CN117113856A - 一种适用预碰撞场景的假人模型确定方法及系统 - Google Patents
一种适用预碰撞场景的假人模型确定方法及系统 Download PDFInfo
- Publication number
- CN117113856A CN117113856A CN202311367721.1A CN202311367721A CN117113856A CN 117113856 A CN117113856 A CN 117113856A CN 202311367721 A CN202311367721 A CN 202311367721A CN 117113856 A CN117113856 A CN 117113856A
- Authority
- CN
- China
- Prior art keywords
- collision
- muscle force
- model
- active muscle
- dummy model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 210000003205 muscle Anatomy 0.000 claims abstract description 255
- 238000000418 atomic force spectrum Methods 0.000 claims abstract description 51
- 239000000463 material Substances 0.000 claims abstract description 49
- 230000008569 process Effects 0.000 claims abstract description 26
- 238000004088 simulation Methods 0.000 claims abstract description 20
- 239000007787 solid Substances 0.000 claims abstract description 20
- 238000011156 evaluation Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 74
- 238000013528 artificial neural network Methods 0.000 claims description 38
- 208000003443 Unconsciousness Diseases 0.000 claims description 26
- 238000012360 testing method Methods 0.000 claims description 15
- 230000001133 acceleration Effects 0.000 claims description 9
- 238000002591 computed tomography Methods 0.000 claims description 8
- 238000013421 nuclear magnetic resonance imaging Methods 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 3
- 239000011664 nicotinic acid Substances 0.000 abstract description 5
- 230000008859 change Effects 0.000 description 16
- 230000000694 effects Effects 0.000 description 9
- 230000004913 activation Effects 0.000 description 8
- 230000008602 contraction Effects 0.000 description 6
- 230000009471 action Effects 0.000 description 4
- 238000002595 magnetic resonance imaging Methods 0.000 description 3
- 230000003183 myoelectrical effect Effects 0.000 description 3
- 210000001087 myotubule Anatomy 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000011888 autopsy Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 210000004237 neck muscle Anatomy 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000000284 resting effect Effects 0.000 description 2
- 208000029549 Muscle injury Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000004071 biological effect Effects 0.000 description 1
