基于反向传播神经网络的棍棒类钝器打击速度预测

doi:10.12116/j.issn.1004-5619.2020.401108

摘要/Abstract

摘要：

目的分析并预测不同人群的棍棒类钝器打击速度范围，为法医学鉴定中钝器伤的损伤生物力学分析提供基础数据。方法以Photron FASTCAM SA3高速摄像机、Photron FASTCAM查看器4.0和SPSS 26.0软件为基础，计算并分析被测者的棍棒类钝器最大挥棒速度及相关因素，以此输入训练反向传播（back propagation，BP）神经网络，利用训练完成且经过验证的BP神经网络作为预测模型。结果共测试180例，测得470条数据。棍棒类钝器最大打击速度范围为11.30~35.99 m/s，其中女性数据122条，最大打击速度范围为11.63~29.14 m/s；男性数据348条，最大打击速度范围为20.11~35.99 m/s。棍棒类钝器最大打击速度随体质量、身高增大而增大，但在男性分组中并无明显增大趋势；最大打击速度随年龄增大而降低，但在女性分组中并无明显下降趋势；棍棒类钝器最大打击速度与其材质、打击姿势相关性无统计学意义。利用BP神经网络预测结果的均方根误差、平均绝对误差和决定系数（R²）分别为2.16、1.63和0.92。结论 BP神经网络预测模型能够满足预测不同人群的棍棒类钝器最大打击速度的需求。

关键词: 法医学, 生物力学, 有限元分析, 钝器, 打击, 反向传播神经网络

Abstract:

Objective To analyze and predict the striking velocity range of stick blunt instruments in different populations, and to provide basic data for the biomechanical analysis of blunt force injuries in forensic identification. Methods Based on the Photron FASTCAM SA3 high-speed camera, Photron FASTCAM Viewer 4.0 and SPSS 26.0 software, the tester’s maximum striking velocity of stick blunt instruments and related factors were calculated and analyzed, and inputed to the backpropagation （BP） neural network for training. The trained and verified BP neural network was used as the prediction model. Results A total of 180 cases were tested and 470 pieces of data were measured. The maximum striking velocity range was 11.30-35.99 m/s. Among them, there were 122 female data, the maximum striking velocity range was 11.63-29.14 m/s; there were 348 male data, the maximum striking velocity range was 20.11-35.99 m/s. The maximum striking velocity of stick blunt instruments increased with the increase of weight and height, but there was no obvious increase trend in the male group; the maximum striking velocity decreased with age, but there was no obvious downward trend in the female group. The maximum striking velocity of stick blunt instruments has no significant correlation with the material and strike posture. The root mean square error （RMSE）, the mean absolute error （MAE） and the coefficient of determination （R²） of the prediction results by using BP neural network were 2.16, 1.63 and 0.92, respectively. Conclusion The prediction model of BP neural network can meet the demand of predicting the maximum striking velocity of different populations.

Key words: forensic medicine, biomechanics, finite element analysis, blunt instrument, strike, back propagation neural networks

中图分类号:

DF795.1

李海岩, 李海防, 潘建宇, 崔世海, 何光龙, 贺丽娟, 吕文乐. 基于反向传播神经网络的棍棒类钝器打击速度预测[J]. 法医学杂志, 2022, 38(5): 573-578.

Hai-yan LI, Hai-fang LI, Jian-yu PAN, Shi-hai CUI, Guang-long HE, Li-juan HE, Wen-le LÜ. Strike Velocity Prediction of Stick Blunt Instruments Based on Backpropagation Neural Network[J]. Journal of Forensic Medicine, 2022, 38(5): 573-578.

图/表 9

图1 实验用两种钝器工具A：木棍；B：薄壁钢管。

Fig. 1 Two blunt tools used in the experiment

表1 实验用钝器参数

Tab. 1 Parameters of the experimental blunt

钝器	材料	外径/mm	内径/mm	长度/mm	质量/g
木棍	木	35	-	600	460
薄壁钢管	钢	30	28	600	420

图2 高速摄影试验场地布置A：示意图（俯视）；B：实验现场图。

Fig. 2 Schematic diagram of high-speed photography test site

表2 被测者年龄分布 (例)

Tab. 2 Age distribution of testers

年龄/岁	男性	女性
15~<25	83	17
25~<35	29	12
35~<45	8	9
45~<55	9	11
55~<65	1	1

表3 被测者身高分布

Tab. 3 Height distribution of testers

性别	身高/cm	例数
男性	160~<170	22
	170~<180	70
	180~<190	36
	190~<200	2
女性	156~<160	1
	160~<165	13
	165~<170	25
	170~<175	11

表4 被测者体质量分布

Tab. 4 Body mass distribution of testers

性别	体质量/kg	例数
男性	51~<60	19
	60~<70	45
	70~<80	41
	80~<90	20
	90~<100	3
	100~<110	2
女性	45~<50	10
	50~<55	17
	55~<60	11
	60~<65	9
	65~<70	2
	70~<75	1

