基于決策樹模型的電動自行車與SUV碰撞中騎車人頭部響應

李 歡，白中浩，高文睿，周啟峰，蔣彬輝*

（1.湖南大學,汽車車身先進設計制造國家重點實驗室，長沙 410082，中國；2.韋恩州立大學 生物工程中心，底特律 48201，美國）

截止到2019年底，中國大陸電動自行車(E-bike)累計產量高達4.4億輛[1]。騎車人的傷亡人數呈逆勢上升的趨勢[2]。因此，為保護易受傷害人群（vulnerable population，VRU），在交通安全研究中應加強對電動自行車騎車人的損傷機理和防護研究。

D. Baschera等人[3]比較了2008 - 2014年美國電動自行車和普通自行車騎車人的損傷模式及嚴重程度。K.Hermon等人[4]統計發現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）數據庫中2012年兩輪車事故的統計數據，發現騎車人受傷最多的部位是頭部，占比為27.4%。因而，騎車人頭部防護成為電動自行車安全研究中的關注重點[6]。

事故中騎車人頭部響應特性，多依靠事故重建來獲得。例如：利用PC-Crash、MADYMO等多體動力學軟件和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動學和損傷響應[7-9]。王鑫[10]等人利用PC-Crash重建了13起電動自行車-機動車碰撞事故，分析了車型、碰撞類型和碰撞速度等對騎車人頭部運動學響應和損傷的影響。尹均等人[7]重建了20余起電動自行車與機動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查體系數據庫（national automobile accident indepth investigation system，NAIS）選取了若干電動自行車與汽車側面碰撞且造成騎車人重傷或死亡事故來進行重建，發現兩車碰撞點位置與騎車人損傷風險相關性較強。劉娜等人[11]在PC-Crash中完成近200例電動自行車與機動車事故仿真計算后，發現電動自行車騎車人拋距和下肢加速度峰值隨機動車速度增加而增大。因而，通過事故重建獲得的頭部響應數據無法保證其普遍性而難以用于相關防護標準、法規等的建立。此外，頭部道路交通傷作為一種復雜的、多因素錯綜影響的高維度問題，基于少量的事故重建數據和傳統的參數分析方法難以獲得解析。

本文擬基于決策樹模型對電動自行車與運動型多功能車 (sports utility vehicle，SUV)碰撞事故工況中騎車人頭部響應特性展開研究：通過試驗設計法（design of experiment, DOE）調整電動自行車和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，形成數據集；對數據集開展數據挖掘，采用決策樹算法發掘參數內在關系，并以樹形結構形式（決策樹模型）將參數與結果之間的關系描述出來，形成頭部響應決策樹模型。頭部響應決策樹模型作為一種參數與結果之間的規則關系模型，無需再進行仿真計算即可快速預測和決策，非專業人員也可使用，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性實驗及頭部防護研究。

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算法基礎上提出的C4.5決策樹算法來創建騎車人頭部響應決策樹模型。獲得的決策樹模型由決策節點（decision node）、分支和葉節點（leaf node）3部分組成（如圖1所示）。

圖1 決策樹模型示例

圖1中：每個決策節點代表一個問題或者決策，通常對應待分類對象的屬性，每個葉節點則代表一種可能的分類結果。在騎車人頭部響應決策樹模型中，騎車人頭部響應即為待分類對象，可以是頭部運動學響應，也可以是頭部損傷響應。影響這些響應的碰撞工況即為待分類對象的屬性。每個決策節點上的問題（碰撞工況）的不同決策輸出（取值）導致不同的分支，最后到達一個葉節點，對應某一類別（頭部響應等級）。

利用C4.5決策樹算法創建圖1決策樹模型的流程是在獲得一個由待分類對象的屬性和分類結果組成的數據集后，首先選擇決策節點分裂屬性，即解決選擇待分類對象的哪個屬性進行節點分類。C4.5算法基于信息熵理論進行決策，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點分裂屬性的指標。信息熵定義為

其中，pk為當前樣本集合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為分類系統帶來的信息，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點分裂屬性作為根決策節點對分類結果影響最大。在其后的決策樹模型建模過程中，不斷根據信息增益率選擇下一級待分類對象的屬性來建立新節點，進一步劃分數據，直到樣本數低于設定閾值停止生長[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 騎車人頭部響應決策樹模型建模

