基于多致伤部件的乘员损伤严重程度分析与预测*

李旋1 沈鹏举1 赵俊玮1 刘永涛1 王鹏2 1. 710064；2. 300300） （ 长安大学，西安 中国汽车技术研究中心有限公司，天津

【摘要】为确定碰撞事故中致伤部件对乘员损伤严重程度的影响，从中国交通事故深入研究（ CIDAS）数据库中筛选400例致伤事故的数据进行分析。建立二元逻辑回归模型，对事故过程中乘员损伤部位、直接致伤部件和间接致伤部件等因素进行分析，结果表明：乘员损伤身体区域、损伤部位的前后位置等对乘员损伤严重程度有显著影响；其中直接致伤部件中BD区域（车顶部）的比值比（ OR值）达到 1.549，间接致伤部件中环境部件的比值比达到1.489，对损伤严重程度影响最为显著。最后，通过 AdaBoost-SVM模型对乘员损伤严重程度进行预测，预测结果准确率可达到 80.36%。主题词：致伤部件 乘员损伤 严重程度 分析与预测 二元逻辑回归 AdaBoost 支持向量机U467.14 A 10.19620/j.cnki.1000-3703.20200545中图分类号： 文献标识码： DOI:

Analysis and Prediction of Passenger Injury Severity Based on Multiple Injury Components

Li Xuan1, Shen Pengju1, Zhao Junwei1, Liu Yongtao1, Wang Peng2 1. Chang’an University, Xi’an 710064; 2. China Automotive Technology & Research Center Co., Ltd., Tianjin 300300） （ Abstract In order to determine the impact of injured components in collision on the severity of occupant injury,【 】data of 400 injury- causing accidents are screened from China In- Depth Accident Study (CIDAS) database for analysis. The binary logistic regression model is established to analyze the factors of passenger injury location, direct injury components and indirect injury components in the accident process, the results shows that the body area of the occupants and the front and rear position of the injured part have significant influence on the severity of the injuries. Among them, the Odds Ratio (OR value) of BD region (car top) in the directly injured parts reaches 1.549 and that of environmental parts in the indirectly injured parts reaches 1.489, which have the most significant influence on the severity of injury. Finally, AdaBoost- SVM model is used to predict the severity of occupant injury, and the accuracy of the prediction results reaches 80.36%.

Key words: Injury components, Passenger injury, Severity, Analysis and prediction, Binary logistic regression, AdaBoost, SVM 1 前言

事故碰撞过程中乘员损伤主要由乘员与车内或车外的物体发生刚性碰撞引起[1]，这与致伤部件的类型密切相关，同时，研究发现，事故中乘员的损伤往往是由多个致伤部件所造成的[2]。因此，研究多个致伤部件对乘员损伤严重程度的影响具有重要意义。

在不同的事故类型中，乘员损伤严重程度的影响因素也不相同。杨娜等人[3]发现当最大制动减速度为0.6 Automatic Emergency Braking，

g时，自动紧急制动（

AEB） 26.9% 47%系统能够分别降低 和 的行人最大简明

Maximum Abbreviated Injury Scale，MAIS）3+损伤定级（

风险和死亡风险；何霞等人[4]建立了汽车前部与摩托车右侧的碰撞模型，发现汽车车速、骑车人坐高、发动机罩前端边缘离地高度等因素对损伤严重程度影响显

Zhou Light著； 等人[5]的分析结果表明，在轻型商用车（

Truck Vehicle，LTV）

对轿车的侧面碰撞交通事故中，造成

40~60 cm；乘员伤害概率最大的毁坏区间为变形侵入量

Choi[

6]等人发现正面碰撞时车辆损伤、乘员损伤部位扩展与车速变化呈线性关系。

Abusafia

针对乘员致伤部位， 等人[7]的研究表明，适当控制车速、减小前风窗玻璃安装倾角可有效减少头部碰撞损伤；胡林等人[8]发现，骑车人头部的损伤程度随轿车碰撞速度的提高而增大，但随骑车人背部与垂直方向