图3 神经网络前向传播与反向传播?JW,b?bL(?W[L])代表对第L层的权值和偏置分别求偏导数。

Fig. 3 Forward and back propagation of neural network

表5 最大打击速度关于各因素的统计学分析

Tab. 5 Statistical analysis of maximum strike velocity on each factor

方法	因子	Pearson 相关系数	P值
Pearson相关性分析	年龄
	男性	-0.28	<0.05
	女性	0.18	<0.05
	总体	-0.27	<0.05
	身高
	男性	-0.03	<0.05
	女性	0.12	<0.05
	总体	0.44	<0.05
	体质量
	男性	-0.01	>0.05
	女性	0.26	<0.05
	总体	0.43	<0.05
单因素方差分析	性别	-	<0.05
	棍棒材质
	男性	-	>0.05
	女性	-	>0.05
	总体	-	>0.05
	打击姿势
	男性	-	>0.05
	女性	-	>0.05
	总体	-	>0.05

图4 BP神经网络预测结果A：模型1；B：模型2；C：模型3。

Fig. 4 BP neural network prediction results

参考文献 22

1	邵煜，邹冬华，刘宁国，等. 有限元方法在法医学颅脑损伤分析中的应用[J].法医学杂志，2010，26（6）：449-453. doi：10.3969/j.issn.1004-5619.2010.06.013 .
	SHAO Y， ZOU D H， LIU N G， et al. Application of finite element method in evaluation of craniocerebral trauma[J]. Fayixue Zazhi，2010，26（6）：449-453.
2	YOGANANDAN N， PINTAR F A， SANCES A JR， et al. Biomechanics of skull fracture[J]. J Neurotrauma，1995，12（4）：659-668. doi：10.1089/neu.1995.12.659 .
3	马竞. 棍棒类工具致伤颅骨的分析与研究[J].中国人民公安大学学报（自然科学版），2017，23（2）：17-20.
	MA J. Analysis and study of calvaria injured by stick tools[J]. Zhongguo Renmin Gongan Daxue Xuebao （Natural sciences），2017，23（2）：17-20.
4	ALCANTARA A L， ROSZLER M H， GUYOT A M， et al. Blunt head trauma： Comparison of various weapons with intracranial injury and neurologic outcome[J]. J Trauma，1994，37（4）：521-524.
5	LI K， YANG Y Q， WANG L J， et al. Establishment of a blunt impact-induced brain injury model in rabbits[J]. Chin J Traumatol，2012，15（2）：100-104. doi：10.3760/cma.j.issn.1008-1275.2012.02.007 .
6	LI K， WANG J W， LIU S X， et al. Biomechanical behavior of brain injury caused by sticks using finite element model and Hybrid-III testing[J]. Chin J Traumatol，2015，18（2）：65-73. doi：10.1016/j.cjtee.2015.03.004 .
7	HUANG J， PENG Y， YANG J K， et al. A study on correlation of pedestrian head injuries with physical parameters using in-depth traffic accident data and mathematical models[J]. Accid Anal Prev，2018，119：91-103. doi：10.1016/j.aap.2018.07.012 .
8	TRINH T X， HEINKE S， RODE C， et al. Maximum striking velocities in strikes with steel rods-the influence of rod length， rod mass and volunteer parameters[J]. Int J Leg Med，2018，132（2）：499-508. doi：10.1007/s00414-017-1734-z .
9	曹云星. 颅脑损伤及其成伤机制研究[D].沈阳：中国医科大学，2011.
	CAO Y X. Study on craniocerebral injury and its mechanism[D]. Shenyang： China Medical University，2011.
10	孙曙光，张铁成. 木棒他杀致颅骨骨折的法医学研究（附44例分析）[J].锦州医学院学报，1988，9（2）：131-132.
	SUN S G， ZHANG T C. Forensic study on skull fracture caused by stick homicide （analysis of 44 cases）[J]. Jinzhou Yixueyuan Xuebao，1988，9（2）：131-132.
11	高刘伟，张徐军，周义夕，等. BP神经网络在道路交通伤害预测应用的研究进展[J].伤害医学（电子版），2019，8（1）：53-57. doi：10.3868/j.issn.2095-1566.2019.01.010 .
	GAO L W， ZHANG X J， ZHOU Y X， et al. Research progress of BP neural network in prediction of road traffic injury[J]. Shanghai Yixue （Electronic version），2019，8（1）：53-57.
12	OMAR T， ESKANDARIAN A， BEDEWI N. Vehicle crash modelling using recurrent neural networks[J]. Math Comput Model，1998，28（9）：31-42. doi：10.1016/S0895-7177（98）00143-5 .
13	LANZI L C， BISAGNI C， RICCI S. Neural network systems to reproduce crash behavior of structural components[J]. Comput Struct，2004，82（1）：93-108. doi：10.1016/j.compstruc.2003.06.001 .
14	KOENIG K， MITCHELL N D， HANNIGAN T E， et al. The influence of moment of inertia on baseball/softball bat swing speed[J]. Sports Eng，2004，7（2）：105-117. doi：10.1007/BF02915922 .
15	KOIKE S， MIMURA K. Main contributors to the baseball bat head speed considering the generating factor of motion-dependent term[J]. Procedia Eng，2016，147：197-202. doi：10.1016/j.proeng.2016.06.213 .
16	ZHANG N， SHEN S L， ZHOU A N， et al. Investigation on performance of neural networks using quadratic relative error cost function[J]. IEEE Access，2019，7：106642-106652. doi：10.1109/ACCESS.2019.2930520 .
17	BAS E， USLU V R， EGRIOGLU E. Robust learning algorithm for multiplicative neuron model artificial neural networks[J]. Expert Syst Appl，2016，56：80-88. doi：10.1016/j.eswa.2016.02.051 .
18	MÜLLER K R， SMOLA A J， RÄTSCH G， et al. Predicting time series with support vector machines[M]//Nugent R. Lecture Notes in Computer Science. Heidelberg： Springer，2005：999-1004.
19	KRSTAJIC D， BUTUROVIC L J， LEAHY D E， et al. Cross-validation pitfalls when selecting and assessing regression and classification models[J]. J Cheminformatics，2014，6（1）：10. doi：10.1186/1758-2946-6-10 .
20	PILLONETTO G， DE NICOLAO G. Pitfalls of the parametric approaches exploiting cross-validation for model order selection[J]. IFAC Proc Vol，2012，45（16）：215-220. doi：10.3182/20120711-3-BE-2027.00147 .
21	SHI G， ZHANG J S， LI H R， et al. Enhance the performance of deep neural networks via L2 regularization on the input of activations[J]. Neural Process Lett，2019，50（1）：57-75. doi：10.1007/s11063-018-9883-8 .
22	PAROT A， MICHELL K， KRISTJANPOLLER W D. Using artificial neural networks to forecast exchange rate， including VAR-VECM residual analysis and prediction linear combination[J]. Intell Sys Acc Fin Mgmt，2019，26（1）：3-15. doi：10.1002/isaf.1440 .

