Page 353 - 《振动工程学报》2025年第11期

第 11 期 张筱璐，等：融合特征降维与人工神经网络的坐姿人体头部振动特性研究 2811

动环境下的平移运动，而多体动力学模型可更准确 型的预测精度和效率。
[5]
地模拟分析俯仰运动 。有限元模型有效改进了上 本文基于低频人体振动试验数据，建立经主成
述两种建模方法对人体与座椅接触界面的力学行为 分分析法和核主成分分析法降维优化体征参数的人
过于简化的局限性，但计算成本较高 [6-9] 。由于上述 工神经网络模型，以实现对多轴振动激励时不同坐
传统动力学模型的参数设定需要基于特定座椅条件 姿条件下的 STHT 的准确预测，并对比分析不同降
以及个体体征参数的试验数据，而驾乘人员体征参 维方法对 STHT 的预测效果，为进一步探究座椅到
数又存在显著的个体差异性，因此需探索泛化能力 头部的传递函数和改善驾乘舒适性提供参考。

更强的建模方法。
与 传 统 动 力 学 建 模 方 法 相 比， 人 工 神 经 网 络 1 坐 姿 人 体 振 动 试 验
（artificial neural network，ANN）建模方法能够通过交

互式学习灵活捕获振动环境下输入特征与 STHT 间 1.1 试验方法
的关联 [10-11] 。基于上述特点，GOHARI 等 [10] 采用 ANN
模型预测 STHT 垂向同轴响应，预测精度达 95% 以 本试验采用六自由度振动平台，在 1~10 Hz 范围
2
上。但该模型基于刚性座椅测试条件下的试验数据 内生成幅值为 0.4 m/s r.m.s.的限宽白噪声作为激励
构建，而实际设计汽车座椅时需考虑包括开孔聚氨 信号，持续 60 s（见图 1）。试验共设置 4 组激励幅值
酯泡沫等弹性部件的座椅动力学特性对 STHT 的影 工况（见表 1），代表轨道车辆振动环境下对驾乘舒适
响 [12-15] 。SAVELJIC 等 [11] 基于 ANN 模型预测有靠背 性影响较大的激励方向，以及 2 组座椅工况（无靠
的真实汽车座椅条件下的 STHT 水平前后向同轴响 背、倾斜靠背接触）。刚性座椅的坐垫和靠背中心
应，模型有效包含了真实人-椅接触面的力学特性。 位置处分别固定开孔聚氨酯泡沫（450 mm × 450 mm ×
但上述 ANN 模型均集中于单轴振动激励工况，而实 80 mm）。头部与座椅处加速度分别由两个三轴加速
际振动环境中涉及多轴振动激励，且有研究表明单 度计（PCB 356A16）测得，其中头部加速度计使用自
轴与多轴振动激励的 STHT 变化规律相异，如固定 制的头带固定。

水平前后向振动激励时，附加水平左右向振动激励
会提高 STHT 水平前后向同轴响应的共振处幅值 [16] 。
上述研究表明单轴振动激励难以准确代表车辆振动
环境，将多种振动激励方向组合作为 ANN 模型输入
变量有助于提高模型泛化能力和应用范围。
研究发现，相同乘坐环境下性别、身高、体重等
(a) 无靠背 (b) 倾斜靠背 (c) 头部传感器佩戴
体征参数对 STHT 垂向同轴响应存在影响 [17] ，例如相 (a) Without backrest (b) With an inclined (c) An accelerometer
同体重条件下，男性的 STHT 垂向同轴共振频率显 contact backrest fixed to the forehead
著高于女性 [18] 。此外，年龄、BMI、体重等体征参数 图 1 试验设置图
对垂向同轴座椅传递率存在影响，例如垂向同轴座 Fig. 1 Experimental setup diagram

椅传递率的共振频率随着年龄的增加而增大 [19] 。因 表 1 试验工况
此，将多个体征参数作为模型输入有助于提升模型 Tab. 1 Experimental conditions

的泛化能力，但上述体征参数之间存在的相关性 [20-21] 激励轴工况
可能导致 ANN 模型对相似信息重复处理，并对不同 序号
Z激励/ Y激励/ Roll激励/
特 征 分 配 不 合 理 的 权 重， 从 而 降 低 模 型 的 预 测 精 (m·s r.m.s.) (m·s r.m.s.) (rad·s r.m.s.)
−2
−2
−2
度。当前缺乏对 ANN 模型的输入特征降维研究，且 1 0.4 — —
没有特征降维的 ANN 模型训练时间成本高 [22] 。因
2 0.4 0.4 —
此，合理选择降维方法以减少体征参数之间的冗余
3 0.4 — 0.4
信息，有助于提升 ANN 模型对不同乘坐环境下 STHT
4 0.4 0.4 0.4
的 预 测 精 度 和 效 率 。 研 究 表 明， 主 成 分 分 析 法
（principal component analysis， PCA） 能 有 效 分 析 去 除 本研究招募 14 名健康中国参试人员（10 男 4 女，
输入特征的线性关联 [23] ，而核主成分分析法（kernel 无骨骼肌肉疾病），其体征参数如表 2 所示。试验
principal component analysis，KPCA）作为 PCA 的扩展， 前，参试人员需阅读试验注意事项，并在弹性座椅上
能在高维空间中准确提取输入特征的有效信息 [24] ， 静坐 5 min 以稳定聚氨酯泡沫。试验时，参试人员坐
且 PCA 和 KPCA 与机器学习模型相互融合能提高模 在无靠背或倾斜靠背的座椅上，保持上半身直立或