- 230000037396 body weight Effects 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 230000004118 muscle contraction Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0499—Feedforward networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种适用预碰撞场景的假人模型确定方法及系统，涉及汽车碰撞技术领域，该方法包括：将目标驾驶员的生理参数和汽车的运动参数输入预碰撞状态对应的最大主动肌肉力预测模型，得到目标驾驶员的最大主动肌肉力；根据最大主动肌肉力对预设的主动肌肉力曲线进行缩放得到目标驾驶员的主动肌肉力曲线；基于目标驾驶员的主动肌肉力曲线，根据肌肉的生物学特征确定目标驾驶员的人体肌肉实体模型的材料参数；根据当前材料参数得到当前假人模型；采用当前假人模型进行碰撞仿真，对材料参数进行调整直到碰撞仿真过程中当前假人模型的参数符合预设评价规程，得到假人模型。本发明提高了假人模型在预碰撞时的主动肌肉的仿生性。
Description
技术领域
本发明涉及汽车碰撞技术领域，特别是涉及一种适用预碰撞场景的假人模型确定方法及系统。
背景技术
近年来越来越多的研究者借助数字人体来分析汽车安全问题。随着计算机仿真技术和有限元理论的发展，数字人体的建模技术已日趋完善。虚拟假人及其生物力学分析已经成为汽车碰撞安全领域的重要研究课题。但是目前大部分的假人模型均不包含主动肌肉或只包含静息状态的肌肉模型，而在汽车碰撞瞬间，由于人体的应急反应会造成肌肉激活状态的改变，对碰撞结果产生重要影响。
在汽车碰撞过程中，驾驶者提前预判有意识的碰撞和并未提前感知到危险而无意识的发生碰撞所引起的肌肉变化情况是不一样的。不同年龄、身高、体重的驾驶者在遇到碰撞时引起的肌电信号的变化也是不同的。此前，并未有研究者针对这种现象进行专门的研究。高镇海等人设计了一个重现碰撞现场的试验，并根据人体无意识碰撞时的肌电信号设计了建立碰撞假人模型的方法流程。王沫楠提出了依据人体电子计算机断层扫描（Computed Tomography，CT）和核磁共振成像（MRI）建模人体肌肉的方法，可获得静息状态的肌肉模型。张自宇等人利用径向基（RBF）神经网络映射驾驶员正常驾驶时输出转矩和车辆的行驶信息的关系，以此估计驾驶员的肌肉状态。
以往的研究者均是针对特定个体建立出一定状态下的肌肉模型或预测其肌肉参数。但是并未考虑驾驶者的个体差异而造成的肌肉状态的变化。
发明内容
本发明的目的是提供一种适用预碰撞场景的假人模型确定方法及系统，提高了假人模型在预碰撞时的主动肌肉的仿生性。
为实现上述目的，本发明提供了如下方案：
一种适用预碰撞场景的假人模型确定方法，包括：
确定目标驾驶员的预碰撞状态；
将所述目标驾驶员的生理参数和汽车的运动参数输入所述预碰撞状态对应的最大主动肌肉力预测模型，得到所述目标驾驶员的最大主动肌肉力；各所述预碰撞状态对应的最大主动肌肉力预测模型均是通过对应训练集对神经网络进行训练得到的；所述最大主动肌肉力预测模型为目标肌肉的最大主动肌肉力预测模型；
根据所述最大主动肌肉力对预设的主动肌肉力曲线进行缩放，得到所述目标驾驶员主动肌肉力曲线；
基于所述目标驾驶员的主动肌肉力曲线，根据肌肉的生物学特征确定所述目标驾驶员的人体肌肉实体模型的材料参数；
将当前材料参数赋予到所述目标驾驶员的人体肌肉实体模型中，得到当前假人模型；
采用当前假人模型进行碰撞仿真，得到碰撞仿真过程中当前假人模型的参数；
判断所述碰撞仿真过程中当前假人模型的参数是否符合预设评价规程；
若否，则对当前材料参数进行调整，返回将当前材料参数赋予到所述目标驾驶员的人体肌肉实体模型中，得到当前假人模型的步骤；
若是，则输出当前假人模型。
可选地，所述预碰撞状态包括男性有意识碰撞、男性无意识碰撞、女性有意识碰撞和女性无意识碰撞。
可选地，各所述预碰撞状态对应的最大主动肌肉力预测模型的训练过程包括：
获得各样本驾驶员的预碰撞数据，并根据各样本驾驶员的性别和碰撞时有无意识将所述预碰撞数据分为四个训练集；四个训练集分别为男性有意识碰撞的训练集、男性无意识碰撞的训练集、女性有意识碰撞的训练集和女性无意识碰撞的训练集，各训练集中每个样本数据均包括输入数据和标签数据，所述输入数据包括样本驾驶员的生理参数和碰撞时汽车的运动参数，所述标签数据包括碰撞过程中采样时间内目标肌肉的最大主动肌肉力；
采用男性有意识碰撞的训练集训练第一神经网络，得到第一最大主动肌肉力预测模型；
采用男性无意识碰撞的训练集训练第二神经网络，得到第二最大主动肌肉力预测模型；
采用女性有意识碰撞的训练集训练第三神经网络，得到第三最大主动肌肉力预测模型；
采用女性无意识碰撞的训练集训练第四神经网络，得到第四最大主动肌肉力预测模型。
可选地，所述生理参数包括身高、体重和年龄，所述运动参数包括初速度和制动加速度。
可选地，所述材料参数包括横截面积、形状和密度。
可选地，各样本驾驶员的预碰撞数据中包括碰撞过程中各样本驾驶员每次预碰撞试验的不同时刻目标肌肉的肌电信号数据；
预设的主动肌肉力曲线的确定过程包括：
