基于生物力学仿真限值曲线的人体模型仿真度评价方法技术

本发明专利技术涉及碰撞仿真技术领域，公开了一种基于生物力学仿真限值曲线的人体模型仿真度评价方法，包括：获取人体模型的体型特征信息；构建自适应降维神经网络和回归神经网络；对自适应降维神经网络和回归神经网络的精度进行验证；将人体模型的体型特征信息输入回归神经网络，得到仿真生物力学响应低维数据，将仿真生物力学响应低维数据输入自适应降维神经网络进行升维，得到仿真生物力学响应高维数据，进而得到人体模型的生物力学仿真限值曲线；根据生物力学仿真限值曲线对人体模型的仿真度进行评价。实现了对任意已知体型信息的人体模型都能生成相应的生物力学仿真限值曲线，提高了生物力学仿真限值曲线的精度，提高了对人体模型仿真度评价的精度。模型仿真度评价的精度。模型仿真度评价的精度。

【技术实现步骤摘要】
基于生物力学仿真限值曲线的人体模型仿真度评价方法


[0001]本专利技术涉及碰撞仿真
，尤其涉及一种基于生物力学仿真限值曲线的人体模型仿真度评价方法。

技术介绍

[0002]在现有技术中，一般通过人体模型来评价碰撞过程中人体所受伤害，进而对车辆的碰撞安全性能进行评价。可见，人体模型生物力学仿真度对试验可靠性有直接的影响。
[0003]现有人体模型生物力学仿真度评价方法是通过尸体、动物、志愿者碰撞试验获得真实的生物力学响应信号，再计算人体模型相较于尸体、动物、志愿者等试验者体型信息的缩放比，最后对真实生物力学响应信号进行相应的缩放，并得到人体模型仿真限值数据，用于评价所研究人体模型生物力学响应仿真度。该方法存在着局限性大、缩放方法精度不高等问题。其主要原因有：尸体、动物、志愿者等试验者体型信息是特定的、唯一的，所获得的生物力学响应数据具有局限性，不具有普遍性和代表性；同时运用缩放方法是基于生物力学响应与受试者体型变化呈线性相关的原理，而受试者体型变化对生物力学影响十分复杂，仅采用线性缩放获取生物力学响应仿真限值的方法精度不高，因此对人体模型仿真度的评价的精确性也不高。
[0004]因此，亟需一种基于生物力学仿真限值曲线的人体模型仿真度评价方法，提高生物力学仿真限值的精确度，提高对人体模型仿真度评价的精度。

