基于CART決策樹的車輛與行人碰撞中頭部損傷風(fēng)險(xiǎn)預(yù)測

韓勇 羅金镕 何勇 吳賀 林旭潔 蔡鴻瑜

摘 要： 為快速預(yù)測汽車碰撞行人頭部損傷風(fēng)險(xiǎn)，建立了一種基于多剛體系統(tǒng)動(dòng)力學(xué)仿真方法和分類回歸決策樹（CART）的預(yù)測模型。參考?xì)W洲新車評價(jià)規(guī)程（Euro-NCAP），開發(fā)了具有精細(xì)化剛度特征的車輛前部結(jié)構(gòu)多體模型；以行人尺寸、初始車輛速度和行人速度、人車碰撞位置、相對角度為變量，通過全因子設(shè)計(jì)試驗(yàn)方法，建立了4 500 組多體仿真模型；采用CART 模型，挖掘變量與動(dòng)力學(xué)響應(yīng)參數(shù)的關(guān)聯(lián)性。結(jié)果表明：車輛初始碰撞速度是影響行人頭部動(dòng)力學(xué)響應(yīng)的關(guān)鍵因素；該模型對于碰撞速度和頭部損傷準(zhǔn)則（HIC15）值的預(yù)測精度分別為87.5% 和86.8%，平均預(yù)測耗時(shí)為42.7 ms，兩者均具有較高的預(yù)測精度和決策能力。該結(jié)果可為制定行人頭部損傷風(fēng)險(xiǎn)評估實(shí)驗(yàn)和損傷防護(hù)研究提供理論參考依據(jù)。

關(guān)鍵詞： 汽車安全；碰撞事故；頭部損傷準(zhǔn)則（HIC）；車輛前部結(jié)構(gòu)；決策樹預(yù)測模型；頭部動(dòng)力學(xué)響應(yīng)；分類回歸決策樹（CART）

中圖分類號： U 461.91 文獻(xiàn)標(biāo)識(shí)碼： A DOI： 10.3969/j.issn.1674-8484.2023.05.002

作為典型的弱勢道路群體（vulnerable road users，VRUs）之一，行人在交通事故中面臨較高的傷亡風(fēng)險(xiǎn)[1]。根據(jù)2018 年世界衛(wèi)生組織統(tǒng)計(jì)數(shù)據(jù)：每年由交通事故造成的人員死亡人數(shù)持續(xù)增長，且目前已攀升至135 萬人，其中有54% 是道路弱勢群體[2]。2020 年國家統(tǒng)計(jì)局?jǐn)?shù)據(jù)顯示：道路交通事故中行人受傷和死亡人數(shù)分別為256 101 和62 763 人[3]。相關(guān)研究結(jié)果表明頭部損傷是交通事故中行人的主要損傷類型之一，也是致死主要原因[1]。因此，在交通安全中對于行人的頭部損傷機(jī)理研究，已成為道路交通事故安全領(lǐng)域關(guān)注的重點(diǎn)之一。