根据各样本驾驶员每次预碰撞试验的不同时刻目标肌肉的肌电信号数据，确定各样本驾驶员每次预碰撞试验目标肌肉的主动肌肉力曲线；
将各所述主动肌肉力曲线求平均，得到预设的主动肌肉力曲线。
可选地，还包括：建立目标驾驶员的人体肌肉实体模型，具体包括：
获取所述目标驾驶员的电子计算机断层扫描和核磁共振成像；
根据电子计算机断层扫描和核磁共振成像建立目标驾驶员的人体肌肉实体模型。
可选地，所述神经网络为BP神经网络。
本发明还公开了一种适用预碰撞场景的假人模型确定系统，包括：
预碰撞状态确定模块，用于确定目标驾驶员的预碰撞状态；
最大主动肌肉力预测模块，用于将所述目标驾驶员的生理参数和汽车的运动参数输入所述预碰撞状态对应的最大主动肌肉力预测模型，得到所述目标驾驶员的最大主动肌肉力；各所述预碰撞状态对应的最大主动肌肉力预测模型均是通过对应训练集对神经网络进行训练得到的；所述最大主动肌肉力预测模型为目标肌肉的最大主动肌肉力预测模型；
主动肌肉力曲线确定模块，用于根据所述最大主动肌肉力对预设的主动肌肉力曲线进行缩放，得到所述目标驾驶员的主动肌肉力曲线；
材料参数确定模块，用于基于所述目标驾驶员的主动肌肉力曲线，根据肌肉的生物学特征确定所述目标驾驶员的人体肌肉实体模型的材料参数；
当前假人模型确定模块，用于将当前材料参数赋予到所述目标驾驶员的人体肌肉实体模型中，得到当前假人模型；
碰撞数据确定模块，用于采用当前假人模型进行碰撞仿真，得到碰撞仿真过程中当前假人模型的参数；
判断模块，用于判断所述碰撞仿真过程中当前假人模型的参数是否符合预设评价规程；
材料调整模块，用于所述判断模块输出否时，对当前材料参数进行调整，返回当前假人模型确定模块；
输出模块，用于所述判断模块输出是时，输出当前假人模型。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明根据目标驾驶员的预碰撞状态，预测目标驾驶员的最大主动肌肉力，并根据目标驾驶员的主动肌肉力曲线确定目标驾驶员的假人模型，实现了不同预碰撞状态时，对目标驾驶员的主动肌肉特性的考虑，提高了假人模型在预碰撞时的主动肌肉的仿生性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种适用预碰撞场景的假人模型确定方法流程示意图；
图2为本发明实施例提供的一种适用预碰撞场景的假人模型确定方法具体流程示意图；
图3为本发明实施例提供的最大主动肌肉力预测模型训练流程示意图；
图4为本发明实施例提供的BP神经网络结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供适用预碰撞场景的假人模型确定方法及系统，提高了假人模型在预碰撞时的主动肌肉的仿生性。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
如图1和图2所示，本实施例提供的一种适用预碰撞场景的假人模型确定方法，包括如下步骤。
步骤101：确定目标驾驶员的预碰撞状态。
所述预碰撞状态包括男性有意识碰撞、男性无意识碰撞、女性有意识碰撞和女性无意识碰撞。
其中，步骤101具体包括：根据目标驾驶员的性别和预碰撞时状态确定目标驾驶员的预碰撞状态。
预碰撞时状态包括有意识碰撞和无意识碰撞。
步骤102：将所述目标驾驶员的生理参数和汽车的运动参数输入所述预碰撞状态对应的最大主动肌肉力预测模型，得到所述目标驾驶员的最大主动肌肉力；各所述预碰撞状态对应的最大主动肌肉力预测模型均是通过对应训练集对神经网络进行训练得到的；所述最大主动肌肉力预测模型为目标肌肉的最大主动肌肉力预测模型。
所述生理参数包括身高、体重和年龄，所述运动参数包括初速度和制动加速度。
假人模型包含多个肌肉，因为每条肌肉的测量及建模方式一样。每条肌肉均有自己对应的主动力变化曲线，该曲线会因为肌肉的改变和所参与动作的改变而有所改变。也就是说每个目标肌肉根据预碰撞状态均对应四个最大主动肌肉力预测模型。
步骤103：根据所述最大主动肌肉力对预设的主动肌肉力曲线进行缩放，得到所述目标驾驶员的主动肌肉力曲线。
其中，步骤103中，根据所述最大主动肌肉力对预设的主动肌肉力曲线进行缩放的缩放系数为Fmax/F。
其中，Fmax为所述目标驾驶员的最大主动肌肉力，F为预设的最大主动肌肉力（标准最大主动肌肉力）。
预设的主动肌肉力曲线的确定过程包括：
根据各样本驾驶员每次预碰撞试验的不同时刻目标肌肉的肌电信号数据，确定各样本驾驶员每次预碰撞试验目标肌肉的主动肌肉力曲线。
将各所述主动肌肉力曲线求平均，得到预设的主动肌肉力曲线。
因为本实施例的目的是想要预测不同生理参数人体在两种预碰撞状态（有、无意识）时的主动肌肉力变化情况，然后借此设计假人的肌肉模型。由于不可能每个身高体重的受试者均进行实验测量，所以采用神经网络预测那些没有测量到的受试者模型。但是神经网络只能预测点的变化，而无法预测整条肌肉力曲线的变化情况。所以本实施例选用标准人体测量得到标准主动肌肉力变化曲线及标准最大主动肌肉力F，以神经网络预测出的特定人体的最大主动肌肉力Fmax和标准最大主动肌肉力F作比，得到放缩系数。利用放缩系数对标准主动肌肉力曲线进行放缩，得到特定人体的主动肌肉力变化曲线。
步骤104：基于所述目标驾驶员的主动肌肉力曲线，根据肌肉的生物学特征确定所述目标驾驶员的人体肌肉实体模型的材料参数。
所述材料参数包括横截面积、形状和密度。