技术实现思路

[0005]为了解决上述技术问题，本专利技术提供了一种基于生物力学仿真限值曲线的人体模型仿真度评价方法，提高了生物力学仿真限值的精确度，提高了对人体模型仿真度评价的精度。
[0006]本专利技术提供了一种基于生物力学仿真限值曲线的人体模型仿真度评价方法，包括如下步骤：S1、获取人体模型的体型特征信息，体型特征信息包括：身高、体重、头顶到耻骨联合的距离、肩宽、臂长、骨盆宽度；S2、构建自适应降维神经网络，自适应降维神经网络包括降维网络、中间层和升维网络，降维网络和升维网络分别作为单独网络使用；S3、构建回归神经网络，回归神经网络每一层的神经元个数与体型特征信息的个数相同；S4、对自适应降维神经网络和回归神经网络的精度进行验证，若精度符合要求，则进入S5，若精度不符合要求，则优化自适应降维神经网络和回归神经网络，直至自适应降维神经网络和回归神经网络的精度符合要求；S5、将人体模型的体型特征信息输入回归神经网络，得到仿真生物力学响应低维数据；将仿真生物力学响应低维数据输入自适应降维神经网络的中间层后，通过升维网络
对仿真生物力学响应低维数据进行升维处理，得到仿真生物力学响应高维数据，根据仿真生物力学响应高维数据得到人体模型的生物力学仿真限值曲线；S6、根据生物力学仿真限值曲线对人体模型的仿真度进行评价。
[0007]进一步的，步骤S3中，构建回归神经网络包括对回归神经网络进行训练，回归神经网络的训练方法包括：S31、获取受试者的体型特征信息；S32、获取受试者在碰撞试验中的生物力学响应曲线；S33、根据生物力学响应曲线采集生物力学响应数据；S34、采用随机分配的方法将体型特征信息和生物力学响应数据分为3个数据集，分别为训练集、测试集、验证集；S35、将训练集和测试集中的生物力学响应数据输入自适应降维神经网络的降维网络进行降维处理，从自适应降维神经网络的中间层输出训练集和测试集中的生物力学响应数据相对应的线性和/或非线性的生物力学响应低维数据；S36、使用训练集中的体型特征信息作为输入、生物力学响应低维数据作为输出，训练回归神经网络；S37、使用测试集中的数据测试回归神经网络的精度是否符合要求；S38、若回归神经网络的精度满足要求，则停止对回归神经网络的训练，得到训练好的回归神经网络；S39、若回归神经网络的精度不满足要求，则继续训练回归神经网络。
[0008]进一步的，步骤S33，根据生物力学响应曲线采集生物力学响应数据包括：S331、去除获取的生物力学响应曲线中出现不合理力值的生物力学响应曲线；S332、将去除不合理力值后的所有生物力学响应曲线以碰撞发生的时刻为零时刻，截取自零时刻起间隔t时间长度的生物力学响应曲线，间隔t时间长度的生物力学响应曲线包含生物力学响应曲线的最大力值点；S333、从每个间隔t时间长度的生物力学响应曲线采集s个力值点作为生物力学响应数据。
[0009]进一步的，步骤S2中，自适应降维神经网络的中间层的神经元个数与体型特征信息的个数相同，降维网络的输入层和升维网络输出层中神经元的个数等于从每个间隔t时间长度的生物力学响应曲线上采集的力值点个数s。
[0010]进一步的，步骤S2中，还包括对自适应降维神经网络的降维网络和升维网络添加限制方法，限制方法包括权值关联、权值正交、无关联系特征和单元化。
[0011]进一步的，步骤S4中，对自适应降维神经网络和回归神经网络的精度进行验证包括：S41、将验证集中的体型特征信息输入训练好的回归神经网络，输出生物力学响应低维数据；S42、将生物力学响应低维数据输入自适应降维神经网络的中间层，并通过升维网络进行升维，得到生物力学响应高维数据；S43、将生物力学响应高维数据与验证集中的生物力学响应数据进行比较，计算误差值是否小于预设值；
S44、若误差值小于预设值，则自适应降维神经网络和回归神经网络的精度满足要求；S45、若误差值大于等于预设值，则自适应降维神经网络和回归神经网络的精度不满足要求，需要对自适应降维神经网络和回归神经网络进行优化。
[0012]进一步的，步骤S6中，根据生物力学仿真限值曲线对人体模型的仿真度进行评价，具体包括：S61、获取人体模型在碰撞试验中获得的生物力学响应曲线；S62、将生物力学响应曲线与生物力学仿真限值曲线进行比较，计算生物力学响应曲线与生物力学仿真限值曲线的互相关系数；S63、若互相关系数大于预设值，则人体模型的仿真度满足需求；若互相关系数小于等于预设值，则人体模型的仿真度不满足需求。