依據決策樹模型的創建過程，騎車人頭部響應決策樹模型建模基本流程：

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

2） 利用多剛體模型開展仿真分析以收集和形成用于數據挖掘的數據集；

3） 利用決策樹算法對數據集開展挖掘形成決策樹模型；

4） 驗證并解讀決策樹模型。

1.2.1 多剛體碰撞模型

論文作者團隊開發了轎車與電動自行車碰撞多剛體模型，并通過事故重建對模型進行了驗證，結果顯示創建的多剛體模型準確可靠，可進一步用于騎車人頭部運動學學響應研究[14]。利用該多剛體模型，參照國內某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模型。

基礎模型包括電動自行車模型、SUV模型及戴頭盔的騎車人模型。其中電動自行車模型由車把、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自行車及騎車人發生碰撞的前端部分，包括：發動機罩、保險杠、車頂、擋風玻璃以及前后輪。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。該頭盔質量約為800 g，尺寸參考頭盔頭圍設計標準要求（560～580 mm）適當調整后定義為572 mm，并通過一個以頭部質心為轉動中心的球鉸將頭盔與頭部相連。頭盔接觸特性的設置滿足摩托車（最高設計車速 ≥ 50 km/h）頭盔標準中“頭型沖擊器在跌落試驗中受頭盔防護后的加速度峰值不超過300g”的要求[15]。

1.2.2 數據收集

為節省計算機CPU總耗時，只研究了對騎車人頭部運動學學響應有顯著影響的參數，挑選電動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個參數。為構建不同的電動自行車和SUV碰撞事故工況，通過DOE調整上述5個參數。各參數的調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和電動自行車碰撞初始速度取值范圍統一定義為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°表示側面碰撞，而90°～180°的情況與之對稱，為節省計算時間未考慮[22]。

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

對上述參數進行全因子實驗設計，基于多剛體基礎模型共獲得1 512組電動自行車和SUV碰撞仿真模型。本文基于多目標優化軟件modeFRONTIER（2016,ESTECO, Trieste, Italy）搭建自動化仿真分析平臺。在該平臺中集成了MADYMO（Version 7.5）和MATLAB（2017）對獲得的1 512組模型進行仿真計算和結果處理，最終形成可用于數據挖掘的數據集。

圖2 初始碰撞位置

表1 參數范圍和水平設置

1.3 騎車人頭部運動學響應決策樹模型

研究中使用多剛體碰撞模型來獲得用于數據挖掘的數據集。多剛體模型能獲得系列頭部運動學響應，其中：頭部相對碰撞速度vhead、頭部碰撞點包繞距離（wrap around distance, WAD）、基于頭部加速度的頭部傷害允許指標（head injury criterion, HIC15）均包含在數據集中。因而，可分別將三者作為待分類對象，創建vhead、WAD、HIC15決策樹模型組成頭部運動學響應決策樹模型。

在創建的頭部運動響應決策樹模型中，待分類對象的屬性為制定碰撞工況時使用的表1中5個參數，它們將成為決策樹模型中的決策節點；分支為參數的特定取值范圍；葉節點則是頭部運動學響應的分類情況。利用決策樹模型解讀頭部運動學響應特性時從決策樹的根決策節點開始解讀：位于根決策節點的參數對頭部運動學響應影響最大，決策節點下的某分支代表著該決策節點在某取值水平下的分類走向。從根決策節點到葉節點的整個路徑即為一種頭部運動學響應分類結果的預測或決策過程，如圖1中的紅色路徑所示。

2 研究結果

2.1 數據集

圖3 頭部碰撞點分布

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

2.2 頭部響應決策樹模型

騎車人頭部響應主要考慮了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準的主要參數[23-24]；HIC15是最常用的頭部損傷評價指標[25]。按照頭部響應結果對數據集進行等級的劃分，相應頭部響應等級劃分如表2所示。根據這個等級劃分，利用決策樹算法C4.5對743組有效數據進行挖掘分類和剪枝，獲得相應的決策樹模型。