Xu

夹角的增大而减小； 等人[9]研究了车辆变形对正面碰撞驾驶员头部损伤风险的影响，发现小范围偏置的车辆

Tan变形对驾驶员头部损伤威胁最大； 等人[10]运用逻辑

MAIS 3+

回归确定了车辆仪表板损坏与 胸部损伤之间

Digges[

的关联； 11]等人发现在车辆侧翻事故中，车辆纵向倾角的增加会加剧胸腔的损伤。

本文通过分析乘员损伤的因素，探究各因素与严重程度之间的关系，并对乘员损伤严重程度进行预

China In- Depth Acci⁃

测。从中国交通事故深入研究（

dent Study，CIDAS） 400

数据库中筛选 例轿车碰撞事故数据，通过二元逻辑回归分析探究变量与乘员损伤严

AdaBoost-SVM

重程度之间的相关性，利用 预测模型对乘员损伤严重程度进行预测，以期为轿车碰撞事故中乘员损伤严重程度的降低以及车辆主、被动安全优化设计提供一定的数据分析支撑，从而尽可能降低乘员损伤严重程度。

2 数据与方法2.1 数据来源

Association for

根据美国机动车医学促进会（

Advancement of Automotive Medicine，AAAM）

提出的《简

Abbreviated Injury Scale，AIS）[

化伤害标准》（ 12]，该标准

7 AIS 0~6）， AIS 0

将乘员伤害划分为 个等级（即 其中，

AIS 6

代表无损伤， 代表死亡，等级越高损伤越严重。对于乘员同一身体区域有多种损伤的情况，本文只统计乘

2

员损伤等级最大值。乘员损伤严重程度等级分为 类：

MAIS 3+，

乘员损伤等级达到 表示非轻度损伤；乘员损

MAIS 3+，

伤等级没有达到 表示轻度损伤。根据部件是否属于车辆，将致伤部件分为车辆部件和非车辆部件。

CIDAS 11 707

本研究的数据来自 数据库中 组事故数据，每组数据记录了乘员损伤的相关信息，为了研究多致伤部件对乘员损伤严重程度的影响，保留直接致伤部件与间接致伤部件共同存在的数据项，并组成事故信息处理数据集，同时，对于缺失的乘员损伤信息通过简易诊断

Python 400

书补充，依据上述条件利用 筛选出了 组数

1 13

据。采集的事故信息如表 所示，包括 个特征。

2.2 二元逻辑回归

Logistic Regression）

逻辑回归（ 可将因素之间的非线性关系转换为线性关系，二元逻辑回归模型用于寻

找二分类因变量与自变量之间的关系。本研究基于提取的乘员损伤数据，采用二元逻辑回归分析方法将乘

2 0，

员损伤严重程度分为 类，即非轻度损伤（编码为 损

MAIS 3+） 1，

伤达到 和轻度损伤（编码为 损伤未达到

MAIS 3+）

。

2.3 AdaBoost-SVM模型

Support Vector Machine，SVM）

以支持向量机（ 为基分类器，选择相关性强的特征，利用核函数选定不同的Z非线性映射φ映射到一个高维特征空间 ，以此求得最

0 1）

优分类超平面，对损伤严重程度（ 和 进行分类。由

Radial Basis Function，RBF）

于径向基核函数（ 较其他核

RBF，

函数具有参数少、效果好的特点，因此本文选用 其表达式为：

æ   2

x-y

k( x, y)= exp - 1）

2σ2 （ è ø

式中， σ为核函数的宽度； x为样本； y为x的映射。AdaBoost

根据基分类器，采用 建立强分类器。设样本训练集数量为N，选择的特征数据为Xi，损伤严重程Yi(i= 1,2,…, N)（ 0 1），

度标签为 或 本文通过构建乘员损伤

M={(X1,Y1),(X2,Y2),⋯,(XN,YN)}严重程度训练集 、样本训练

At=(ω1,ω2,ω3,⋯,ωi)，

集权值分布 根据每次基分类器的预测结果提高上一轮预测错误样本所占的权重ωi，计算分类器的分类误差εt，加大分类效果好的基分类器的权重

Wt，得到最终集成的强分类器： Σ

N t( t( i)≠ y(i)) 2） ε= Dh （ t i= 1 1- 12ln æ ö

W= ε 3）

ç t （ t ε è t 1/

式中， ωi为每个样本的权重，初始值为 N；Dt为一个样ht(i)

本的误差；为迭代次数； t 为基分类器的实际输出结

y(i)

果； 为目标结果。

1

流程图如图 所示。

3 损伤严重程度分析与预测3.1 统计分析

按照车辆水平、垂直方向上的长度将车辆纵向分为

A B C3 D E F3

、、 个部分，对应前、中、后，高度方向分为 、、

2

个部分，对应上、中、下，如图 所示。由非车辆部件造

3

成的损伤划分为其他区域。图 所示为不同区域致伤

BD

部件的损伤程度：在直接致伤部件中， 区域乘员损伤

MAIS 3+ 75.00%，

达到 的比例最高，为 从整体来看，高损

BD

伤区域主要集中在 、 区域附近；在间接致伤部件中，

MAIS 3+

其他区域乘员损伤达到 的比例最高，为

53.20%，

乘员损伤严重程度整体低于直接致伤部件。

2

不同致伤部件损伤统计情况如表 所示，其中环境部件指事故中车辆以外环境中的物体，其他类包括乘员自身携带的物品（眼镜、助听器）、身体运动（颈部无意识

2

的前倾、咬舌）等。一次事故中存在 个致伤部件，致伤部件造成的伤害存在先后顺序，但同时造成了乘员某一部位的损伤。在直接致伤部件中，涉及对方车辆部件事故数量最多，同时，涉及对方车辆部件造成乘员损伤达

MAIS 3+

到 的占比最高。在间接致伤部件中，涉及环境部件的事故数量最多，同时，涉及环境部件造成乘员损

MAIS 3+

伤 的占比最高。从整体来看，首次受伤主要由对方车辆部件造成，后续伤害主要由环境部件造成，对

MAIS 3+

应的乘员损伤达到 占比也更高。不同的致伤部件存在质量差异，通过质量的分类对致伤部件进行评估，记录的数据中对致伤部件的评估根

9 1~9，

据质量差异分为 类，编号为 编号越小表示质量越

3~9 103~10- kg 1大，其中编号 的质量依次为 3 量级，编号

2

表示质量无法估计，如路面、桥墩等，编号 表示致伤部

103 kg

件质量可估计并且其质量大于 量级，如树木、电

4

线杆等。直接与间接致伤部件的质量评估结果如图所示，每一个编号分别对应直接与间接致伤部件的数量

4 6，

统计。图 中，自身车辆部件主要质量编号为 环境部

5，

件主要质量编号为 对方车辆部件主要质量编号为

5 3 5 6，

。直接致伤部件质量编号主要分布在 、、 其中质

259 MAIS 3+

量编号 、、的部件造成乘员损伤 的占比较

3 5 6 7，

高。间接致伤部件质量编号主要分布在 、、、 其中

5 MAIS 3+

质量编号 的部件造成乘员损伤 的占比最高，

>5

质量编号 的部件造成的损伤波动较小。从整体来

5，

看，编号＜ 即质量较大的致伤部件对应乘员损伤严重

≥5，

程度普遍较低，编号 即质量较小的致伤部件对应乘员损伤严重程度普遍较高，这是因为在车辆上质量小的部件体积往往较小，高速行驶下更具有侵害性。3

乘员损伤位置信息具体包括前后、左右、近远 类

5

区域，如图所示。根据车内乘员坐姿建立空间坐标系，以脊椎末端为原点，脊椎向上为Z轴正方向，驾驶员右侧平行于胸腔方向为X轴正方向，正交于XZ、轴方向为Y方向。YZ平面将损伤位置划分为左侧和右侧；作Ⅲ ，Ⅲ Ⅲ平行于X轴的辅助线 经过第一腰椎部分，线 与X轴沿Y轴划分前面、侧面和后面；作平行于X轴的辅助

ⅠⅡ Ⅰ Ⅱ

线 和 ，其中 位于头部与颈部相交处， 位于颈部

ⅠⅡ

与胸腔相交处，线 、 和X轴沿Z轴划分近端、中间和远端。

3身体区域不同部位的损伤统计如表 所示，头部损伤数量最多，胸腔、盆骨、脊椎部位损伤数量较少，全身体表处的损伤均为轻度损伤。从整体来看，受伤的区域主要集中在身体上部，主要是因为车内乘员坐在座椅上，身体上部暴露在空间中。身体损伤严重程度较高的区域主要是头部、胸腔、脊椎、盆骨，均为易损部位。

3.2 损伤严重程度分析

SPSS

结合上述统计结果，通过 建立二元逻辑回归模型具体分析各因素对乘员损伤严重程度的影响。如

4

表 所示，其中B为回归系数， E为标准误差、OR表示比

CI

值比、 为置信区间，事故中乘员损伤身体区域、损伤部位的前后位置、直接致伤部件、直接致伤部件的高度位置和横向位置、间接致伤部件、间接致伤部件的高度位置和横向位置对乘员损伤严重程度有显著影响。此外，二元逻辑回归分析结果表明，在身体区域中，盆骨和脊椎部位的损伤更严重，属特殊易损部位，故涉及的事故极少。胸腔和头部的损伤较其他部位损伤更

OR 2.901 2.405

严重， 值分别为面部的 倍和 倍，这是因为乘员身体上部暴露在空间中，并且头部和胸腔是重要的生命活动部位；损伤部位位置在垂直方向上近端较中间

OR 0.514） OR 0.608）

（ 值为 和远端（ 值为 损伤更严重，与上述胸腔和头部的损伤更严重相吻合；损伤部位位置在

OR

左右方向上，右侧较左侧损伤更严重， 值是左侧的

1.106

倍，这是因为右侧一般为习惯侧，危险来临时首先受到损伤；损伤部位位置在前后方向上，后面和侧面较

OR 2.793 2.568

前面损伤更严重， 值分别为前面的 倍和倍，损伤发生在后面时更严重，这是因为危险来临时乘员下意识地保护前面。对于直接致伤部件，对方车辆部件造成的损伤更严

OR 3.108

重， 值是自车部件的 倍，当乘员受到来自对方车辆的伤害时，证明事故已经很严重；质量小的部件造

OR 1.220

成的损伤更严重， 值是质量大的部件的 倍，这是因为在车辆上质量小的部件体积往往较小，高速行驶

B

下更具有侵害性；在横向位置和高度位置上， 区域造

OR A 1.549 D

成的损伤更严重， 值是 区域的 倍， 区域造

F OR 0.712） BD

成的损伤较 区域（ 值为 更严重，即 区域（车顶部）造成的损伤最严重，这是因为事故中车顶部距离头部、胸腔最近，容易造成侵入伤害，与上述分析结果胸腔和头部的损伤更严重相吻合。对于间接致伤部件，环境部件造成的损伤更严重，

OR 1.489

值是自身车辆部件的 倍；质量小的部件造成的

OR 1.222

损伤更严重， 值是质量大的部件的 倍，同样这

是因为质量小的部件体积往往较小，更具有侵害性；在

OR A

横向位置上，其他区域造成的损伤更严重， 值是 区

1.556

域的 倍；在高度位置上，其他区域造成的损伤更严

OR D 2.280

重， 值是 区域的 倍，与上述环境部件造成的损伤更严重相吻合。当环境部件对乘员造成伤害时，证明事故已经很严重，间接致伤部件造成的损伤可能是在直接致伤部件的基础上累积的。

3.3 损伤严重程度预测

结合上述统计分析和二元逻辑回归分析，通过预测模型进一步验证分析的结果。以身体区域、前后位置、

/ /

直接间接致伤部件、直接间接致伤部件的高度位置、

/ 8

直接间接致伤部件的横向位置 个特征因素作为输入

AdaBoost

变量，损伤严重程度作为输出变量，建立基于

SVM

的损伤严重程度预测模型。

SVM

其中 模型的分类效果主要与核函数和内置参

SVM

数有关，通过多次试验测试， 内的核函数选择

RBF SVM C γ

。不断调整 内的惩罚参数 和核函数内的 参

Receiver Operating

数，通过接受者操作特性曲线（

Characteristic Curve，ROC） Area Under Curve，

下方面积（

AUC） AUC

判断模型的分类效果，即 越大，分类效果越

6 6

好，如图 所示。由图 可知， γ值的变化对模型的分类γ= 0.23， C= 0.77效果影响较大，当γC、 值偏小，即 时，模

69.83%

型的分类正确率达到 。

为了进一步提高损伤严重程度预测精度，建立多个

SVM 7

模型作为弱分类器，如图 所示，当迭代次数t趋近

500 AdaBoost

时，模型预测误差趋近稳定。通过 提升算法构建一个强分类器，并利用测试集数据对强分类器进

gridsearchcv）

行校验。采用网格搜索（ 调整迭代次数与步

0.01 80.36%

长，步长为 时，模型的分类正确率最高达到 。

8 AdaBoost-SVM

分类效果如图 所示， 模型能较好地按照

MAIS 3+

划分乘员损伤类型。分类效果不仅与模型中参数的调整有关，还取决于导入模型中的特征与结果的相

80.36%

关程度，模型分类正确率达到 间接证明了上述分析中筛选出的特征对乘员损伤严重程度有显著影响。

4 结束语

本文通过对致伤事故的数据进行分析，得到以下结论：

a.

发生碰撞事故时，乘员的头部与胸腔、垂直方向上位于近端的部位、左右方向上位于右侧的部位、前后方向上位于后面和侧面的部位损伤更严重。车辆设计过程中应加强易损部位的防护。

b.

直接致伤部件中对方车辆部件和质量较小的

BD

部件造成的乘员损伤更严重，车内 区域即车顶部造成的损伤更严重。间接致伤部件中环境部件造成的损伤更严重，当环境部件对乘员造成伤害时，证明事故已经很严重，间接致伤部件造成的损伤可能是在直接致伤部件的基础上累积的。车辆设计时应注意高风险区域的安全措施。

c.

事故中乘员损伤身体区域、损伤部位的前后位

8

置等 个特征因素对乘员损伤严重程度有显著影响。

AdaBoost- SVM 80.36%，

模型预测结果的准确率达到 一定程度上验证了分析的结果。

在本研究考虑的因素外，影响乘员损伤严重程度的因素还有很多，如车速等，同时对于车辆和人体区域的划分需要更精确，在预测模型的选择和优化上可以进一步提升。

参考文献

[1] , , .任振宁 田晋跃 孟媛媛 城市客车塑料座椅的强度及乘[J]. , 2014, 36(2): 250-255.客损伤的分析 机械强度[2] 邹铁方, 肖璟, 胡林, 等. 轿车-行人事故中人体损伤来源与相关性分析[J]. 汽车工程, 2017, 39(7): 748-753+747. [3] 杨娜, 张臻, 赵桂范, 等.自动制动系统行人保护效果的研究[J]. 汽车工程, 2015, 37(12): 1400-1405+1394. [4] 何霞, 张道文, 陈佳, 等.基于正交试验的碰撞事故中骑车人损伤因素分析[J]. 中国安全科学学报, 2018, 28(9): 712. [5] 周水庭, 唐友名. 侧碰事故中乘员MAIS3+损伤分布规律研究[J]. 中国安全科学学报, 2013, 23(9): 71-75. [6] KIM S, CHOI H Y. Estimation of Injury Severity of Occupant Based on the Vehicle Deformation at Frontal Crash Accident [J]. Transactions of KSAE, 2013, 21(2): 63-71. [7] SAED H A A, 兰凤崇, 王俊峰, 等. 人-车碰撞事故再现及[J].头部损伤生物力学分析 重庆理工大学学报（自然科, 2019, 33(8): 8-15.学） [8] , , , . -胡林 程启寅 黄晶 等 轿车 自行车事故中骑车人头部[J]. , 2018, 40(11): 1294损伤的影响因素研究 汽车工程1301. [9] XU S C, LAI X H, MA C S, et al. Analysis of Car Deformation Effect on AIS3+ Head Injury in Frontal Crash Using Logistic Regression Modeling[J]. Applied Mechanics and Materials, 2014: 354-357. [10] TAN T C, GRZEBIETA R H, BAMBACH M R, et al. A Case Control Study of Vehicle Panel Damage and – Thoracic Injury in Rollover Crashes[J]. International Journal of Crashworthiness, 2016, 21(4): 367-383. [11] DIGGES K H, EIGEN A M, TAHAN F, et al. Factors that Influence Chest Injuries in Rollovers[J]. Traffic Injury Prevention, 2014: 42-48. [12] COPES W S, SACCO W J, CHAMPION H R, et al. Progress in Characterizing Anatomic Injury[C]// Proceeding of 33rd Annual Meeting of Association for the Advancement of Automotive Medicine, October 24, 1989, Baltimore, Maryland, USA. 1989: 205-218.

（责任编辑 斛畔） 2020 7 3修改稿收到日期为 年 月 日。