其中，步骤104具体包括：根据目标驾驶员的主动肌肉力曲线，在Hypermesh软件中模拟出肌肉的主动力作用，并依据肌肉的生物学特性赋予其仿生的材料参数。
生物学特性不仅仅指肌肉主动力作用，还包含肌肉本身的生物特性如肌肉横截面积、最优肌纤维长度、肌纤维收缩速度、最大收缩速度、最大等长收缩力和羽状角等影响肌肉主动力大小的肌肉本身的固有属性。
步骤104的目的是在Hypermesh软件中利用某一种材料卡片，能够模拟出肌肉主动力。该材料卡片中会由上述许多肌肉参数组成，但不仅限于上述材料参数。
步骤105：将当前材料参数赋予到所述目标驾驶员的人体肌肉实体模型中，得到当前假人模型。
步骤106：采用当前假人模型进行碰撞仿真，得到碰撞仿真过程中当前假人模型的参数。
当前假人模型的参数包括头、胸和四肢质心点的高度变化。例如在汽车前端与假人正碰仿真时，可以观察假人头、胸、四肢各部位质心点的高度变化。特别是研究对象为颈部肌肉时，可以重点观察头部质心点的竖直方向位移参数，与汽车前端顶盖的碰撞时间、碰撞力，头部损失情况、颈部肌肉损伤情况等中国标准或欧洲标准中要求的各项参数。研究对象为其他肌肉时，可以研究该肌肉影响最大部位的对应参数。
步骤107：判断所述碰撞仿真过程中当前假人模型的参数是否符合预设评价规程。
预设评价规程包括中国新车评价规程（China-New Car Assessment Program，CNCAP）和欧洲新车安全评鉴协会（Euro-New Car Assessment Program，ENCAP）。
其中，步骤107具体包括：依据CNCAP、ENCAP标准进行评定
若步骤107判断为否，则执行步骤108。
步骤108：对当前材料参数进行调整，返回步骤105。
其中，步骤108具体包括：随机选择n个材料参数，对于选择的n个材料参数，在各材料参数的预设取值范围内进行随机调整，得到最新的当前材料参数，返回步骤105。
材料参数包括目标肌肉的横截面积、形状、密度等除了肌肉激活度之外的所有非确定参数，以微调肌肉的力学性能。
因为每个人的肌肉横截面积、形状和密度虽大体一致，但是也会有些微差别。最初会调研或者对尸体解剖测量出一个大致范围，然后取各项参数范围的中位数为标准值，之后如需调整可以在该范围内依据需求随机调整。
若步骤107判断为是，则执行步骤109。
步骤109：输出当前假人模型。
其中，步骤109还输出肌肉的主动力变化曲线。
各所述预碰撞状态对应的最大主动肌肉力预测模型的训练过程包括：
获得各样本驾驶员的预碰撞数据，并根据各样本驾驶员的性别和碰撞时有无意识将所述预碰撞数据分为四个训练集；四个训练集分别为男性有意识碰撞的训练集、男性无意识碰撞的训练集、女性有意识碰撞的训练集和女性无意识碰撞的训练集，各训练集中每个样本数据均包括输入数据和标签数据，所述输入数据包括样本驾驶员的生理参数和碰撞时汽车的运动参数，所述标签数据包括碰撞过程中采样时间内目标肌肉的最大主动肌肉力。
各样本驾驶员的预碰撞数据中包括碰撞过程中各样本驾驶员每次预碰撞试验的不同时刻的肌电信号数据。
采用男性有意识碰撞的训练集训练第一神经网络，得到第一最大主动肌肉力预测模型。
采用男性无意识碰撞的训练集训练第二神经网络，得到第二最大主动肌肉力预测模型。
采用女性有意识碰撞的训练集训练第三神经网络，得到第三最大主动肌肉力预测模型。
采用女性无意识碰撞的训练集训练第四神经网络，得到第四最大主动肌肉力预测模型。
如图3所示，各最大主动肌肉力预测模型的训练过程，更具体的包括：
步骤1021：输入驾驶员的性别和预碰撞时的状态：依据性别和预碰撞时状态对驾驶员进行分类，归纳到男性有意识碰撞、男性无意识碰撞、女性有意识碰撞和女性无意识碰撞四组中。
步骤1022：输入驾驶员的身体参数：输入驾驶员的身高（H）、体重（W）和年龄（A）。
步骤1023：记录碰撞时车辆（汽车）行驶信息并采集肌电信号数据：通过样本驾驶员身体表面的肌电信号传感器多次采集驾驶员肌电信号数据，通过车辆的速度传感器记录样本驾驶员碰撞时初速度V0，通过加速度传感器记录汽车制动加速度ab。要求样本驾驶员沿指定路线行驶，保持车辆行驶速度在30Km/h-120Km/h区间，试验记录员坐于车子后排。有意识组进行预碰撞试验时，记录员会提前提醒样本驾驶员做好准备，模拟样本驾驶员专心开车注意到前方可能发生碰撞危险而有提前的心理准备。而无意识组进行预碰撞试验时，记录员不会有任何形式的提醒，模拟样本驾驶员未注意到可能发生碰撞的风险，没有任何心里准备的情况下突然发生碰撞。每组不同类型的样本驾驶员均需进行至少3次的碰撞测试，并记录肌电信号数据。
步骤1024：对肌电信号数据进行分析，具体包括：对肌电信号数据进行筛选，剔除相关性不大的无效数据。其余有效数据进行滤波处理，得到肌肉激活度的实验值。对每名样本驾驶员的肌肉激活度的实验值求取平均值，得到每个人肌肉激活度的平均变化曲线。
肌肉激活度曲线的变化趋势与主动力变化曲线的变化趋势大体一致，但是依据公式FCE=fl•fv•a(t)•F0，可以看出肌肉激活度a(t)仅仅是主动力FCE的一个影响参数。
步骤1025：计算样本驾驶员的主动肌肉力曲线并记录Fmax：主动肌肉特性也就是肌肉的主动发力作用。单个肌肉在非最大程度的等长收缩时产生的最大肌肉力可以依据如下公式计算。
FCE=fl•fv•a(t)•F0；