研究者對人車碰撞事故中行人致死的相關(guān)影響因素進(jìn)行了大量研究。PENG Yong [4] 通過對真實(shí)事故案例進(jìn)行深度重建，研究發(fā)現(xiàn)車輛前部幾何參數(shù)和剛度特性是影響行人頭部損傷的主要因素。S. Debasis [5] 等人通過對比3 種不同尺寸（AF05，AM50，AM95）的行人在不同碰撞速度下的頭部損傷風(fēng)險(xiǎn)，得出相較于撞擊表面的形狀，硬度和速度對頭部損傷風(fēng)險(xiǎn)影響更大。余超[6] 等人借助真實(shí)行人碰撞交通事故數(shù)據(jù)，研究了擋風(fēng)玻璃角度與行人頭部損傷之間的相關(guān)性。此外，吳賀[7] 通過多剛體系統(tǒng)與有限元聯(lián)合仿真，結(jié)合事故視頻信息提出了一種高精度事故重建方法。HANYong [8] 等人通過深度事故重建的方法，分析自動(dòng)緊急制動(dòng)（autonomous emergency breaking， AEB）效能對道路弱勢群體頭部損傷風(fēng)險(xiǎn)的影響。LI Fan [9] 通過對真實(shí)交通事故進(jìn)行重建，研究車速與頭部損傷指標(biāo)（headinjury criteria， HIC）、頭部相對碰撞速度之間的一般規(guī)律，分析得出了行人碰撞中的動(dòng)力學(xué)響應(yīng)與頭部損傷密切相關(guān)。王巖[10] 選用典型人車交通事故數(shù)據(jù)，采用Monte Carlo 方法開展了2 600 次人車碰撞仿真試驗(yàn)，系統(tǒng)性地研究行人碰撞運(yùn)動(dòng)學(xué)響應(yīng)并得到損傷參數(shù)的概率分布模型。LIU Xuejun [11] 通過研究不同車速和車輛前部結(jié)構(gòu)對行人損傷風(fēng)險(xiǎn)和運(yùn)動(dòng)學(xué)響應(yīng)的影響，建立了車速、車輛前部結(jié)構(gòu)參數(shù)與頭部損傷嚴(yán)重程度的預(yù)測模型。B. Iason [12-14] 通過建立大規(guī)模碰撞事故數(shù)據(jù)庫，并采用機(jī)器學(xué)習(xí)算法實(shí)現(xiàn)了乘員頭部損傷嚴(yán)重程度的快速預(yù)測。GAO Wenrui [15-16] 依據(jù)1 512 種工況建立了包含821 例有效事故仿真的大數(shù)據(jù)庫，通過決策樹算法訓(xùn)練生成關(guān)于頭部損傷等級的預(yù)測模型。

人們在研究車輛碰撞行人頭部損傷影響因素時(shí)，采用的多剛體車輛模型前部結(jié)構(gòu)多采用單一剛度曲線作為仿真輸入，不夠準(zhǔn)確，對剛度的設(shè)置存在一定的缺陷[17-18]。此外，行人交通事故具有復(fù)雜性、影響因素多樣性的特征，用少量的事故重建數(shù)據(jù)進(jìn)行分析難免具有偶然性。當(dāng)下的預(yù)測方法多為關(guān)系復(fù)雜、不夠直觀的概率分布等數(shù)學(xué)模型等，非專業(yè)人員在使用時(shí)難度較大。

本文基于搭建的精細(xì)化剛度特征的前部結(jié)構(gòu)模型，采用全因子實(shí)驗(yàn)設(shè)計(jì)法生成了以車輛初始速度、行人模型尺寸、行人初始速度、初始碰撞位置、初始碰撞角度為碰撞參數(shù)的大規(guī)模數(shù)值仿真數(shù)據(jù)集。利用分類回歸決策樹（classification and regression tree， CART）模型對該數(shù)據(jù)集進(jìn)行挖掘分類，訓(xùn)練并生成頭部動(dòng)力學(xué)響應(yīng)和損傷風(fēng)險(xiǎn)的決策樹模型。該模型不僅能以樹的形式描述碰撞參數(shù)和頭部動(dòng)力學(xué)響應(yīng)，并具有快速預(yù)測行人頭部損傷風(fēng)險(xiǎn)的能力，節(jié)約仿真時(shí)間和成本。

