精度接近，表明頭部相對碰撞速度決策樹模型準(zhǔn)確可靠。

圖4 頭部相對碰撞速度決策樹模型

表3 驗(yàn)證方案與結(jié)果（頭部相對碰撞速度）

從圖4葉節(jié)點(diǎn)分類正確和錯(cuò)誤的數(shù)據(jù)點(diǎn)可獲得A1、A2、A3的預(yù)測準(zhǔn)確率分別為89.6%、 96.8%、97.8%，平均準(zhǔn)確率為92.6%。

由圖4中決策樹模型可以看出,vsuv即SUV碰撞初始速度是該決策樹模型根節(jié)點(diǎn)，對vhead影響最大參數(shù)，其次是碰撞初始角度。且頭部相對碰撞速度隨SUV車速的增加而增大，與Nie等人[24]和王鑫等人[10]研究中發(fā)現(xiàn)騎車人頭部相對碰撞速度與車輛撞擊初始速度正相關(guān)的結(jié)論一致。

2.2.2 頭部碰撞點(diǎn)WAD決策樹模型

頭部WAD決策樹模型如圖5所示。該決策樹的尺寸為26，包含的葉節(jié)點(diǎn)數(shù)為14，等級(jí)W、HU、HL的分類準(zhǔn)確率分別為61.9%、84.3%、90.5%，平均分類準(zhǔn)確率為78.9%。

圖5 頭部碰撞點(diǎn)WAD決策樹模型

采用同樣的驗(yàn)證方法，對頭部碰撞點(diǎn)WAD決策樹模型展開驗(yàn)證，結(jié)果如表4中所示。從圖5葉節(jié)點(diǎn)分類正確和錯(cuò)誤的數(shù)據(jù)點(diǎn)可獲得B1、B2和B3的預(yù)測準(zhǔn)確率分別為75.0%、91.1%和98.3%，平均準(zhǔn)確率為93.7%。表4中各預(yù)測規(guī)則下驗(yàn)證結(jié)果的準(zhǔn)確率與挑選的分支精度及模型整體精度接近，表明頭部碰撞點(diǎn)WAD決策樹模型準(zhǔn)確可靠。

由圖5中頭部碰撞點(diǎn)WAD決策樹模型可以看出，騎車人體型是該決策樹的根節(jié)點(diǎn)，為頭部碰撞點(diǎn)WAD的最大影響參數(shù)。當(dāng)騎車人為5th女性假人時(shí)，236組數(shù)據(jù)中有232組頭部碰撞點(diǎn)WAD值劃分為HL級(jí)(發(fā)動(dòng)機(jī)罩下部)，而頭部碰撞點(diǎn)WAD值劃分為W級(jí)（擋風(fēng)玻璃上）的數(shù)據(jù)點(diǎn)多為騎車人體型95th男性假人?？傊?，頭部碰撞點(diǎn)WAD決策樹模型顯示騎車人尺寸及SUV碰撞初始速度越大，頭部碰撞點(diǎn)WAD越大。

表4 驗(yàn)證方案與結(jié)果（頭部碰撞區(qū)域）

2.2.3 頭部HIC15決策樹模型

頭部HIC15決策樹模型如圖6所示。該決策樹的尺寸為26，包含葉節(jié)點(diǎn)數(shù)為15，頭部HIC15等級(jí)H、M、L的分類準(zhǔn)確率分別為83.1%、53.3%和84.8%，平均分類準(zhǔn)確率為73.7%。

圖6 HIC15決策樹模型

表5 驗(yàn)證方案與結(jié)果（HIC15）

類似的方法對頭部HIC15決策樹模型展開驗(yàn)證，結(jié)果如表5中所示。從圖6葉節(jié)點(diǎn)分類正確和錯(cuò)誤的數(shù)據(jù)點(diǎn)可獲得C1、C2和C3的準(zhǔn)確率分別為89.7%、71.4%和91.0%，平均準(zhǔn)確率為87.5%。表4中C1和C3分支驗(yàn)證結(jié)果的準(zhǔn)確率與其分支精度接近，而C2分支驗(yàn)證結(jié)果的準(zhǔn)確率則遠(yuǎn)高于其分支精度，整的驗(yàn)證結(jié)果準(zhǔn)確率與模型整體精度接近，表明頭部HIC15決策樹模型準(zhǔn)確可靠。

在圖6的頭部HIC15決策樹模型中，SUV碰撞初始速度為頭部HIC15最大影響參數(shù)。頭部HIC15為H級(jí)（HIC15≥ 750）的數(shù)據(jù)點(diǎn)集中發(fā)生在vsuv＞ 16 m/s 的事故工況中，顯示頭部HIC15隨SUV碰撞初始速度增大而增大，與文獻(xiàn)[10,21]的研究結(jié)論一致。

3 結(jié) 論

本文構(gòu)建并仿真分析了大量電動(dòng)自行車與SUV碰撞事故工況，并將仿真結(jié)果形成頭部響應(yīng)數(shù)據(jù)集?；跊Q策樹算法，對數(shù)據(jù)集展開挖掘形成了頭部運(yùn)動(dòng)學(xué)響應(yīng)決策樹模型?？衫瞄_發(fā)的決策樹模型快速預(yù)測騎車人頭部運(yùn)動(dòng)學(xué)響應(yīng)的同時(shí)，還可獲得下述結(jié)論：

1) 獲得的頭部相對速度碰速度、碰撞點(diǎn)包繞距離WAD和頭部傷害允許指標(biāo)HIC15決策樹模型，平均準(zhǔn)確率分別為92.5%、78.9%和73.7%，模型驗(yàn)證顯示準(zhǔn)確可靠，可用于電動(dòng)自行車與SUV碰撞事故中騎車人頭部響應(yīng)的預(yù)測、決策和研究。

2) 通過頭部響應(yīng)決策樹模型：頭部相對碰撞速度受SUV碰撞初始速度的影響最大，SUV碰撞初始速度越大，騎車人頭部相對碰撞速度越高；而騎車人體型對頭部碰撞點(diǎn)包繞距離WAD影響最為顯著，隨著騎車人體型及SUV碰撞初始速度的增加，頭部碰撞點(diǎn)WAD越大；此外，SUV碰撞初始速度也是頭部HIC15影響最顯著的參數(shù)，HIC15值隨SUV碰撞初始速度的增大而增大。

今后，在上述騎車人頭部運(yùn)動(dòng)響應(yīng)決策樹模型開發(fā)基礎(chǔ)上，可進(jìn)一步考慮其他車型對頭部響應(yīng)的影響，開發(fā)更為完整的騎車人頭部運(yùn)動(dòng)學(xué)響應(yīng)決策樹模型，并結(jié)合事故統(tǒng)計(jì)用于制定頭部安全評估法規(guī)性實(shí)驗(yàn)及開展頭部防護(hù)研究。除此之外，由于缺少專門用于模擬行人或騎車人的假人，本文采用的Hybrid III假人實(shí)際是針對汽車正面碰撞中的乘員開發(fā)的，因而該假人在模擬騎車人時(shí)可能會(huì)存在一定的不準(zhǔn)確性，在今后研究中應(yīng)進(jìn)行改進(jìn)。