陸穎 劉裕發(fā) 束瑜 季小潔

摘 要：為提高高級(jí)車輛事故自動(dòng)呼救（advanced automatic crash notification，AACN）系統(tǒng)的救援效率，提出了一種駕駛員傷情預(yù)測(cè)算法，基于算法進(jìn)行了AACN系統(tǒng)終端的總體設(shè)計(jì)。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(cè)安全氣囊是否打開作為駕駛員傷情的影響因素;其次，對(duì)交通事故數(shù)據(jù)進(jìn)行分析并構(gòu)建Logistic回歸模型，使用Hosmer-Lemeshow測(cè)試表對(duì)模型進(jìn)行驗(yàn)證，通過敏感性分析獲得最佳觸發(fā)閾值;再次，對(duì)AACN系統(tǒng)終端進(jìn)行設(shè)計(jì);最后，通過實(shí)際案例檢驗(yàn)傷情預(yù)測(cè)算法的準(zhǔn)確性和AACN系統(tǒng)終端的有效性。結(jié)果表明，所提出的駕駛員傷情預(yù)測(cè)算法和AACN系統(tǒng)的準(zhǔn)確性較高，能夠有效預(yù)測(cè)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(jié)果可用于解決現(xiàn)有的集中式AACN系統(tǒng)呼叫效率不高且準(zhǔn)確性受人為因素影響較大的問題，為分散式AACN系統(tǒng)中駕駛員傷情預(yù)測(cè)算法的設(shè)計(jì)提供參考。

關(guān)鍵詞：公路運(yùn)輸其他學(xué)科;道路事故數(shù)據(jù);Logistic回歸模型;駕駛員傷情預(yù)測(cè)模型;高級(jí)車輛事故自動(dòng)呼救系統(tǒng)

中圖分類號(hào)：U461.91?? 文獻(xiàn)標(biāo)識(shí)碼：A

doi：10.7535/hbkd.2021yx04002

收稿日期：2021-03-31;修回日期：2021-05-24;責(zé)任編輯：馮 民

基金項(xiàng)目：國(guó)家自然科學(xué)基金（51605197）;江蘇省自然科學(xué)基金（BK20160524）;鎮(zhèn)江市重點(diǎn)研發(fā)計(jì)劃（社會(huì)發(fā)展）項(xiàng)目（SH2019054）

第一作者簡(jiǎn)介：陸 穎（1981—），男，江蘇鎮(zhèn)江人，副教授，博士，主要從事汽車被動(dòng)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(jí)車輛事故自動(dòng)呼救系統(tǒng)的傷情預(yù)測(cè)[J].河北科技大學(xué)學(xué)報(bào)，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(jí)車輛事故自動(dòng)呼救（advanced automatic crash notification，AACN）系統(tǒng)是一種事故后車輛安全技術(shù)。該系統(tǒng)可以檢測(cè)碰撞事故是否發(fā)生并通過車載數(shù)據(jù)檢測(cè)器記錄碰撞事故信息（如車輛位置信息、速度變化量等），同時(shí)能夠預(yù)測(cè)駕駛員的受傷情況[1]。如果駕駛員的傷情水平超過預(yù)設(shè)閾值，AACN系統(tǒng)將向救援中心發(fā)送事故信息，相關(guān)救援組織將前往營(yíng)救受傷嚴(yán)重的駕駛員。同時(shí)，緊急救援中心也將依據(jù)駕駛員的傷情概率制定相應(yīng)的治療計(jì)劃，保障其生命安全。由于盡早提供救助與治療對(duì)減輕人員傷害的嚴(yán)重性和挽救生命有非常重要的意義，因此AACN系統(tǒng)對(duì)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(tǒng)的只能夠自動(dòng)識(shí)別碰撞的車輛事故自動(dòng)呼救（automatic crash notification，ACN）系統(tǒng)在技術(shù)上已經(jīng)比較成熟。國(guó)外主要的汽車企業(yè)所提供的車載服務(wù)系統(tǒng)內(nèi)都集成有ACN系統(tǒng)，典型的有通用公司的安吉星（Onstar）系統(tǒng)和歐洲汽車企業(yè)的e-call系統(tǒng)，歐盟從2018年開始就要求所有新車必須配備e-call系統(tǒng)，目前已經(jīng)形成一個(gè)較為完備的應(yīng)急救援生態(tài)圈[3]。中國(guó)ACN系統(tǒng)只是汽車企業(yè)的個(gè)體行為，沒有后臺(tái)支持、得到的社會(huì)資源有限、救護(hù)車調(diào)度難、呼救回應(yīng)臺(tái)的搭建不完整等問題都導(dǎo)致ACN系統(tǒng)在中國(guó)還未得到普及。就AACN而言，其在傳統(tǒng)ACN系統(tǒng)的基礎(chǔ)上增加了傷情預(yù)測(cè)功能，使得系統(tǒng)的復(fù)雜性大大增加，現(xiàn)有實(shí)際應(yīng)用的例子主要是有寶馬（BMW）汽車公司的AACN系統(tǒng)。該系統(tǒng)由BMW公司的URGENCY算法進(jìn)行傷情預(yù)測(cè)。其主要不足如下：1）采用的是高度中心化的預(yù)測(cè)模式，即傷情預(yù)測(cè)只能由BMW服務(wù)中心依據(jù)URGENCY算法來進(jìn)行;2）整個(gè)過程需要駕駛員和服務(wù)中心人員進(jìn)行交互，可能導(dǎo)致傷情誤判或者呼救延誤[4]。此外，BMW公司的AACN系統(tǒng)需要與汽車事件數(shù)據(jù)記錄（event data recorder，EDR）系統(tǒng)配合使用，其URGENCY算法輸入的參數(shù)需要由事故車輛的EDR系統(tǒng)向服務(wù)中心輸送，而實(shí)際上EDR系統(tǒng)在汽車中并未得到廣泛普及，只在少數(shù)豪華車型上才裝配了該系統(tǒng)[5]。