1 研究方法

1.1 分析思路

根據(jù)決策樹模型的創(chuàng)建過程，行人頭部響應(yīng)參數(shù)決策樹模型的建模流程主要包括3 個(gè)部分（如圖1 所示）： 1） 根據(jù)2018 版歐洲新車評價(jià)規(guī)程（EuropeanNew Car Assessment Programme， Euro-NCAP）中行人測試協(xié)議，并參考有限元小型車輛前部結(jié)構(gòu)幾何尺寸在MADYMO（Version 7.5）程序中建立精細(xì)化多剛體車輛模型；2） 采用MADYMO 多剛體仿真平臺(tái)搭建車輛碰撞行人事故場景，并對碰撞參數(shù)采用全因子實(shí)驗(yàn)設(shè)計(jì)方法，生成包括4 500 個(gè)多體仿真模型的大規(guī)模數(shù)據(jù)集；3） 通過決策樹算法對數(shù)據(jù)集進(jìn)行挖掘分類，獲得基于頭部動(dòng)力學(xué)響應(yīng)的預(yù)測模型。

1.2 多體車輛精細(xì)化前部結(jié)構(gòu)的建立

多剛體車輛模型包括發(fā)動(dòng)機(jī)罩、擋風(fēng)玻璃、A柱、保險(xiǎn)杠、車頂以及前后輪等結(jié)構(gòu)。本研究重點(diǎn)關(guān)注與行人頭部發(fā)生碰撞的主要車輛部位，包含發(fā)動(dòng)機(jī)罩和擋風(fēng)玻璃的車輛前部結(jié)構(gòu)[19]。圖2 為精細(xì)化多體車輛模型的建立過程，主要包括車輛外形尺寸的建立和各部件剛度特性的定義。其中，車輛尺寸結(jié)構(gòu)以經(jīng)過實(shí)車實(shí)驗(yàn)驗(yàn)證[20-21] 的豐田卡羅拉Axio 有限元基礎(chǔ)轎車模型的前端幾何參數(shù)為基礎(chǔ)，根據(jù)2018 版Euro-NCAP 測試規(guī)程中關(guān)于車輛前部結(jié)構(gòu)劃分標(biāo)準(zhǔn)，搭建精細(xì)網(wǎng)格化的車輛前部結(jié)構(gòu)，共計(jì)265 個(gè)網(wǎng)格測試區(qū)。對應(yīng)網(wǎng)格的剛度曲線根據(jù)Euro-NCAP 法規(guī)中頭錘試驗(yàn)方法，采用有限元頭部沖擊器撞擊卡羅拉基礎(chǔ)車輛前部結(jié)構(gòu)的目標(biāo)位置獲得的力—位移曲線進(jìn)行加載。在精細(xì)化多體車輛模型中，分別對265 個(gè)測試網(wǎng)格定義不同的剛度曲線，可通過車輛碰撞行人仿真得到更加真實(shí)合理的頭部損傷準(zhǔn)則和頭部動(dòng)力學(xué)響應(yīng)。搭建生成的精細(xì)化多剛體車輛模型，如圖3 所示。

1.3 數(shù)據(jù)集的生成

真實(shí)的交通事故中，影響行人頭部損傷的因素眾多[10， 22-25]。本研究中選取對行人頭部損傷影響較為顯著的參數(shù)，主要變量包括車輛初始速度、行人尺寸、行人初始速度、初始碰撞位置和初始碰撞角度，各參數(shù)變化范圍如表1 所示。基于表1 各參數(shù)變量水平，采用全因子試驗(yàn)法共生成5×4×9×5×5 = 4 500 組碰撞仿真模型，并通過多目標(biāo)優(yōu)化軟件ModeFRONTIER（2020， ESTECO）建立自動(dòng)化仿真流，耦合MADYMO和 Matlab（2019）實(shí)現(xiàn)大批量人—車碰撞仿真的自動(dòng)化調(diào)參、仿真模擬計(jì)算和數(shù)據(jù)提取，交通事故虛擬數(shù)據(jù)集的生成。選取車輛初始速度變化范圍為20～60 km/h，梯度間隔為5 km/h [23-24]。選取5 種不同尺寸的行人多剛體數(shù)值模型，如表2 所示。