[1]	安永明, 张志威, 关国鹏. 肺挫裂伤合并多发假性囊肿法医学鉴定1例[J]. 法医学杂志, 2023, 39(5): 519-522.
[2]	马安全, 马晓晨, 方俊杰. 会阴部外伤致睾丸萎缩鉴定1例[J]. 法医学杂志, 2023, 39(5): 528-530.
[3]	夏晴, 陈捷敏. 垂直压缩型踝关节骨折成伤机制分析2例[J]. 法医学杂志, 2023, 39(5): 525-527.
[4]	曾勇, 邹冬华, 范颖, 徐晴, 陶陆阳, 陈忆九, 李正东. 人体血管有限元建模及生物力学的研究进展与法医学应用[J]. 法医学杂志, 2023, 39(5): 471-477.
[5]	李强, 付志浩, 孙晓东, 黄效宇. 利用CT扫描测量法判断眼球内陷残疾评定1例[J]. 法医学杂志, 2023, 39(5): 516-518.
[6]	朱琨, 高东, 范利华. 腓骨骨纤维结构不良并骨折因果关系鉴定1例[J]. 法医学杂志, 2023, 39(5): 522-524.
[7]	林丹丹, 赵莉莉, 施芳芳, 陈雅婷, 潘国南. 二次交通伤致伤方式探讨1例[J]. 法医学杂志, 2023, 39(5): 530-534.
[8]	郝虹霞, 陈捷敏, 王荣荣, 俞晓英, 王萌, 周智露, 盛延良, 夏文涛. 虚拟现实-图像视觉诱发电位用于客观评定单眼屈光不正视觉损伤的价值[J]. 法医学杂志, 2023, 39(4): 382-387.
[9]	宋爱英, 赵翌博, 杨利君. 液相色谱-串联质谱法检验氟乙酸致死1例[J]. 法医学杂志, 2023, 39(4): 428-430.
[10]	张韦屹, 周旻. 岩斜区脑膜瘤切除术后长期昏迷医疗损害鉴定1例[J]. 法医学杂志, 2023, 39(4): 421-423.
[11]	白洁, 孙晶, 程晓光, 刘凡, 刘华, 王旭. 基于YOLOv3算法的肋骨骨折诊断模型的构建及应用[J]. 法医学杂志, 2023, 39(4): 343-349.
[12]	范飞, 武娟, 邓振华. 听力学客观检测技术在法医临床学中的应用进展[J]. 法医学杂志, 2023, 39(4): 360-366.
[13]	项剑, 王旭, 于丽丽, 靳康佳, 杨英恺. 视交叉及其后部视路损伤所致视野缺损的客观评定[J]. 法医学杂志, 2023, 39(4): 350-359.
[14]	王飞翔, 朱广友. 男性性功能障碍鉴定标准的研制及相关解读[J]. 法医学杂志, 2023, 39(4): 367-372.
[15]	高章明, 石景瑜, 曾皓, 张学军. UPLC-MS/MS快速测定血液中布桂嗪[J]. 法医学杂志, 2023, 39(4): 388-392.