目前國(guó)內(nèi)外一些學(xué)者提出了分散化的解決方案，即由汽車自身根據(jù)傳感器的數(shù)據(jù)自動(dòng)判斷事故發(fā)生并預(yù)測(cè)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(shù)據(jù)，建立了駕駛員傷情預(yù)測(cè)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(tǒng)計(jì)的碰撞數(shù)據(jù)中增加了胸部CT掃描數(shù)據(jù)，提出了正面碰撞下駕駛員胸部傷情預(yù)測(cè)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(cè)翻以及駕駛員是否系安全帶）來設(shè)法提高傷情預(yù)測(cè)的準(zhǔn)確性，從而提高算法的準(zhǔn)確性。周水庭等[10]對(duì)收集到的碰撞案例進(jìn)行加權(quán)計(jì)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(gè)方面，建立了車輛損壞區(qū)間與駕駛員傷情達(dá)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(shù)據(jù)，分析了駕駛員傷情與重疊率、質(zhì)量比、碰撞方向和車輛變形程度之間的相關(guān)性。王磊等[12]根據(jù)227起交通事故數(shù)據(jù)，基于人、車、路、環(huán)境4個(gè)要素，建立了有序和多項(xiàng)Logistic駕駛員傷情預(yù)測(cè)模型。劉愛松[13]利用Logistic回歸模型，分析并預(yù)測(cè)了在不同條件下駕駛員傷情達(dá)到MAIS3+的概率。從以上文獻(xiàn)可以看出，現(xiàn)有的傷情預(yù)測(cè)研究大多數(shù)是一種回顧性的研究，主要目的是識(shí)別影響傷情的因素[14]。隨著研究的逐漸深入，傷情預(yù)測(cè)模型也變得越來越復(fù)雜，考慮的因素也越來越多，但是，這種分散化的AACN系統(tǒng)究竟該如何采集關(guān)于車輛的哪些數(shù)據(jù)，一直是個(gè)值得探討的問題。雖然現(xiàn)有不少關(guān)于駕駛員傷情預(yù)測(cè)的模型，考慮的參數(shù)越來越多且更加全面，有助于提高傷情預(yù)測(cè)的準(zhǔn)確性，但是有些參數(shù)很難通過車載傳感器獲得。此外，隨著機(jī)器學(xué)習(xí)算法的運(yùn)用，一些學(xué)者開始嘗試采用神經(jīng)網(wǎng)絡(luò)、貝葉斯分析等方法預(yù)測(cè)傷情，但是這些方法在車載終端使用是否會(huì)導(dǎo)致預(yù)測(cè)效率的降低也是一個(gè)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(yù)測(cè)從汽車企業(yè)的后臺(tái)前移到車輛內(nèi)部，限定傷情預(yù)測(cè)模型的輸入?yún)?shù)可以通過車載傳感器測(cè)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(duì)現(xiàn)有研究主要涉及多參數(shù)復(fù)雜預(yù)測(cè)模型的建立，且較少涉及到模型對(duì)于AACN系統(tǒng)終端適用性的問題，基于所建立的預(yù)測(cè)模型，提出了AACN 系統(tǒng)終端的工作流程，考慮到現(xiàn)有研究對(duì)模型可靠性驗(yàn)證不足的問題，通過真實(shí)事故案例驗(yàn)證傷情預(yù)測(cè)模型的準(zhǔn)確性和AACN系統(tǒng)的可靠性。

1 基于Logistic回歸的駕駛員傷情預(yù)測(cè)模型

1.1 模型定義

基于Logistic回歸模型的統(tǒng)計(jì)分析方法被廣泛運(yùn)用到交通、車輛、醫(yī)學(xué)等多個(gè)領(lǐng)域。本文將駕駛員傷情未達(dá)到“Fatal”的概率設(shè)為p（yi=0|xi），駕駛員傷情達(dá)到“Fatal”的概率設(shè)為p（yi=1|xi）， Fatal表示駕駛員傷情達(dá)到最大簡(jiǎn)明損傷定級(jí)3級(jí)以上，即MAIS3+（max abbreviated injury scale 3+），同時(shí)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(shù)據(jù)訓(xùn)練高效、易于編程實(shí)現(xiàn)的優(yōu)點(diǎn)，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(dá)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(shù)。

1.2 數(shù)據(jù)處理

收集美國(guó)國(guó)家公路交通安全管理局事故案列調(diào)查（special crash investigation，SCI）數(shù)據(jù)庫中2004—2016年共計(jì)998組汽車碰撞事故的數(shù)據(jù)。在998組數(shù)據(jù)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(cè)碰撞記為1，右側(cè)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(cè)安全氣囊打開記為1，未打開記為0;駕駛員傷情達(dá)到“Fatal”記為1，駕駛員傷情未達(dá)到“Fatal”記為0。

1.3 駕駛員傷情預(yù)測(cè)模型的建立與驗(yàn)證

首先在已經(jīng)處理好的998組數(shù)據(jù)中，對(duì)數(shù)據(jù)進(jìn)行隨機(jī)選擇，得到683組訓(xùn)練數(shù)據(jù)和315組待測(cè)數(shù)據(jù);然后將683組訓(xùn)練數(shù)據(jù)導(dǎo)入SPSS Statistics 25軟件中，選擇二元Logistic回歸模型，得到相關(guān)數(shù)據(jù)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(duì)駕駛員的傷情預(yù)測(cè)在5%的顯著性水平上沒有統(tǒng)計(jì)學(xué)意義。

本文選擇“Hosmer-Lemeshow檢驗(yàn)的隨機(jī)性表”來檢驗(yàn)?zāi)Ｐ偷臄M合優(yōu)度[15]，如表2所示。該檢驗(yàn)標(biāo)準(zhǔn)與常規(guī)檢驗(yàn)不同，要求卡方值應(yīng)低于其臨界值。在顯著性水平為0.05時(shí)，其自由度為8，卡方臨界值為15.51。從表2可以看出，檢驗(yàn)卡方值為3.629，小于15.51，檢驗(yàn)通過。根據(jù)隨后的顯著性值0.889與0.05的比較，也能證明通過檢驗(yàn)了。

對(duì)應(yīng)于Hosmer-Lemeshow檢驗(yàn)，在正常情況下，要求實(shí)測(cè)值與期望值逐漸趨于接近[16]。將得到的數(shù)據(jù)繪制成圖，如圖1所示，其中圖1 a）表示Fatal=0，即駕駛員未達(dá)到“Fatal”的概率;圖1 b）表示Fatal=1，即駕駛員達(dá)到“Fatal”的概率。圖中，自變量為實(shí)測(cè)值，因變量為期望值，黑點(diǎn)代表樣本點(diǎn)，直線為“y=x”。圖1結(jié)果顯示，實(shí)測(cè)值與期望值的樣本點(diǎn)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(cè)數(shù)據(jù)導(dǎo)入駕駛員傷情預(yù)測(cè)模型中進(jìn)行預(yù)測(cè)，圖2為315組中部分待測(cè)數(shù)據(jù)基于Logistic回歸模型的預(yù)測(cè)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(yù)測(cè)概率（左側(cè)）和實(shí)際傷情對(duì)應(yīng)的值（右側(cè)）。

2 受試者工作特性曲線

受試者工作特性（receiver operating characteristic，ROC）曲線評(píng)價(jià)又稱敏感性分析[17]，其被用來評(píng)價(jià)模型的預(yù)測(cè)水平。根據(jù)模型和得到的預(yù)測(cè)結(jié)果，其ROC曲線如圖3所示。橫坐標(biāo)表示1-特異性，縱坐標(biāo)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，F(xiàn)P（false positive）為假陽性，F(xiàn)N（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(píng)價(jià)模型的準(zhǔn)確性。AUC的取值為0.5～1，AUC越接近1，模型準(zhǔn)確性越高。在315組數(shù)據(jù)中，該預(yù)測(cè)模型的AUC值為0.787。由此可見，該模型預(yù)測(cè)的結(jié)果具有較好的準(zhǔn)確性。

求出“敏感性+特異性-1”的值即可計(jì)算觸發(fā)閾值，求得的最大值就代表最佳閾值。由SPSS軟件導(dǎo)出數(shù)據(jù)可知，當(dāng)敏感性為0.771，特異性為0.712時(shí)，此時(shí)的觸發(fā)閾值0.483為最大值，因此該駕駛員傷情預(yù)測(cè)模型的最佳閾值為0.483。

3 AACN系統(tǒng)終端設(shè)計(jì)與驗(yàn)證

3.1 AACN系統(tǒng)終端設(shè)計(jì)

AACN系統(tǒng)終端以加速度信號(hào)為判斷標(biāo)準(zhǔn)，用于檢測(cè)碰撞事故的發(fā)生。當(dāng)檢測(cè)到事故發(fā)生時(shí)，則計(jì)算并預(yù)測(cè)駕駛員傷情，并根據(jù)駕駛員傷情的嚴(yán)重程度判斷是否需要向外呼救。

選擇STM32F103ZET6開發(fā)板進(jìn)行終端設(shè)計(jì)，同時(shí)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(guān)信息。加速度傳感器可以對(duì)運(yùn)行中的車輛加速度進(jìn)行實(shí)時(shí)采集，若采集到的碰撞加速度數(shù)據(jù)小于預(yù)設(shè)的加速度閾值，則存儲(chǔ)加速度數(shù)據(jù)并計(jì)算速度變化量，然后綜合相關(guān)信息計(jì)算駕駛員傷情概率，如果超過預(yù)設(shè)的最佳閾值，則立即定位車輛位置并對(duì)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(tǒng)終端連接如圖4所示。

本文使用碰撞檢測(cè)算法及檢測(cè)車身加速度峰值法來檢測(cè)碰撞事故是否發(fā)生[18]。試驗(yàn)表明，車輛以50 km/h行駛或緊急制動(dòng)時(shí)，產(chǎn)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(tǒng)驗(yàn)證

如果能將終端直接裝到車上并進(jìn)行實(shí)車碰撞，分析車內(nèi)駕駛員傷情與AACN的分析結(jié)果是否一致，這將是一個(gè)非常理想的方法，但顯然這種方法具有一定的危險(xiǎn)性而且成本過高。利用實(shí)際事故案例驗(yàn)證碰撞模型也是近年來出現(xiàn)的一種方法，例如利用事故視頻、事故報(bào)告等來估計(jì)判斷相關(guān)理論或仿真分析結(jié)果是否正確，目前這種方法已經(jīng)得到較為廣泛的應(yīng)用[19]。因此，本文決定引入實(shí)際事故案例對(duì)建立的Logistic回歸模型和AACN系統(tǒng)的準(zhǔn)確性進(jìn)行驗(yàn)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(cè)到速度變化量為31 km/h，駕駛員側(cè)安全氣囊打開，駕駛員被認(rèn)定為達(dá)到“Fatal”傷情等級(jí)。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(shí)，車輛開始實(shí)時(shí)采集車身加速度數(shù)據(jù)ax。行駛一段時(shí)間后發(fā)生碰撞，碰撞類型為左側(cè)碰撞，檢測(cè)到的ax小于-2g，此時(shí)AACN系統(tǒng)判定發(fā)生碰撞，然后立刻定位車輛位置，并根據(jù)存儲(chǔ)的加速度數(shù)據(jù)計(jì)算速度變化量并取絕對(duì)值，利用公式計(jì)算駕駛員“Fatal”概率。經(jīng)對(duì)汽車檢測(cè)和現(xiàn)場(chǎng)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(rèn)定達(dá)到“Fatal”傷情等級(jí)。通過使用本文建立的Logistic回歸模型，利用公式計(jì)算得到駕駛員達(dá)到“Fatal”傷情的概率是0.99，超過了閾值0.483，AACN系統(tǒng)同樣認(rèn)定駕駛員達(dá)到“Fatal”傷情等級(jí)。然后對(duì)外發(fā)送求救信號(hào)和事故信息，同時(shí)LCD屏顯示事故信息，AACN系統(tǒng)終端會(huì)對(duì)外發(fā)送短信。其短信內(nèi)容如圖6所示。

實(shí)驗(yàn)結(jié)果表明，該回歸模型和AACN系統(tǒng)可以有效地檢測(cè)到碰撞事故的發(fā)生，自動(dòng)呼救系統(tǒng)能夠記錄和計(jì)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(jié) 語

本文依據(jù)統(tǒng)計(jì)收集到的交通事故數(shù)據(jù)，采用Logistic回歸模型，建立了駕駛員傷情預(yù)測(cè)算法。將處理好的數(shù)據(jù)導(dǎo)入該模型中，可預(yù)測(cè)多個(gè)變量下駕駛員的傷情是否達(dá)到“Fatal”的情況。數(shù)據(jù)仿真及驗(yàn)證結(jié)果表明，該預(yù)測(cè)模型的準(zhǔn)確率較高，可以應(yīng)用于AACN系統(tǒng)中。通過對(duì)AACN系統(tǒng)終端的整體設(shè)計(jì)，實(shí)現(xiàn)了事故信息的及時(shí)傳遞與發(fā)送。緊急救援中心在接到AACN系統(tǒng)發(fā)送的交通事故信息和駕駛員傷情預(yù)測(cè)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(fèi)，還可以提高重傷駕駛員的生存概率。

碰撞事故的嚴(yán)重性是多種因素綜合作用的結(jié)果。車輛類型對(duì)交通事故的嚴(yán)重性具有顯著影響，受限于事故案例數(shù)據(jù)，本文對(duì)于車輛類型只是簡(jiǎn)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(guān)參數(shù)，將會(huì)更加深刻地分析車型對(duì)于事故的影響。與此同時(shí)，車輛類型、車身結(jié)構(gòu)、碰撞方向、碰撞速度等多種因素共同作用的結(jié)果最終會(huì)反映為碰撞過程中產(chǎn)生的能量，因此若能建立碰撞過程中產(chǎn)生的能量與乘員傷情之間的關(guān)聯(lián)模型，將能有效提高傷情預(yù)測(cè)的精度。如何測(cè)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(shè)計(jì)閾值時(shí)，本文主要是基于數(shù)據(jù)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(jí)、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(shè)定的考慮范圍。

參考文獻(xiàn)/References：

[1] 唐偉.基于路面平整度識(shí)別ACNS門檻閾值設(shè)定問題研究[D].鎮(zhèn)江：江蘇大學(xué)，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，F(xiàn)LANNAGAN 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(cè)碰事故中乘員MAIS3+損傷分布規(guī)律研究[J].中國(guó)安全科學(xué)學(xué)報(bào)，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(guó)安全科學(xué)學(xué)報(bào)，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(jì)[J].中國(guó)安全科學(xué)學(xué)報(bào)，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(dòng)呼救系統(tǒng)觸發(fā)決策技術(shù)研究[D].鎮(zhèn)江：江蘇大學(xué)，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(jí)車輛事故自動(dòng)呼救系統(tǒng)傷情預(yù)測(cè)算法研究及終端設(shè)計(jì)[D].鎮(zhèn)江：江蘇大學(xué)，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(xiàng)式的ROC曲線的非參數(shù)估計(jì)[D].大連：大連理工大學(xué)，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(dòng)態(tài)門檻閾值的車輛事故自動(dòng)呼救系統(tǒng)終端設(shè)計(jì)[D].鎮(zhèn)江：江蘇大學(xué)，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.