其中，FCE为肌肉主动收缩发力（主动肌肉力）；fl为肌纤维长度影响因子；fv为肌肉收缩速度影响因子；F0肌肉处于静息长度时所能产生的最大等长收缩力；a(t)代表肌肉激活度，通过对肌电信号数据进行分析的步骤测量得到，t表示时间，t具体为对发力周期的时间参数做归一化处理后的时间。依据上述公式计算得到主动肌肉力的变化曲线，并记录每名样本驾驶员对应的最大主动肌肉力Fmax。
本实施例所研究的仅仅为碰撞前紧急刹车这一特定动作下的各条肌肉的主动力变化曲线，所以每一条目标肌肉均有其对应的主动力变化曲线。
采用本实施例一种适用预碰撞场景的假人模型确定方法对每个目标肌肉进行材料参数确定，通过优化假人模型中每个目标肌肉，得到优化后的假人模型。
首先并不是基于多个主动力变化曲线确定各肌肉的材料参数。每一条肌肉主动力曲线的确定是由多个相似身高体重的受试者测量的肌肉激活度信号数据求平均得到的标准肌肉激活度曲线。然后代入公式FCE=fl•fv•a(t)•F0中计算出来的肌肉主动力曲线。
然后，各肌肉的材料参数是肌肉的固有属性，当受试者及研究的某一条肌肉确定后，肌肉的材料参数就已经确定了，具体的测量方法有很多，例如：可以根据MRI测量肌肉横截面积等物理参数，可以根据尸体解剖确定所有参数等。在研究中，由于同种肤色、生活地区的人尤其是限定了身高体重等参数的人群，肌肉的固有参数大体一致，所以可以得到一个大致的材料参数范围，所以才有后续的调整空间。
最后，肌肉的材料参数，包含肌肉的主动肌肉力曲线和肌肉的固有属性参数，更确切的说肌肉的主动力曲线和实体肌肉模型中肌肉的密度、弹性模量等肌肉固有参数共同组成肌肉材料参数。
因为肌肉具有主动发力作用，由肌肉主动力曲线决定；也具有被动缓存作用，由实体模型中的材料参数如密度、形状、弹性模量等肌肉固有属性确定。
步骤1026：计算中国成人标准主动肌肉力曲线及标准最大主动肌肉力F：参照中国成人标准，以男性身高173.8±2cm，体重66.5±1.5kg；女性身高161±2cm，体重55.5±2.4kg为标准选取样本驾驶员若干，使样本驾驶员按照75Km/h的速度行驶，以0.5g的制动加速度进行刹车制动。所有样本驾驶员均进行有意识碰撞和无意识碰撞两组试验。依据步骤步骤1021至步骤1025对每名样本驾驶员进行试验，并输出主动肌肉力曲线。将所有驾驶员的主动肌肉力曲线求平均作为中国标准成人在两种状态下的主动肌肉力标准曲线，并求取此时标准最大主动肌肉力F。
步骤1027：训练BP神经网络：定义驾驶员的身高（H）、体重（W）和年龄（A），汽车碰撞时的初速度（V0）以及制动加速度（ab）为输入层，驾驶员的最大主动肌肉力Fmax为输出层，利用BP神经网络进行训练。
训练BP神经网络的具体步骤如下：
步骤10271、确定BP神经网络的输入层：如图4所示，BP神经网络训练模型输入层层数为1，神经元数为5，分别为身高（H）、体重（W）和年龄（A），汽车碰撞时的初速度（V0）以及制动加速度（ab）。
ω(1)代表输入层和隐藏层之间的权值矩阵；ω(2)代表隐藏层和输出层之间的权值矩阵。Φ1 (2)、Φ2 (2)、Φ3 (2)、Φ4 (2)、Φ5 (2)、Φ6 (2)均表示隐藏层节点。
步骤10272、确定BP神经网络的输出层：如图4所示，BP神经网络训练模型输出层层数为1，神经元数为1，输出驾驶员在特定状态下该条肌肉的最大主动肌肉力Fmax。
步骤10273、确定BP神经网络隐藏层：隐藏层神经元数会对神经网络预测精度产生较大影响，最佳隐藏层节点数可以依据如下公式计算：
=（n+m）1/2+a。
其中，n为输入层节点数；为隐藏层节点数；m为输出层节点数；a为0~10之间的常数。
步骤10274、设置训练参数：设置训练次数为100，学习速率为0.1，训练目标采用方差最小，当方差达到10-6时训练结束。
步骤10275、输入训练数据：训练数据选用驾驶员的生理参数身高（H）、体重（W）和年龄（A），碰撞时车辆信息碰撞时初速度（V0）、制动加速度（ab）及测得的最大主动肌肉力Fmax。根据性别和预碰撞时状态的不同分为四组分别进行训练。
步骤101之前，本实施例一种适用预碰撞场景的假人模型确定方法，还包括：建立目标驾驶员的人体肌肉实体模型，具体包括：
获取所述目标驾驶员的电子计算机断层扫描和核磁共振成像。
根据电子计算机断层扫描和核磁共振成像建立目标驾驶员的人体肌肉实体模型，具体包括：采用医学影像控制系统（Materialise's interactive medical image controlsystem，Mimics）软件处理扫描影像（CT和MRI），采用Geomagic软件对模型进行光滑处理，最终得到3D模型导入到Hypermesh软件中进行划分网格，形成有限元模型（目标驾驶员的人体肌肉实体模型）。
所述神经网络为BP神经网络。
实施例2
本实施例提供的一种适用预碰撞场景的假人模型确定系统，包括：
预碰撞状态确定模块，用于确定目标驾驶员的预碰撞状态。
最大主动肌肉力预测模块，用于将所述目标驾驶员的生理参数和汽车的运动参数输入所述预碰撞状态对应的最大主动肌肉力预测模型，得到所述目标驾驶员的最大主动肌肉力；各所述预碰撞状态对应的最大主动肌肉力预测模型均是通过对应训练集对神经网络进行训练得到的；所述最大主动肌肉力预测模型为目标肌肉的最大主动肌肉力预测模型。
主动肌肉力曲线确定模块，用于根据所述最大主动肌肉力对预设的主动肌肉力曲线进行缩放，得到所述目标驾驶员的主动肌肉力曲线。
材料参数确定模块，用于基于所述目标驾驶员的主动肌肉力曲线，根据肌肉的生物学特征确定所述目标驾驶员的人体肌肉实体模型的材料参数。
