面向高級車輛事故自動呼救系統的傷情預測

陸穎 劉裕發(fā) 束瑜 季小潔

摘 要：為提高高級車輛事故自動呼救（advanced automatic crash notification，AACN）系統的救援效率，提出了一種駕駛員傷情預測算法，基于算法進行了AACN系統終端的總體設計。首先，選取駕駛員年齡、性別、是否佩戴安全帶、速度變化量、事故碰撞方向以及駕駛員側安全氣囊是否打開作為駕駛員傷情的影響因素;其次，對交通事故數據進行分析并構建Logistic回歸模型，使用Hosmer-Lemeshow測試表對模型進行驗證，通過敏感性分析獲得最佳觸發(fā)閾值;再次，對AACN系統終端進行設計;最后，通過實際案例檢驗傷情預測算法的準確性和AACN系統終端的有效性。結果表明，所提出的駕駛員傷情預測算法和AACN系統的準確性較高，能夠有效預測駕駛員傷情，有助于救援中心制定積極有效的救援方案。研究結果可用于解決現有的集中式AACN系統呼叫效率不高且準確性受人為因素影響較大的問題，為分散式AACN系統中駕駛員傷情預測算法的設計提供參考。

關鍵詞：公路運輸其他學科;道路事故數據;Logistic回歸模型;駕駛員傷情預測模型;高級車輛事故自動呼救系統

中圖分類號：U461.91?? 文獻標識碼：A

doi：10.7535/hbkd.2021yx04002

收稿日期：2021-03-31;修回日期：2021-05-24;責任編輯：馮 民

基金項目：國家自然科學基金（51605197）;江蘇省自然科學基金（BK20160524）;鎮(zhèn)江市重點研發(fā)計劃（社會發(fā)展）項目（SH2019054）

第一作者簡介：陸 穎（1981—），男，江蘇鎮(zhèn)江人，副教授，博士，主要從事汽車被動安全方面的研究。

E-mail：luying@ujs.edu.cn

陸穎，劉裕發(fā)，束瑜，等.面向高級車輛事故自動呼救系統的傷情預測[J].河北科技大學學報，2021，42（4）：327-333.LU Ying，LIU Yufa，SHU Yu， et al.Injury prediction for advanced automatic crash notification system[J].Journal of Hebei University of Science and Technology，2021，42（4）：327-333.

Injury prediction for advanced automatic crash notification system

LU Ying1，LIU Yufa1，SHU Yu2，JI Xiaojie1

（1.School of Automotive and Traffic Engineering，Jiangsu University，Zhenjiang，Jiangsu 212013，China;2.The Fourth People′s Hospital of Zhenjiang City，Zhenjiang，Jiangsu 212000，China）

Abstract：In order to improve the rescue efficiency of the advanced automatic crash notification （AACN） system，a driver injury prediction algorithm was proposed，and the overall design of the AACN system terminal was conducted based on this algorithm.First，the amount of speed change，the direction of the accident，the driver′s age，gender，whether to wear the seat belt，and whether the driver′s side airbag inflated were selected as the influencing factors of the driver′s injury.Next，a Logistic regression model was analyzed and developed based on traffic accident data.The effectiveness of the model was verified by using the Hosmer-Lemeshow test table，and the best trigger threshold was obtained through sensitivity analysis.Then，the AACN system terminal was designed.Finally，an actual case was used to test the accuracy of the injury prediction algorithm and the effectiveness of AACN system terminal.The results of the case study show that the proposed driver injury prediction algorithm and the AACN system are highly accurate，which can effectively predict the driver′s injury and help the rescue center work out an active rescue plan.The research results can be used to solve the problem that existing centralized AACN systems′ efficiency is not high and their accuracy is greatly affected by human factors.Consequently，they provide a reference for the design of driver injury prediction algorithm in the decentralized AACN system.