表2 頭部響應等級劃分

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，葉節點數為14，頭部相對碰撞速度等級L、M、H分類準確率分別為87.4%、95.2%、94.9%，平均分類準確率為92.5%。每個葉節點分類精度可通過葉節點上的數字獲得，如葉節點A1“H(200.0/23.0)”表示該分類結果為H，其中有200組數據點分類正確，23組分類錯誤。模型用于預測和決策時，只需選擇正確的分支即可獲得結果，如圖4中紅色箭頭分支：當vSUV＞ 16 m/s， ＞ 0°時，可知vhead≥25 m/s。

為驗證圖4中決策樹模型的準確性，在3種分類等級中挑選了分支短，精度高的A1、A2、A3分支形成預測規則并在各自預測規則的參數范圍內使用Latin square設計各生成5組，共計15組事故工況開展仿真分析，結果如表3所示。

表3中各預測規則下驗證結果準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確可靠。

圖4 頭部相對碰撞速度決策樹模型

表3 驗證方案與結果（頭部相對碰撞速度）

從圖4葉節點分類正確和錯誤的數據點可獲得A1、A2、A3的預測準確率分別為89.6%、 96.8%、97.8%，平均準確率為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點，對vhead影響最大參數，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]研究中發現騎車人頭部相對碰撞速度與車輛撞擊初始速度正相關的結論一致。

2.2.2 頭部碰撞點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，包含的葉節點數為14，等級W、HU、HL的分類準確率分別為61.9%、84.3%、90.5%，平均分類準確率為78.9%。

圖5 頭部碰撞點WAD決策樹模型

采用同樣的驗證方法，對頭部碰撞點WAD決策樹模型展開驗證，結果如表4中所示。從圖5葉節點分類正確和錯誤的數據點可獲得B1、B2和B3的預測準確率分別為75.0%、91.1%和98.3%，平均準確率為93.7%。表4中各預測規則下驗證結果的準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WAD決策樹模型準確可靠。

由圖5中頭部碰撞點WAD決策樹模型可以看出，騎車人體型是該決策樹的根節點，為頭部碰撞點WAD的最大影響參數。當騎車人為5th女性假人時，236組數據中有232組頭部碰撞點WAD值劃分為HL級(發動機罩下部)，而頭部碰撞點WAD值劃分為W級（擋風玻璃上）的數據點多為騎車人體型95th男性假人。總之，頭部碰撞點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WAD越大。

表4 驗證方案與結果（頭部碰撞區域）

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，包含葉節點數為15，頭部HIC15等級H、M、L的分類準確率分別為83.1%、53.3%和84.8%，平均分類準確率為73.7%。

圖6 HIC15決策樹模型

表5 驗證方案與結果（HIC15）

類似的方法對頭部HIC15決策樹模型展開驗證，結果如表5中所示。從圖6葉節點分類正確和錯誤的數據點可獲得C1、C2和C3的準確率分別為89.7%、71.4%和91.0%，平均準確率為87.5%。表4中C1和C3分支驗證結果的準確率與其分支精度接近，而C2分支驗證結果的準確率則遠高于其分支精度，整的驗證結果準確率與模型整體精度接近，表明頭部HIC15決策樹模型準確可靠。

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。頭部HIC15為H級（HIC15≥ 750）的數據點集中發生在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[10,21]的研究結論一致。

3 結 論

本文構建并仿真分析了大量電動自行車與SUV碰撞事故工況，并將仿真結果形成頭部響應數據集。基于決策樹算法，對數據集展開挖掘形成了頭部運動學響應決策樹模型。可利用開發的決策樹模型快速預測騎車人頭部運動學響應的同時，還可獲得下述結論：

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

2) 通過頭部響應決策樹模型：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，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動響應決策樹模型開發基礎上，可進一步考慮其他車型對頭部響應的影響，開發更為完整的騎車人頭部運動學響應決策樹模型，并結合事故統計用于制定頭部安全評估法規性實驗及開展頭部防護研究。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假人實際是針對汽車正面碰撞中的乘員開發的，因而該假人在模擬騎車人時可能會存在一定的不準確性，在今后研究中應進行改進。