初始碰撞位置Pos 表示行人與車輛的相對位置距離（ 見圖4），變化范圍設(shè)置為 -0.6～+0.6 m，梯度間隔為0.3 m [25]。初始碰撞角度θ 定義為車輛中心線與行人步行狀態(tài)下的夾角（ 見圖5），變化范圍設(shè)置為0°～180°，梯度間隔為45°。

頭部相對碰撞速度（vR）作為影響頭部損傷的關(guān)鍵參數(shù)，同時(shí)也是行人頭部安全評估測試中所用到的主要依據(jù)；HIC15 則是評價(jià)頭部損傷[25] 最常見的參數(shù)。因此本文中提取的仿真數(shù)據(jù)主要包括頭部碰撞時(shí)間t、vR、HIC15。其中：頭部碰撞時(shí)間t 定義為行人頭部與車輛初始接觸時(shí)刻； vR 、HIC15 分別為[26-27] ：

選取t2 - t1 = 15 ms。

1.4 基于決策樹模型的數(shù)據(jù)分析方法

本文基于CART 決策樹[28] 對事故數(shù)據(jù)集進(jìn)行測試分析，生成關(guān)于vR 和HIC15 的預(yù)測模型。CART 決策樹在對樣本集進(jìn)行分類的決策機(jī)制主要是通過不斷計(jì)算Gini 指數(shù)選擇最優(yōu)特征作為分裂節(jié)點(diǎn)，當(dāng)樣本數(shù)量小于所設(shè)閾值時(shí)便會(huì)到達(dá)該分支的一個(gè)葉節(jié)點(diǎn)，直至無法分割停止計(jì)算，進(jìn)而生成“二叉樹”形式的決策模型。Gini 指數(shù)被定義為在某個(gè)數(shù)據(jù)集中任意挑選一個(gè)樣本，該樣本被分錯(cuò)的概率。概率越小則表明該樣本的純度越高，模型的決策準(zhǔn)確率越高。待分類樣本Gini 指數(shù)為

其中： D 表示當(dāng)前節(jié)點(diǎn)的數(shù)據(jù)集，樣本中待分類對象的數(shù)量是K，在樣本集中隨機(jī)挑選某一樣本被分到k 類別的概率是 Pk，則（ 1-Pk） 表示該樣本被分錯(cuò)類別的概率。

在選取特征值作為分裂節(jié)點(diǎn)時(shí)，可通過公式（4）選擇最優(yōu)特征值：

其中： A 表示選擇Gini 系數(shù)最優(yōu)的特征；GA 表示樣本D 中未被選擇的其他特征。

圖5 所示為利用上述CART 決策樹方法創(chuàng)建的由根節(jié)點(diǎn)、決策點(diǎn)和葉節(jié)點(diǎn)3 部分組成的決策樹模型。

本研究中，決策樹模型的分類對象可以是vR 或HIC15，決策節(jié)點(diǎn)為行人尺寸、人速、車速、碰撞位置、碰撞角度等5 個(gè)碰撞參數(shù)；葉節(jié)點(diǎn)是分類對象的等級標(biāo)簽。通過循環(huán)計(jì)算5 個(gè)碰撞參數(shù)的Gini 指數(shù)完成每一級決策節(jié)點(diǎn)的選擇分類。其中，根節(jié)點(diǎn)是影響最為顯著的因素，下一級決策點(diǎn)的影響顯著性依次遞減。決策點(diǎn)經(jīng)不同取值分裂出不同分支，最終到達(dá)葉節(jié)點(diǎn)，每一個(gè)葉節(jié)點(diǎn)表示vR 和HIC15 的具體分類等級標(biāo)簽。

2 結(jié)果分析

從已生成的4 500 組車輛碰撞行人數(shù)據(jù)集中，剔除掉車輛未與行人頭部發(fā)生碰撞的142 組無效仿真數(shù)據(jù)，因此，最終的數(shù)據(jù)集共包含4 358 組有效碰撞仿真數(shù)據(jù)。