[0013]进一步的，步骤S6中，根据生物力学仿真限值曲线对人体模型的仿真度进行评价，具体包括：S61
’
、根据所需人体模型的仿真度精度要求设定评价系数；S62
’
、根据评价系数和生物力学仿真限值曲线确定仿真限值区间；S63
’
、获取人体模型在碰撞试验中获得的生物力学响应曲线；S64
’
、将生物力学响应曲线与仿真限值区间进行比较，若生物力学响应曲线在仿真限值区间内，则人体模型的仿真度满足需求；若生物力学响应曲线不在仿真限值区间内，则人体模型的仿真度不满足需求。
[0014]本专利技术实施例具有以下技术效果：通过回归神经网络建立体型特征信息和生物力学响应低维数据之间的函数关系，通过自适应降维神经网络使生物力学响应低维数据能够代表生物力学响应高维数据，建立生物力学响应数据与生物力学响应曲线之间的对应关系，通过回归神经网络和自适应降维神经网络生成人体模型的生物力学仿真限值曲线，通过生物力学仿真限值曲线对人体模型的仿真度进行评价，可以实现对任意已知体型特征信息的人体模型都能生成相应的生物力学仿真本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于生物力学仿真限值曲线的人体模型仿真度评价方法，其特征在于，包括：S1、获取人体模型的体型特征信息，所述体型特征信息包括：身高、体重、头顶到耻骨联合的距离、肩宽、臂长、骨盆宽度；S2、构建自适应降维神经网络，所述自适应降维神经网络包括降维网络、中间层和升维网络，所述降维网络和所述升维网络分别作为单独网络使用；S3、构建回归神经网络，所述回归神经网络每一层的神经元个数与所述体型特征信息的个数相同；S4、对所述自适应降维神经网络和所述回归神经网络的精度进行验证，若所述精度符合要求，则进入S5，若所述精度不符合要求，则优化所述自适应降维神经网络和所述回归神经网络，直至所述自适应降维神经网络和所述回归神经网络的精度符合要求；S5、将所述人体模型的体型特征信息输入所述回归神经网络，得到仿真生物力学响应低维数据；将所述仿真生物力学响应低维数据输入所述自适应降维神经网络的中间层后，通过所述升维网络对所述仿真生物力学响应低维数据进行升维处理，得到仿真生物力学响应高维数据，根据所述仿真生物力学响应高维数据得到所述人体模型的生物力学仿真限值曲线；S6、根据所述生物力学仿真限值曲线对所述人体模型的仿真度进行评价。2.根据权利要求1所述的基于生物力学仿真限值曲线的人体模型仿真度评价方法，其特征在于，所述步骤S3中，构建回归神经网络包括对所述回归神经网络进行训练，所述回归神经网络的训练方法包括：S31、获取受试者的体型特征信息；S32、获取受试者在碰撞试验中的生物力学响应曲线；S33、根据所述生物力学响应曲线采集生物力学响应数据；S34、采用随机分配的方法将所述体型特征信息和所述生物力学响应数据分为3个数据集，分别为训练集、测试集、验证集；S35、将所述训练集和所述测试集中的所述生物力学响应数据输入所述自适应降维神经网络的降维网络进行降维处理，从所述自适应降维神经网络的中间层输出所述训练集和所述测试集中的所述生物力学响应数据相对应的线性和/或非线性的生物力学响应低维数据；S36、使用所述训练集中的所述体型特征信息作为输入、所述生物力学响应低维数据作为输出，训练所述回归神经网络；S37、使用测试集中的数据测试所述回归神经网络的精度是否符合要求；S38、若所述回归神经网络的精度满足要求，则停止对所述回归神经网络的训练，得到训练好的回归神经网络；S39、若所述回归神经网络的精度不满足要求，则继续训练所述回归神经网络。3.根据权利要求2所述的一种基于生物力学仿真限值曲线的人体模型仿真度评价方法，其特征在于，所述步骤S33，根据所述生物力学响应曲线采集生物力学响应数据包括：S331、去除获取的所述生物力学响应曲线中出现不合理力值的生物力学响应曲线；S332、将去除不合理力值后的所有所述生物力学响应曲线以碰撞发生的时刻为零时刻，截取自零时刻起间隔t时间长度的生物力学响应曲线，所述间隔t时间长度的生物力学
响应曲线包含所述生物力学响应曲线的最大力值点；S333、从每个所述间隔t时间长度的生物力学...

【专利技术属性】
技术研发人员：朱海涛，侯志平，刘磊，刘志新，顾海明，刘灿灿，张山，谭雯霄，王立民，
申请(专利权)人：中汽研汽车检验中心天津有限公司，
类型：发明
国别省市：