当前假人模型确定模块，用于将当前材料参数赋予到所述目标驾驶员的人体肌肉实体模型中，得到当前假人模型。
碰撞数据确定模块，用于采用当前假人模型进行碰撞仿真，得到碰撞仿真过程中当前假人模型的参数。
判断模块，用于判断所述碰撞仿真过程中当前假人模型的参数是否符合预设评价规程。
材料调整模块，用于所述判断模块输出否时，对当前材料参数进行调整，返回当前假人模型确定模块。
输出模块，用于所述判断模块输出是时，输出当前假人模型。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (9)
1.一种适用预碰撞场景的假人模型确定方法，其特征在于，包括：
确定目标驾驶员的预碰撞状态；
将所述目标驾驶员的生理参数和汽车的运动参数输入所述预碰撞状态对应的最大主动肌肉力预测模型，得到所述目标驾驶员的最大主动肌肉力；各所述预碰撞状态对应的最大主动肌肉力预测模型均是通过对应训练集对神经网络进行训练得到的；所述最大主动肌肉力预测模型为目标肌肉的最大主动肌肉力预测模型；
根据所述最大主动肌肉力对预设的主动肌肉力曲线进行缩放，得到所述目标驾驶员主动肌肉力曲线；
基于所述目标驾驶员的主动肌肉力曲线，根据肌肉的生物学特征确定所述目标驾驶员的人体肌肉实体模型的材料参数；
将当前材料参数赋予到所述目标驾驶员的人体肌肉实体模型中，得到当前假人模型；
采用当前假人模型进行碰撞仿真，得到碰撞仿真过程中当前假人模型的参数；
判断所述碰撞仿真过程中当前假人模型的参数是否符合预设评价规程；
若否，则对当前材料参数进行调整，返回将当前材料参数赋予到所述目标驾驶员的人体肌肉实体模型中，得到当前假人模型的步骤；
若是，则输出当前假人模型。
2.根据权利要求1所述的适用预碰撞场景的假人模型确定方法，其特征在于，所述预碰撞状态包括男性有意识碰撞、男性无意识碰撞、女性有意识碰撞和女性无意识碰撞。
3.根据权利要求1所述的适用预碰撞场景的假人模型确定方法，其特征在于，各所述预碰撞状态对应的最大主动肌肉力预测模型的训练过程包括：
获得各样本驾驶员的预碰撞数据，并根据各样本驾驶员的性别和碰撞时有无意识将所述预碰撞数据分为四个训练集；四个训练集分别为男性有意识碰撞的训练集、男性无意识碰撞的训练集、女性有意识碰撞的训练集和女性无意识碰撞的训练集，各训练集中每个样本数据均包括输入数据和标签数据，所述输入数据包括样本驾驶员的生理参数和碰撞时汽车的运动参数，所述标签数据包括碰撞过程中采样时间内目标肌肉的最大主动肌肉力；
采用男性有意识碰撞的训练集训练第一神经网络，得到第一最大主动肌肉力预测模型；
采用男性无意识碰撞的训练集训练第二神经网络，得到第二最大主动肌肉力预测模型；
采用女性有意识碰撞的训练集训练第三神经网络，得到第三最大主动肌肉力预测模型；
采用女性无意识碰撞的训练集训练第四神经网络，得到第四最大主动肌肉力预测模型。
4.根据权利要求1所述的适用预碰撞场景的假人模型确定方法，其特征在于，所述生理参数包括身高、体重和年龄，所述运动参数包括初速度和制动加速度。
5.根据权利要求1所述的适用预碰撞场景的假人模型确定方法，其特征在于，所述材料参数包括横截面积、形状和密度。
6.根据权利要求3所述的适用预碰撞场景的假人模型确定方法，其特征在于，各样本驾驶员的预碰撞数据中包括碰撞过程中各样本驾驶员每次预碰撞试验的不同时刻目标肌肉的肌电信号数据；
预设的主动肌肉力曲线的确定过程包括：
根据各样本驾驶员每次预碰撞试验的不同时刻目标肌肉的肌电信号数据，确定各样本驾驶员每次预碰撞试验目标肌肉的主动肌肉力曲线；
将各所述主动肌肉力曲线求平均，得到预设的主动肌肉力曲线。
7.根据权利要求1所述的适用预碰撞场景的假人模型确定方法，其特征在于，还包括：建立目标驾驶员的人体肌肉实体模型，具体包括：
获取所述目标驾驶员的电子计算机断层扫描和核磁共振成像；
根据电子计算机断层扫描和核磁共振成像建立目标驾驶员的人体肌肉实体模型。
8.根据权利要求1所述的适用预碰撞场景的假人模型确定方法，其特征在于，所述神经网络为BP神经网络。
9.一种适用预碰撞场景的假人模型确定系统，其特征在于，包括：
预碰撞状态确定模块，用于确定目标驾驶员的预碰撞状态；
最大主动肌肉力预测模块，用于将所述目标驾驶员的生理参数和汽车的运动参数输入所述预碰撞状态对应的最大主动肌肉力预测模型，得到所述目标驾驶员的最大主动肌肉力；各所述预碰撞状态对应的最大主动肌肉力预测模型均是通过对应训练集对神经网络进行训练得到的；所述最大主动肌肉力预测模型为目标肌肉的最大主动肌肉力预测模型；
主动肌肉力曲线确定模块，用于根据所述最大主动肌肉力对预设的主动肌肉力曲线进行缩放，得到所述目标驾驶员的主动肌肉力曲线；
材料参数确定模块，用于基于所述目标驾驶员的主动肌肉力曲线，根据肌肉的生物学特征确定所述目标驾驶员的人体肌肉实体模型的材料参数；
当前假人模型确定模块，用于将当前材料参数赋予到所述目标驾驶员的人体肌肉实体模型中，得到当前假人模型；
碰撞数据确定模块，用于采用当前假人模型进行碰撞仿真，得到碰撞仿真过程中当前假人模型的参数；
判断模块，用于判断所述碰撞仿真过程中当前假人模型的参数是否符合预设评价规程；
材料调整模块，用于所述判断模块输出否时，对当前材料参数进行调整，返回当前假人模型确定模块；