根據(jù)數(shù)據(jù)集中vR 值并參考相關(guān)文獻(xiàn)[23]，將數(shù)據(jù)集劃分為：高速H、中速M(fèi) 和低速L 等3 個(gè)等級；基于數(shù)據(jù)集中HIC15 取值范圍，以及頭部損傷耐受限度[28-29] 和相關(guān)法規(guī)的要求[30-31] 將HIC15 劃分為：高、中、低3 個(gè)等級（見表3）。

2.1 基于頭部相對碰撞速度的決策樹模型

根據(jù)表3 中的等級劃分標(biāo)準(zhǔn)，采用CART 決策樹算法對4 358組仿真數(shù)據(jù)進(jìn)行“ 二叉樹” 形式的分類決策，得到如圖7 所示的相對碰撞速度（vR）決策樹模型。該模型的決策點(diǎn)和葉節(jié)點(diǎn)數(shù)分別為30、15 個(gè)，且頭部相對碰撞速度在H、M、L 對應(yīng)分支等級的預(yù)測準(zhǔn)確率分別為0.88、0.95、0.81，整個(gè)決策樹的平均預(yù)測精度達(dá)到87.5%。根據(jù)葉節(jié)點(diǎn)上的數(shù)字可知該分支的預(yù)測精度，此外，決策樹模型會(huì)自動(dòng)選擇正確的分支，對vR的分類等級進(jìn)行決策并獲得最佳結(jié)果，如A3 分支可解釋為：當(dāng)10.4 m/s ≤ vcar ≤ 16.0 m/s 時(shí)，vR ≥ 11.0 m/s。

對圖7 中vR 決策樹模型的準(zhǔn)確性進(jìn)行驗(yàn)證，在決策樹模型的H、M、L 分類等級中分別選擇純度與精度均較高的A1、A2、A3 分支，并在對應(yīng)分支里隨機(jī)挑選5 組碰撞參數(shù)進(jìn)行仿真分析，驗(yàn)證結(jié)果如表4。由表4可知，A1、A2、A3的預(yù)測準(zhǔn)確率分別為0.96、0.98、0.95，平均預(yù)測精度達(dá)到97.8%，隨機(jī)挑選3 組分支的驗(yàn)證精度接近于其預(yù)測模型的平均精度，表明該決策樹模型可用于準(zhǔn)確預(yù)測vR。

由圖7 可知：車輛初始速度（vcar）作為vR 決策樹模型的根節(jié)點(diǎn)，是碰撞參數(shù)中純度最高（Gini 指數(shù)最小）的分裂屬性， 即為影響vR 的最顯著參數(shù)，且vR與vcar 正相關(guān)，這與前人的研究結(jié)果一致[23-24，27] ；在vcar ≥ 10.4 m/s（即約40 km/h），vR 的分類等級多為High。其次，行人尺寸和人車碰撞初始位置對vR 也有一定影響。

2.2 基于HIC15 的決策樹模型

圖8 所示為HIC15 的決策樹模型，其中決策點(diǎn)30 個(gè)，葉節(jié)點(diǎn)15 個(gè)。該模型對L、M、H 等3 個(gè)等級的預(yù)測準(zhǔn)確率分別為0.88、0.82、0.85，整個(gè)決策樹的平均預(yù)測精度達(dá)到86.8%。

按照類似方法對HIC15 決策樹模型展開驗(yàn)證，結(jié)果如表5 所示。

知： vcar 作為決策樹的根節(jié)點(diǎn)，其對HIC15的影響最大，且損傷等級為High 級（HIC15 ≥1 000）的數(shù)據(jù)點(diǎn)集中發(fā)生在vcar ≥10.4 m/s （即約40 km/h），這與前人研究結(jié)論一致[24-25，27]。此外， 初始碰撞角度和行人尺寸多次影響HIC15 決策樹模型的分支決策。