Keywords：

other subjects of highway transportation;road accident data;Logistic regression model;driver injury prediction model;the advanced automatic crash notification system

高級車輛事故自動呼救（advanced automatic crash notification，AACN）系統是一種事故后車輛安全技術。該系統可以檢測碰撞事故是否發(fā)生并通過車載數據檢測器記錄碰撞事故信息（如車輛位置信息、速度變化量等），同時能夠預測駕駛員的受傷情況[1]。如果駕駛員的傷情水平超過預設閾值，AACN系統將向救援中心發(fā)送事故信息，相關救援組織將前往營救受傷嚴重的駕駛員。同時，緊急救援中心也將依據駕駛員的傷情概率制定相應的治療計劃，保障其生命安全。由于盡早提供救助與治療對減輕人員傷害的嚴重性和挽救生命有非常重要的意義，因此AACN系統對道路交通事故受害者有很大幫助，大大提高了乘員的生存率[2]。

傳統的只能夠自動識別碰撞的車輛事故自動呼救（automatic crash notification，ACN）系統在技術上已經比較成熟。國外主要的汽車企業(yè)所提供的車載服務系統內都集成有ACN系統，典型的有通用公司的安吉星（Onstar）系統和歐洲汽車企業(yè)的e-call系統，歐盟從2018年開始就要求所有新車必須配備e-call系統，目前已經形成一個較為完備的應急救援生態(tài)圈[3]。中國ACN系統只是汽車企業(yè)的個體行為，沒有后臺支持、得到的社會資源有限、救護車調度難、呼救回應臺的搭建不完整等問題都導致ACN系統在中國還未得到普及。就AACN而言，其在傳統ACN系統的基礎上增加了傷情預測功能，使得系統的復雜性大大增加，現有實際應用的例子主要是有寶馬（BMW）汽車公司的AACN系統。該系統由BMW公司的URGENCY算法進行傷情預測。其主要不足如下：1）采用的是高度中心化的預測模式，即傷情預測只能由BMW服務中心依據URGENCY算法來進行;2）整個過程需要駕駛員和服務中心人員進行交互，可能導致傷情誤判或者呼救延誤[4]。此外，BMW公司的AACN系統需要與汽車事件數據記錄（event data recorder，EDR）系統配合使用，其URGENCY算法輸入的參數需要由事故車輛的EDR系統向服務中心輸送，而實際上EDR系統在汽車中并未得到廣泛普及，只在少數豪華車型上才裝配了該系統[5]。

目前國內外一些學者提出了分散化的解決方案，即由汽車自身根據傳感器的數據自動判斷事故發(fā)生并預測傷情。AUGENSTEIN等[6]利用Logistic回歸模型，分析收集到的交通事故碰撞數據，建立了駕駛員傷情預測模型。KONONEN等[7]分析了在二次碰撞情況下，不同碰撞方向和車輛類型駕駛員的受傷情況，并且通過敏感性分析確定最佳閾值。ZHANG等[8]在統計的碰撞數據中增加了胸部CT掃描數據，提出了正面碰撞下駕駛員胸部傷情預測模型。BAHOUTH等[9]通過向KONONEN等建立的模型中添加自變量（例如，車輛是否側翻以及駕駛員是否系安全帶）來設法提高傷情預測的準確性，從而提高算法的準確性。周水庭等[10]對收集到的碰撞案例進行加權計算，將車輛受撞擊之后的損壞區(qū)間分為垂直、橫向和縱向3個方面，建立了車輛損壞區(qū)間與駕駛員傷情達到MAIS3+的Logistic回歸方程。褚端峰等[11]收集了過去5年來重慶高速公路上發(fā)生的194次車禍的數據，分析了駕駛員傷情與重疊率、質量比、碰撞方向和車輛變形程度之間的相關性。王磊等[12]根據227起交通事故數據，基于人、車、路、環(huán)境4個要素，建立了有序和多項Logistic駕駛員傷情預測模型。劉愛松[13]利用Logistic回歸模型，分析并預測了在不同條件下駕駛員傷情達到MAIS3+的概率。從以上文獻可以看出，現有的傷情預測研究大多數是一種回顧性的研究，主要目的是識別影響傷情的因素[14]。隨著研究的逐漸深入，傷情預測模型也變得越來越復雜，考慮的因素也越來越多，但是，這種分散化的AACN系統究竟該如何采集關于車輛的哪些數據，一直是個值得探討的問題。雖然現有不少關于駕駛員傷情預測的模型，考慮的參數越來越多且更加全面，有助于提高傷情預測的準確性，但是有些參數很難通過車載傳感器獲得。此外，隨著機器學習算法的運用，一些學者開始嘗試采用神經網絡、貝葉斯分析等方法預測傷情，但是這些方法在車載終端使用是否會導致預測效率的降低也是一個值得商榷的問題。