输出模块，用于所述判断模块输出是时，输出当前假人模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311367721.1A CN117113856B (zh) | 2023-10-23 | 2023-10-23 | 一种适用预碰撞场景的假人模型确定方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311367721.1A CN117113856B (zh) | 2023-10-23 | 2023-10-23 | 一种适用预碰撞场景的假人模型确定方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117113856A true CN117113856A (zh) | 2023-11-24 |
| CN117113856B CN117113856B (zh) | 2024-01-30 |
Family
ID=88793463
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311367721.1A Active CN117113856B (zh) | 2023-10-23 | 2023-10-23 | 一种适用预碰撞场景的假人模型确定方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117113856B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106503304A (zh) * | 2016-09-30 | 2017-03-15 | 湖南大学 | 一种在有限元人体模型中实现肌肉主动力的模拟方法及控制模型 |
| US10676083B1 (en) * | 2013-11-13 | 2020-06-09 | Hrl Laboratories, Llc | System and method for prediction of occupant motor response in accidents |
| WO2022095985A1 (zh) * | 2020-11-09 | 2022-05-12 | 清华大学 | 一种智能驾驶汽车乘员舒适性评价方法和系统 |
| CN115062511A (zh) * | 2022-06-14 | 2022-09-16 | 湖南大学 | 一种aeb工况下基于体征的人体颈部损伤预测方法 |
| KR102542280B1 (ko) * | 2023-02-21 | 2023-06-13 | (주)튜닝모터스 | 뉴럴 네트워크를 이용하여 차량 구독 서비스를 제공하는 차량 판매 방법 및 시스템 |
| CN116353584A (zh) * | 2023-03-31 | 2023-06-30 | 重庆长安汽车股份有限公司 | 一种车辆碰撞风险预测系统及车辆 |
-
2023
- 2023-10-23 CN CN202311367721.1A patent/CN117113856B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10676083B1 (en) * | 2013-11-13 | 2020-06-09 | Hrl Laboratories, Llc | System and method for prediction of occupant motor response in accidents |
| CN106503304A (zh) * | 2016-09-30 | 2017-03-15 | 湖南大学 | 一种在有限元人体模型中实现肌肉主动力的模拟方法及控制模型 |
| WO2022095985A1 (zh) * | 2020-11-09 | 2022-05-12 | 清华大学 | 一种智能驾驶汽车乘员舒适性评价方法和系统 |
| CN115062511A (zh) * | 2022-06-14 | 2022-09-16 | 湖南大学 | 一种aeb工况下基于体征的人体颈部损伤预测方法 |
| KR102542280B1 (ko) * | 2023-02-21 | 2023-06-13 | (주)튜닝모터스 | 뉴럴 네트워크를 이용하여 차량 구독 서비스를 제공하는 차량 판매 방법 및 시스템 |
| CN116353584A (zh) * | 2023-03-31 | 2023-06-30 | 重庆长安汽车股份有限公司 | 一种车辆碰撞风险预测系统及车辆 |
Non-Patent Citations (3)
| Title |
|---|
| 李凡;胡伟;粟思橙;曹迎春;: "能够模拟颈部肌肉主动力的混合假人模型", 汽车安全与节能学报, no. 03 * |
| 李钊 等: "汽车正面碰撞驾驶员颈部肌肉激活分析", 《吉林大学学报（ 工学版）》, pages 869 - 874 * |
| 高振海;李钊;赵凯姝;赵会;禹慧丽;陈朝阳;: "汽车碰撞瞬间驾驶员颈部肌电信号变化规律研究", 汽车工程, no. 12 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117113856B (zh) | 2024-01-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11610684B2 (en) | Automated system and method for evaluation and report of passenger pain and trauma in a vehicular crash | |