由表5 可知：決策樹模型在B1、B2、B3 分支的驗(yàn)證準(zhǔn)確率分別為0.94、0.95、0.85，平均驗(yàn)證精度達(dá)到88.6%。此外， B1“L”、B2“M” 2 條分支的驗(yàn)證精度遠(yuǎn)大于預(yù)測精度，而B3“H”的驗(yàn)證精度較接近于其分支的預(yù)測精度，表明該決策樹模型可用于準(zhǔn)確預(yù)測行人頭部HIC15。

3 結(jié) 論

1） 行人頭部相對速度vR 和頭部損傷指標(biāo)HIC15 決策樹模型的平均精度分別為87.5% 和86.8%，平均預(yù)測耗時(shí)為42.7 ms。該決策樹模型準(zhǔn)確可靠，可為車輛碰撞行人的頭部動(dòng)力學(xué)預(yù)測及決策和主、被動(dòng)安全領(lǐng)域的研究提供參考，并為法規(guī)的制定提供一些建議。

2） 通過vR 和HIC15 決策樹模型可知：車輛初始速度是影響行人頭部動(dòng)力學(xué)響應(yīng)的關(guān)鍵因素，相對碰撞速度vR 和行人頭部損傷指標(biāo)HIC15 會(huì)隨著vcar 增加而變大，且當(dāng)vcar ≥ 10.4 m/s （ 即約40 km/h） 時(shí)，vR 和HIC15 的決策分支等級多為H（High）級，表明該速度是車輛碰撞行人損傷和防護(hù)研究的關(guān)鍵點(diǎn)。

3） 行人模型尺寸和人與車碰撞初始位置多次成為決策點(diǎn)，是影響相對碰撞速度vR 的顯著因素，而人與車碰撞角度和行人速度的影響較小。

4） 人與車碰撞角度多次影響HIC15 決策樹模型的決策分支，是影響行人頭部損傷HIC15 的關(guān)鍵因素，而人與車碰撞初始位置、行人模型身高和行人速度對HIC15 的影響很小。

參考文獻(xiàn)（ References）

[1] Otte D， J?nsch M， Haasper C. Injury protection andaccident causation parameters for vulnerable road usersbased on German In-Depth Accident Study GIDAS [J].Accid Anal Prev， 2012， 44（1）： 149-153.

[2] World Health Organization. Global status report on roadsafety 2018 [R]. Geneva， 2018.

[3] 中華人民共和國公安部. 中華人民共和國道路交通事故統(tǒng)計(jì)年報(bào)（2020 年度）[R]. 公安部交通管理局， 2020.

Ministry of Public Security of the Peoples Republicof China. Annual report on road traffic accidents ofthe Peoples Republic of China （2020） [R]. TrafficAdministration of the Ministry of Public Security， 2020.（in Chinese）

[4] PENG Yong， Deck C， YANG Jikuang， et al. Effectsof pedestrian gait， vehicle-front geometry and impactvelocity on kinematics of adult and child pedestrian head[J]. Int J Crashworthiness， 2012， 17（5）： 553-561.

[5] Sahoo D， Deck C， Yoganandan N. Influence of stiffnessand shape of contact surface on skull fractures andbiomechanical metrics of the human head of differentpopulation under lateral impacts [J]. Accid Anal Prev，2015， 80（5）： 97-105.

[6] 余超， 蘭靛靛， 王方， 等. 乘用車前擋風(fēng)玻璃角度對行人頭部/ 顱腦損傷影響研究[J]. 振動(dòng)與沖擊， 2020， 39（6）：189-197.

YU Chao， LAN Diandian， WANG Fang， et al. Influence ofwindscreen inclination angle on the head/brain injury in apedestrian impact accident [J]. J Vib Shock， 2020， 39（6）：189-197.（in Chinese）

[7] 吳賀， 韓勇， 石亮亮， 等. 基于視頻信息的高精度事故重建方法研究[J]. 汽車工程， 2020， 42（6）： 778-783.