本文基于分散化的解決方案，將駕駛員傷情預測從汽車企業(yè)的后臺前移到車輛內部，限定傷情預測模型的輸入參數可以通過車載傳感器測得或者駕駛員事先輸入，從而最大限度地減少人為失誤，提高呼救效率。本文針對現有研究主要涉及多參數復雜預測模型的建立，且較少涉及到模型對于AACN系統終端適用性的問題，基于所建立的預測模型，提出了AACN 系統終端的工作流程，考慮到現有研究對模型可靠性驗證不足的問題，通過真實事故案例驗證傷情預測模型的準確性和AACN系統的可靠性。

1 基于Logistic回歸的駕駛員傷情預測模型

1.1 模型定義

基于Logistic回歸模型的統計分析方法被廣泛運用到交通、車輛、醫(yī)學等多個領域。本文將駕駛員傷情未達到“Fatal”的概率設為p（yi=0|xi），駕駛員傷情達到“Fatal”的概率設為p（yi=1|xi）， Fatal表示駕駛員傷情達到最大簡明損傷定級3級以上，即MAIS3+（max abbreviated injury scale 3+），同時定義變量xi（i=1，2，3，…，n）為影響因素。考慮到二元Logistic回歸模型適用于因變量為二分類的分類變量，并且具有數據訓練高效、易于編程實現的優(yōu)點，因此，本文選用二元Logistic回歸模型來研究駕駛員的傷情。駕駛員傷情達到“Fatal”概率的回歸方程如式（1）所示：

p（yi=1|xi）=11+e-（α+β1x1+β2x2+…+βnxi），（1）

式中α，β1，β2，…，βn是待求系數。

1.2 數據處理

收集美國國家公路交通安全管理局事故案列調查（special crash investigation，SCI）數據庫中2004—2016年共計998組汽車碰撞事故的數據。在998組數據中，年齡在16～28歲的記為1，29～39歲的記為2，40～50歲的記為3，50歲以上記為4;將性別為女性的記為1，性別為男性的記為0;車型為CAR的記為0，車型為SUV的記為1;將左側碰撞記為1，右側碰撞記為2，追尾碰撞記為3，正面碰撞記為4;駕駛員佩戴安全帶記為1，未佩戴記為0;駕駛員側安全氣囊打開記為1，未打開記為0;駕駛員傷情達到“Fatal”記為1，駕駛員傷情未達到“Fatal”記為0。

1.3 駕駛員傷情預測模型的建立與驗證

首先在已經處理好的998組數據中，對數據進行隨機選擇，得到683組訓練數據和315組待測數據;然后將683組訓練數據導入SPSS Statistics 25軟件中，選擇二元Logistic回歸模型，得到相關數據如表1所示。

從表1可以看出，追尾碰撞的顯著性為0.229，年齡在40～50歲的顯著性為0.215，均明顯大于顯著性水平0.05。這表明追尾碰撞和年齡在40～50歲對駕駛員的傷情預測在5%的顯著性水平上沒有統計學意義。

本文選擇“Hosmer-Lemeshow檢驗的隨機性表”來檢驗模型的擬合優(yōu)度[15]，如表2所示。該檢驗標準與常規(guī)檢驗不同，要求卡方值應低于其臨界值。在顯著性水平為0.05時，其自由度為8，卡方臨界值為15.51。從表2可以看出，檢驗卡方值為3.629，小于15.51，檢驗通過。根據隨后的顯著性值0.889與0.05的比較，也能證明通過檢驗了。

對應于Hosmer-Lemeshow檢驗，在正常情況下，要求實測值與期望值逐漸趨于接近[16]。將得到的數據繪制成圖，如圖1所示，其中圖1 a）表示Fatal=0，即駕駛員未達到“Fatal”的概率;圖1 b）表示Fatal=1，即駕駛員達到“Fatal”的概率。圖中，自變量為實測值，因變量為期望值，黑點代表樣本點，直線為“y=x”。圖1結果顯示，實測值與期望值的樣本點靠近“y=x”直線，說明模型的整體擬合效果比較理想。

將剩下的315組待測數據導入駕駛員傷情預測模型中進行預測，圖2為315組中部分待測數據基于Logistic回歸模型的預測概率。圖中，從下至上表示速度變化量、事故碰撞方向、車型、年齡、性別、是否佩戴安全帶、安全氣囊是否打開以及回歸模型的預測概率（左側）和實際傷情對應的值（右側）。

2 受試者工作特性曲線

受試者工作特性（receiver operating characteristic，ROC）曲線評價又稱敏感性分析[17]，其被用來評價模型的預測水平。根據模型和得到的預測結果，其ROC曲線如圖3所示。橫坐標表示1-特異性，縱坐標表示敏感性。特異性和敏感性見式（2）和式（3），其中TP（true positive）為真陽性，TN（true negative）為真陰性，FP（false positive）為假陽性，FN（false negative）為假陰性。

特異性=TNTN+FP，（2）

敏感性=TPTP+FN。（3）

在ROC曲線下方的面積為AUC（area under curve），用于評價模型的準確性。AUC的取值為0.5～1，AUC越接近1，模型準確性越高。在315組數據中，該預測模型的AUC值為0.787。由此可見，該模型預測的結果具有較好的準確性。

求出“敏感性+特異性-1”的值即可計算觸發(fā)閾值，求得的最大值就代表最佳閾值。由SPSS軟件導出數據可知，當敏感性為0.771，特異性為0.712時，此時的觸發(fā)閾值0.483為最大值，因此該駕駛員傷情預測模型的最佳閾值為0.483。

3 AACN系統終端設計與驗證

3.1 AACN系統終端設計

AACN系統終端以加速度信號為判斷標準，用于檢測碰撞事故的發(fā)生。當檢測到事故發(fā)生時，則計算并預測駕駛員傷情，并根據駕駛員傷情的嚴重程度判斷是否需要向外呼救。

選擇STM32F103ZET6開發(fā)板進行終端設計，同時安裝加速度傳感器、GPS模塊、GSM模塊和LCD模塊，然后將終端固定在車輛上。在駕駛車輛前，駕駛員需要先輸入相關信息。加速度傳感器可以對運行中的車輛加速度進行實時采集，若采集到的碰撞加速度數據小于預設的加速度閾值，則存儲加速度數據并計算速度變化量，然后綜合相關信息計算駕駛員傷情概率，如果超過預設的最佳閾值，則立即定位車輛位置并對外發(fā)送事故信息，事故信息包括速度變化量、駕駛員傷情概率、GPS信息等。AACN系統終端連接如圖4所示。

本文使用碰撞檢測算法及檢測車身加速度峰值法來檢測碰撞事故是否發(fā)生[18]。試驗表明，車輛以50 km/h行駛或緊急制動時，產生的加速度ax均未小于-2g。因此，將-2g作為判斷碰撞事故發(fā)生的最佳閾值，整體流程如圖5所示。

3.2 AACN系統驗證

如果能將終端直接裝到車上并進行實車碰撞，分析車內駕駛員傷情與AACN的分析結果是否一致，這將是一個非常理想的方法，但顯然這種方法具有一定的危險性而且成本過高。利用實際事故案例驗證碰撞模型也是近年來出現的一種方法，例如利用事故視頻、事故報告等來估計判斷相關理論或仿真分析結果是否正確，目前這種方法已經得到較為廣泛的應用[19]。因此，本文決定引入實際事故案例對建立的Logistic回歸模型和AACN系統的準確性進行驗證[20]。

碰撞發(fā)生在2012年1月，1名42歲的女性駕駛員駕駛CHRYSLER汽車發(fā)生碰撞并翻車。在車輛行駛過程中，駕駛員沒有佩戴安全帶，事故發(fā)生后，車輛檢測到速度變化量為31 km/h，駕駛員側安全氣囊打開，駕駛員被認定為達到“Fatal”傷情等級。事故案例信息如表3所示。

在事故案例中，駕駛員在事前輸入自己的信息，如年齡“42歲”，性別“女”。然后以一定的速度駕駛汽車在公路上行駛，同時，車輛開始實時采集車身加速度數據ax。行駛一段時間后發(fā)生碰撞，碰撞類型為左側碰撞，檢測到的ax小于-2g，此時AACN系統判定發(fā)生碰撞，然后立刻定位車輛位置，并根據存儲的加速度數據計算速度變化量并取絕對值，利用公式計算駕駛員“Fatal”概率。經對汽車檢測和現場勘查情況可知，駕駛員在駕駛過程中沒有佩戴安全帶，在碰撞發(fā)生后安全氣囊打開，汽車速度變化量為31 km/h，駕駛員被救援人員認定達到“Fatal”傷情等級。通過使用本文建立的Logistic回歸模型，利用公式計算得到駕駛員達到“Fatal”傷情的概率是0.99，超過了閾值0.483，AACN系統同樣認定駕駛員達到“Fatal”傷情等級。然后對外發(fā)送求救信號和事故信息，同時LCD屏顯示事故信息，AACN系統終端會對外發(fā)送短信。其短信內容如圖6所示。

實驗結果表明，該回歸模型和AACN系統可以有效地檢測到碰撞事故的發(fā)生，自動呼救系統能夠記錄和計算碰撞過程中的碰撞速度變化量、駕駛員傷情概率等碰撞信息以及碰撞事故發(fā)生的地理位置信息。

4 結 語

本文依據統計收集到的交通事故數據，采用Logistic回歸模型，建立了駕駛員傷情預測算法。將處理好的數據導入該模型中，可預測多個變量下駕駛員的傷情是否達到“Fatal”的情況。數據仿真及驗證結果表明，該預測模型的準確率較高，可以應用于AACN系統中。通過對AACN系統終端的整體設計，實現了事故信息的及時傳遞與發(fā)送。緊急救援中心在接到AACN系統發(fā)送的交通事故信息和駕駛員傷情預測后可以快速制定醫(yī)療方案，不僅減少了醫(yī)療資源的浪費，還可以提高重傷駕駛員的生存概率。

碰撞事故的嚴重性是多種因素綜合作用的結果。車輛類型對交通事故的嚴重性具有顯著影響，受限于事故案例數據，本文對于車輛類型只是簡單地將其劃分為小轎車和SUV，今后如能獲得這些案例中碰撞車輛的相關參數，將會更加深刻地分析車型對于事故的影響。與此同時，車輛類型、車身結構、碰撞方向、碰撞速度等多種因素共同作用的結果最終會反映為碰撞過程中產生的能量，因此若能建立碰撞過程中產生的能量與乘員傷情之間的關聯模型，將能有效提高傷情預測的精度。如何測得這些能量以及如何布置傳感器，都值得后續(xù)展開研究。此外，在設計閾值時，本文主要是基于數據的特異性和敏感性獲得的，未來可考慮將車輛自身的安全等級、事故發(fā)生地的救援水平、救援成本、交通條件、汽車左舵右舵等納入閾值設定的考慮范圍。

參考文獻/References：

[1] 唐偉.基于路面平整度識別ACNS門檻閾值設定問題研究[D].鎮(zhèn)江：江蘇大學，2019.

TANG Wei.Research on Threshold Setting of ACNS Based on Pavement Roughness Recognition[D].Zhenjiang：Jiangsu University，2019.

[2] PAL C，HIRAYAMA S，NARAHARI S，et al.Effect of abbrevieted injury scale（AIS）change on injury severity prediction for advanced automatic crash notification（AACN）[J].International Journal of Automotive Engineering，2017，8（2）：71-78.

[3] BANCE I，YANG S C，ZHOU Q，et al.A framework for rapid on-board deterministic estimation of occupant injury risk in motor vehicle crashes with quantitative uncertainty evaluation[J].Science China（Technological Sciences），2021，64（3）：521-534.

[4] NASSAR L，KAMEL M S，KARRAY F.VANET IR-CAS for safety ACN：Information retrieval context aware system for VANET automatic crash notification safety application[J].International Journal of Intelligent Transportation Systems Research，2016，14（3）：127-138.

[5] QIU J L，SU 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）：36850420908750.

[6] AUGENSTEIN J，PERDECK E，BAHOUTH G T，et al.Injury identification：Priorities for data transmitted[C].International Technical Conference on the Enhanced Safety of Vehicles，2005.

[7] 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.

[8] ZHANG P，PARENTEAU C，WANG L，et al.Prediction of thoracic injury severity in frontal impacts by selected anatomicalmorphomic variables through model-averaged logistic regression approach[J].Accident Analysis Prevention，2013，60：172-180.

[9] BAHOUTH G，GRAYGO J，DIGGES K，et al.The benefits and tradeoffs for varied high-severity injury risk thresholds for advanced automatic crash notificationsystems[J].Traffic Injury Prevention，2014，15：S134-S140.

[10]周水庭，唐友名.側碰事故中乘員MAIS3+損傷分布規(guī)律研究[J].中國安全科學學報，2013，23（9）：71-75.

ZHOU Shuiting，TANG Youming.Distribution of MAIS3+injured occupants by location of damage of struck vehicle in side impact[J].China Safety Science Journal，2013，23（9）：71-75.

[11]褚端峰，吳超仲，李順喜，等.基于Logistic回歸的高速公路車-車碰撞事故深度分析[J].中國安全科學學報，2014，24（3）：103-108.

CHU Duanfeng，WU Chaozhong，LI Shunxi，et al.In-depth analysis of vehicle-vehicle crash on freeways based on Logistic regression[J].China Safety Science Journal，2014，24（3）：103-108.

[12]王磊，呂璞，林永杰.高速公路交通事故影響因素分析及傷害估計[J].中國安全科學學報，2016，26（3）：86-90.

WANG Lei，LYU Pu，LIN Yongjie.Traffic accidents on freeways：Influencing factors analysis and injury severity evaluation[J].China Safety Science Journal，2016，26（3）：86-90.

[13]劉愛松.車輛事故自動呼救系統觸發(fā)決策技術研究[D].鎮(zhèn)江：江蘇大學，2017.

LIU Aisong.Study on Trigger Decision Technology for Vehicle Accident Automatic Call System [D].Zhenjiang：Jiangsu University，2017.

[14]GABLER H C，WEAVER A A，STITZEL J D.Automotive Field Data in Injury Biomechanics[M].New York：Springer，2015.

[15]KAMDEN K S，MWARUMBA M.Design and Analysis in Educational Research：ANOVA Designs in SPSS[M].London：Routledge，2020.

[16]殷越洲.高級車輛事故自動呼救系統傷情預測算法研究及終端設計[D].鎮(zhèn)江：江蘇大學，2020.

YIN Yuezhou.Research on the Injury Prediction Algorithm and the Terminal Design of Advanced Automatic Crash Notification System[D].Zhenjiang：Jiangsu University，2020.

[17]孫樂媛.基于Bernstein多項式的ROC曲線的非參數估計[D].大連：大連理工大學，2019.

SUN Leyuan.Nonparametric Estimation of the ROC Curve Based on the Bernstein Polynomial[D].Dalian：Dalian University of Techno-logy，2019.

[18]張玉辰.基于動態(tài)門檻閾值的車輛事故自動呼救系統終端設計[D].鎮(zhèn)江：江蘇大學，2020.

ZHANG Yuchen.Design of Automatic Crash Notification System Terminal Based on Dynamic Discrimination Threshold[D].Zhenjiang：Jiangsu University，2020.

[19]HAN Y，LI Q，WANG F，et al.Analysis of pedestrian kinematics and ground impact in traffic accidents using video records[J].Interna-tional Journal of Crashworthiness，2019，24（2）：211-220.

[20]National Highway Traffic Safety Administration.SCI Crash Overview-Summary[DB/OL].https：//crashviewer.nhtsa.dot.gov/nass-sci/CaseForm.aspx？xsl=main.xsl&CaseID=685312931，2020-12-01.