| Crandall et al. | Human surrogates for injury biomechanics research | |
| Schmitt et al. | Trauma biomechanics | |
| US8400313B2 (en) | Vehicle driver sleep state classification generating device based on Hidden Markov Model, sleep state classification device and warning device | |
| Li et al. | The importance of nonlinear tissue modelling in finite element simulations of infant head impacts | |
| Snyder | Human impact tolerance | |
| IT201900005868A1 (it) | Procedimento di elaborazione di un segnale elettrofisiologico, sistema, prodotto informatico e veicolo corrispondenti | |
| Hsieh et al. | Machine learning-based fall characteristics monitoring system for strategic plan of falls prevention | |
| CN115062511A (zh) | 一种aeb工况下基于体征的人体颈部损伤预测方法 | |
| Correia et al. | Vestibulocollic and cervicocollic muscle reflexes in a finite element neck model during multidirectional impacts | |
| KR20140041382A (ko) | 생물체의 정신생리학적 상태에 관한 정보 획득방법 | |
| Post | The influence of dynamic response characteristics on traumatic brain injury | |
| CN117113856B (zh) | 一种适用预碰撞场景的假人模型确定方法及系统 | |
| Arrué et al. | Low-rank representation of head impact kinematics: A data-driven emulator | |
| CN111753810B (zh) | 驾驶行为数据测试系统与采集方法 | |
| Lee et al. | Development of three driver state detection models from driving information using vehicle simulator; normal, drowsy and drunk driving | |
| Zhang et al. | Dynamic biomechanics of the human head in lateral impacts | |
| CN116671902A (zh) | 一种辅助诊断脑瘫的婴儿运动姿态分析系统 | |
| Raimundo et al. | Driving simulator for performance monitoring with physiological sensors | |
| Zocchi et al. | Physiological parameters variation during driving simulations | |
| Schmitt et al. | Methods in trauma biomechanics | |
| Silva et al. | Emotion State Induction for the Optimization of Immersion and User Experience in Automated Vehicle Simulator. | |
| Jones et al. | Development of a coupled physical–computational methodology for the investigation of infant head injury | |
| Yoneyama et al. | Human turnover dynamics during sleep: Statistical behavior and its modeling | |
| Watanabe et al. | Impact injury analysis of the human head |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |