基于优化BP神经网络的汽车座椅舒适性评价

刘丽萍，鞠伟男，邵学彬，王云川，温泉，刘娇杨

(中汽研软件测评(天津)有限公司，天津 300300)

1 引言

随着人均汽车保有量的逐年增长，消费者对汽车的要求已不仅仅定位在“代步工具”，车辆的舒适性成为消费者日益关注的问题。座椅作为车辆内部空间主要的布置工具，其舒适性研究也成为主机厂及国内外专家学者重点研究的课题之一。

唐立华等[1]采用Tekscan体压分布测量系统并结合主观评价的综合实验方法，剖析了人体不同坐姿形式对坐姿舒适性的影响，研究结果表明，不同的坐姿可明显影响体压分布情况，进而影响人体舒适性，自然放松的靠背坐姿时，各体压分布指标最小，是舒适性最好的坐姿形式。曹志伟等[2]对轨道交通工具中座椅装备舒适度的评价方法及提升我国轨道交通工具中座椅舒适度的研究方向进行了探讨，结果表明，座椅舒适度评价一般采用主观和客观相结合的综合评价方法，体压分布与主观评价有显著关系。Looze M P D等[3]也发现，在众多的客观评价方法当中，体压分布对于主观舒适性的表征效果最为显著，通过体压分布可分析出座椅舒适性信息。Kolich M等[4]分别用逐步多元线性回归和神经网络构建舒适性评价模型并进行比较，得出了神经网络预测模型有更高的准确率。李培松等[5]提出一种基于模糊神经网络的座椅舒适度评价模型，研究结果表明，与普通BP网络模型对比，模糊神经网络模型具有更好的预测效果。李娟等[6]将体压指标对于坐垫舒适性及软硬度的表征情况进行了分析，找到主观舒适性与体压分布之间的联系，利用客观变量预测主观舒适性，对于汽车座椅的设计、整改都具有重要的意义。龙江等[7]提出利用人工蜂群算法优化后的BP神经网络(ABC-BP)来预测座椅的舒适性的方法，研究结果表明，优化后的预测模型稳定性更强、预测效果更加精准。韩宇翃等[8]探究了在座椅舒适性评价中，皮电反射、心率变异性以及瞳孔直径等数据与用户主观舒适性的关联关系，研究结果显示，一定条件下可以使用瞳孔数据协同优化座椅舒适度评价，暂无充分证据支持皮电反射和心率变异性与座椅舒适性存在显著关联。

综上所述，国内外专家学者对座椅舒适性及其评价方法进行了大量研究，并取得了显著成果，可以看出，体压分布可以有效表征座椅舒适性，但主观舒适性与体压分布之间并非简单的线性关系，因此，需要构建座椅舒适性评价模型。前人的研究为座椅舒适型评价提供了参考，但其评价指标相对局限，大多集中于体压信息，并未考虑人体基本特征等物理因素对评价结果的影响；另外，不同变量对舒适性预测结果的贡献度不同，可能存在无关变量影响预测结果的准确度。因此，本文综合考虑4个人体基本特征、10个背部及臀部体压信息，利用Lasso算法对特征向量进行提取，筛选出对预测结果贡献度大的变量，并利用遗传算法对BP神经网络进行优化，建立基于优化BP神经网络的汽车座椅舒适性评价模型，本研究可为汽车正向设计中座椅设计方案的筛选提供参考。

2 方法

2.1 基于Lasso算法的特征向量提取

影响汽车座椅舒适性的因素很多，考虑到变量对舒适度评价结果的影响程度不同，如果将所有变量输入，训练和预测的速度和精度将会受到影响，因此，需先对特征向量进行提取，选择对舒适性影响较大的变量作为模型的输入变量。

本文引入Lasso(Least Absolute Shrinkage and Selection Operator)算法[9]对输入变量进行降维，该方法不仅能实现有效变量选择，而且还可消除多重共线性等问题。该方法是基于惩罚方法对样本数据进行变量选择，通过对原本的系数进行压缩，将原本很小的系数直接压缩至0，从而将这部分系数所对应的变量视为非显著性变量，将不显著的变量直接舍弃，同时对原本系数较大的显著自变量采取较轻的压缩。最终，得到一个较为精炼的模型，实现降维的效果。

2.2 基于优化BP神经网络的汽车座椅舒适性评价模型

BP(Back Propagation)神经网络[10]是一种按误差逆传播算法训练的多层前馈网络，它具备很强的非线性映射能力和自学习、自适应能力，且结构简单，性能优良，在众多领域应用广泛。BP神经网络结构如图1所示，图中(x1,x2,…,xn)为输入变量，(o1,o2,…,om)为输出变量，wij、wjk，分别为输入层与隐含层、隐含层与输出层之间的连接加权系数。

图1 BP神经网络结构图

由于BP神经网络的学习规则是使用梯度下降法，通过反向传播来不断调整网络的权值和阈值，因此不可避免的会存在收敛速度慢、易陷入局部极小值等缺陷，本文将利用遗传算法对BP神经网络进行优化[11]。首先，用遗传算法对初始权值分布进行优化，在解空间中找出一个较好的搜索空间；然后，用BP算法在这个较小的解空间中搜索出最优解，遗传算法优化神经网络算法流程如图2所示。

图2 遗传算法优化神经网络算法流程

2.3 实验设计

2.3.1 实验对象及条件

以性别、身高、体重、年龄为依据选取200名被试者，其中男性与女性分别为100名，身高、体重、年龄基本呈正态分布。身高分布在150 ～181 mm之间，平均身高167 mm；体重分布在42 ～115 kg之间，平均体重62 kg；年龄分布在18～65岁之间，平均年龄39岁。

选取2辆实验样车，样车参数如表1所示。采用Pliance-x压力垫与配套软件采集被试者的背部与臀部体压数据，包括：平均压力、峰值压力、平均压强、峰值压强和接触面积。

表1 实验样车基本参数

2.3.2 实验内容

(1)被试者基本信息采集：向被试人员介绍实验流程及要求，统计被试者性别、年龄、身高、体重等基本信息。

(2)实验前准备：将Pliance-x压力垫铺放在汽车副驾驶座椅的座面和靠背上，调整座椅使靠背倾角为25°(靠背倾角指靠背与垂线夹角)，座椅高度为最低高度，如图3所示。

图3 实验测试场景

(3)体压参数测量：被试人员按要求统一身穿紧身内衣，并按照规定姿势坐在座椅上，臀部和背部要求贴合压力垫，保持自然姿态并双腿并拢。待被试坐姿平稳后，试验测试人员操作压力垫进行体压测试，并连续记录一段10 s左右的压力数据，数据输出结果如图4所示。

图4 体压数据输出结果示例

(4)主观舒适度评价：采用十分制打分的方式要求被试人员对乘坐舒适度进行主观评分，评分越高代表越舒适，评分越低代表越不舒适，1～3分为不舒适，4～6分为舒适度一般，7～9分为舒适，10分为非常舒适。评价指标共计12项，如表2所示，主观评价总得分为12项得分的平均值。

表2 汽车座椅主观舒适度评价打分项

按照上述实验步骤，分别组织200名被试乘坐2辆样车开展实验，共计采集得到400组实验数据，每组数据所包含变量如表3所示。对原始数据进行处理，剔除不完整数据、非稳定数据、异常数据等所涉及的共24组实验数据，最终确定出376组实验数据作为统计分析的最终数据集，数据示例如表4所示。

表3 实验采集数据项

表4 实验数据示例

3 模型建立与验证

从最终筛选得到的376组实验数据中选取300组实验数据作为训练样本集，剩余76组数据作为验证样本集。首先利用Lasso算法对特征向量进行提取，最终提取得到对预测结果影响较大的变量为：性别(X1)、身高(X3)、体重(X4)、背部平均压强(X7)、背部峰值压强(X8)、臀部平均压强(X12)、臀部峰值压强(X13)。以X1、X3、X4、X7、X8、X12、X13作为输入变量，Y作为输出变量，利用300组训练样本集数据对优化后的BP神经网络进行训练，经过2355次训练，模型预测效果达到最优，训练结果如图5所示。

图5 模型训练误差曲线

均方根误差(root mean square error,RMSE)常用于衡量观测值与真实值之间的偏差，是衡量机器学习预测结果准确度的常用指标[11]，RMSE数值越小，表明模型预测值与实际值越接近，模型预测精度越高，其计算公式为：

(1)

利用76组验证样本数据集对模型进行验证，并将验证结果与BP神经网络输出结果进行对比，如表5所示，两种模型误差波动如图6所示。可以看出，与BP神经网络预测结果相比，遗传算法优化BP神经网络模型的预测结果与真实值更为接近，准确率达到90.96%，预测误差更小，且误差波动更小，由此说明，本文所建立的模型在汽车座椅舒适性预测中具有较好效果。

表5 模型测试结果

图6 BP神经网络与优化BP神经网络模型误差波动

4 讨论

本文对座椅舒适性评价方法进行研究，利用Lasso算法提取对评价结果具有显著影响的变量，并建立基于遗传算法优化BP神经网络的汽车座椅舒适性评价模型。研究表明性别、身高、体重、背部平均压强、背部峰值压强、臀部平均压强、臀部峰值压强等参数对座椅舒适性预测效果明显。分析认为，座椅的材质是影响舒适性的直接因素，而驾驶员在座椅上的生理物理指标可以有效表征座椅舒适性，因此可以用于座椅舒适性评价；驾驶员个体固有特征不同，对座椅不同部位的压力压强不同，因此对座椅舒适性的感知不同。

此外，本文利用遗传算法对BP神经网络进行了优化，建立座椅舒适性预测模型，通过对比验证，可以看出，优化后的BP神经网络预测精度更高。分析发现，用遗传算法调整BP神经网络的初始权重值和阈值，能够较好地防止搜索陷入局部极小值，使优化后的BP神经网络能够更好地进行样本预测，因此，模型具有更好的预测效果。

然而本文的研究仍存在一些不足：本文仅对座椅静态舒适性进行了研究，未来，可以通过采集驾驶员在开车过程中的生理指标、行为动作等参数对驾驶员动态舒适性进行深入研究。

5 结论

座椅舒适性是消费者评价汽车整体性能的一项重要指标，座椅舒适性评价方法研究对汽车人机设计效果的提升具有重要意义。本文以汽车座椅静态舒适性为研究对象，综合考虑两大因素(人体基本特征、座椅坐垫及靠垫设计)对舒适性的影响，建立基于遗传算法优化BP神经网络的座椅舒适性评价模型，得到以下结论：

(1)驾驶员基本物理信息及体压信息能够较好预测座椅舒适性。

(2)利用遗传算法优化后的BP神经网络预测准确率达到90.96%，比未优化的BP神经网络准确率提高了8.28%，具有更好的预测效果。