WU He， HAN Yong， SHI Liangliang， et al. Research onhigh precision accident reconstruction method based onvideo information [J]. Auto Engi， 2020， 42（6）： 778-783. （inChinese）

[8] 韓勇， 李永強(qiáng)， 許永虹， 等. 基于VRUs 深度事故重建的AEB 效能對頭部損傷風(fēng)險(xiǎn)的影響[J]. 汽車安全與節(jié)能學(xué)報(bào)， 2021， 12（4）： 490-498.

HAN Yong， LI Yongqiang， XU Yonghong， et al.Effectiveness of AEB system for head injury risk based onVRUs in-depth accident reconstruction [J]. J Auto SafeEnergy， 2021， 12（4）： 490-498. （in Chinese）

[9] LI Fan， YANG Jikuang. A study of head–brain injuries incar-to-pedestrian crashes with reconstructions using indepthaccident data in China [J]. Int J Crashworthiness，2010， 15（2）： 117-124.

[10] LIU Xuejun， YANG Jikuang. A study of influences ofvehicle speed and front structure on pedestrian impactresponses using mathematical models [J]. Traffic Inj Prev，2002， 3（1）： 31-42.

[11] 王巖. 基于人車事故數(shù)據(jù)的行人碰撞后運(yùn)動(dòng)及損傷規(guī)律研究[D]. 北京： 清華大學(xué)， 2017.

WANG Yan. Post-crash movement and injury patterns ofpedestrians based on human-vehicle accident data [D].Beijing： Tsinghua University， 2017. （in Chinese）

[12] CHEN Wentao， ZHOU Qing， NIE Bingbing， et al.Generating a large-scale numerical database of motorvehicle crashes for rapid injury severity prediction [C]//Intl Res Counc Biomech Injury （IRCOBI Asia）， Beijing，China， 2020： 25-28.

[13] Iason B， NIE Bingging. A framework for near real-timeoccupant injury risk prediction using a sequence-tosequencedeep learning approach [C]// Intl Res Councilon Biomech Injury （IRCOBI）， Florence， Italy， 2019： 19-20.

[14] Iason B， YANG Saichao， ZHOU Qing， et al. A frameworkfor rapid on-board deterministic estimation of occupantinjury risk in motor vehicle crashes with quantitativeuncertainty evaluation [J]. Sci China Technol Sc， 2020，64（3）： 521-534.

[15] GAO Wenrui， BAI Zhonghao， ZHU Feng， et al. A studyon the cyclist head kinematic responses in electric-bicycleto-car accidents using decision-tree model [J]. Accid AnalPrev， 2021， 160 （1）： 106305.

[16] 李歡， 白中浩， 高文睿， 等. 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)[J]. 汽車安全與節(jié)能學(xué)報(bào)， 2021， 12（1）： 43-51.

LI Huan， BAI Zhonghao， GAO Wenrui， et al. Cyclisthead response in electric bicycle-SUV collision based ondecision tree model [J]. J Auto Safe Energy， 2021， 12（1）：43-51. （in Chinese）

[17] Anderson R， Mcclean J， Dokko Y. Determining accuratecontact definitions in multibody simulations for DOE typereconstruction of head impacts in pedestrian accidents [C]//19th Intl Tech Conf Enha Safe Vehi （ESV）， Washington D.C， USA， 2005， Paper Number： 05-0175.

[18] Elliott J， Simms C， Wood D. Pedestrian head translation，rotation and impact velocity： The influence of vehiclespeed， pedestrian speed and pedestrian gait [J]. AccidAnal Prev， 2012， 45： 342-353.

[19] 王國林， 魯硯. 人車碰撞事故仿真與行人保護(hù)研究[J]. 汽車工程， 2009， 31（1）： 14-17.

WANG Guolin， LU Yan. Study on simulation of humanvehiclecrashes and pedestrian protection [J]. Auto Engi，2009， 31（1）： 14-17.

[20] Ito D， Yamada H， Oida K， et al. Finite element analysisof kinematic behavior of cyclist and performance ofcyclist helmet for human head injury in vehicle-to-cyclistcollision [C]// Intl Res Council Biomech Injury （IRCOBI），Berlin， Germany. 2014： 119-131.

[21] Mizuno K， Yamada H， Mizuguchi H， et al. The influenceof lower extremity postures on kinematics and injuriesof cyclists in vehicle side collisions [J]. Traffic Inj Prev，2016， 17（6）： 618-624.

[22] 聶進(jìn)， 李桂兵， 王薛超. 乘用車前端結(jié)構(gòu)幾何參數(shù)對行人頭部動(dòng)力學(xué)響應(yīng)和損傷風(fēng)險(xiǎn)的影響[J]. 汽車工程，2014， 36（12）： 1473-1482.

NIE Jin， LI Guibin， WANG Xuechao. Influence of frontendstructural geometry parameters of passenger vehicleson pedestrian head dynamics response and injury risk [J].Auto Engi， 2014， 36（12）： 1473-1482. （in Chinese）

[23] HAN Yong， Matsui Y. Effects of vehicle impact velocity，vehicle front-end shapes on pedestrian injury risk [J]. TrafInju Prev， 2012， 13（5）： 507-518.

[24] 曾必強(qiáng)， 高繼東， 彭偉. 基于事故再現(xiàn)的行人頭部碰撞研究[J]. 汽車工程， 2016， 38（8）： 961-966.

ZENG Biqiang， GAO Jidong， PENG Wei. Accidentreproduction-based pedestrian head-on collision study [J].Auto Engi， 2016， 38（8）： 961-966. （in Chinese）

[25] Hertz E. A note on the head injury criterion （HIC） as apredictor of the risk of skull fracture [C]// Proc Asso AdvaAuto Med Annu Conf， San Antonio， USA. 1993： 303-312.

[26] 水野幸治. 汽車碰撞安全[M]. 韓勇，陳一維 譯. 北京：人民交通出版社，2012： 221-254.

Mizuno K. Crash Safety of Passenger Vehicles [M].HAN Yong， CHEN Yiwei Translated. Beijing： ChinaCommunications Press， 2012： 221-254. （in Chinese）

[27] Breiman L， Friedman J， Olshen R， et al. Classification andregression trees [J]. Open J Fore， 2016， 6（3）： 582-588.

[28] 王亞軍， 王棟， 施欲亮. Euro-NCAP 行人保護(hù)試驗(yàn)協(xié)議V7.0 解析[J]. 汽車工程學(xué)報(bào)， 2014， 4（4）： 304-308.

WANG Yajun， WANG Dong， SHI Yuliang. Analysis ofEuro-NCAP pedestrian testing protocol Version 7.0 [J].Chin J Auto Engi， 2014， 4（4）： 304-308. （in Chinese）

[29] Eppger R， Sun E， Bandak F， et al. Development ofimproved injury criteria for the assessment of advancedautomotive restraint systems [S/OL]. （2023-03-28）.National Highway Traffic Safety Administration， 1999.https：//www.nhtsa.gov/sites/nhtsa.gov/files/rev_criteria.pdf.

[30] Euro NCAP. European new car assessment programme：Pedestrian testing protocol （2019） [S/OL]. （2023-03-28）.http：//wwweuroncap.com/media/53153/euro-ncap-pedtest-protoc.pdf.

[31] 中國汽車技術(shù)研究中心 （CATARC）. 中國新車評價(jià)規(guī)程[S/OL]. （2023-03-28）. http：//www.c-ncap.org.cn/cms/picture/357380003076288512.pdf.

China Automotive Technology and Research Center（CATARC）. C-NCAP （China New Car AssessmentProgram） management regulation （2021 edition） [S/OL]. （2023-03-28）. http：//www.c-ncap.org.cn/cms/picture/357380003076288512.pdf. （in Chinese）