近年来,汽车保有量每年都呈上升趋势,随之而来的交通事故等问题也越发显著,因此如何减轻由于交通事故造成的人员损伤和快速有效救助伤员成为了当前研究热点。本文基于真实事故案例,深入分析事故原因,探究驾驶员伤情影响因素,利用PSO-BP神经网络建立驾驶员损伤预测模型,快速预测事故发生后驾驶员的受伤情况,高效利用急救“黄金时间”,从而降低驾驶员的死亡率。首先,详细介绍EDR数据,然后在NHTSA-SCI数据库中筛选碰撞类型为正面碰撞且具有EDR数据的事故案例,共计365例。再从人、车辆、道路以及环境四个方面详细分析事故案例中记录的信息,探究驾驶员损伤因素,结果显示当驾驶舱内最大侵入量大于30cm时,驾驶员重伤的比例大幅度增加;当纵向最大速度差ΔV越大时,驾驶员重伤比例越高;当驾驶员未佩戴安全带以及安全气囊未被激活展开时,驾驶员受到重伤的占比约为60.2%与66.7%。接下来通过相关性分析法证明EDR数据中包含的纵向最大速度差ΔV、安全带佩戴情况、以及安全气囊展开情况与驾驶员损伤情况显著相关,因此将这三种参数作为驾驶员损伤预测模型的输入。其次,通过Hypermesh、LS-Dyna仿真车辆100%正面碰撞刚性壁,得出驾驶员座椅地板处加速度随时间变化的曲线图,并作为边界条件导入到建立好的Madymo驾驶舱模型中,得出在不同的碰撞速度、不同的约束参数下驾驶员头部HIC36值与胸部CTI值,该实验结果作为驾驶员损伤预测模型所需的数据集。另外损伤结果显示50ms平均加速度越大时,驾驶员头部HIC36值与胸部CTI值越高,所以也将50ms平均加速度作为驾驶员预测模型的输入,同时模型的输出设为驾驶员头部HIC36值对应的AIS等级与胸部CTI值对应的AIS等级。最后,利用BP神经网络、PSO-BP神经网络搭建驾驶员损伤预测模型,结果表明BP神经网络模型预测头部损伤值时的平均绝对值误差为11.05%、预测胸部损伤值时的平均绝对值误差为12.56%;PSO-BP神经网络模型预测头部损伤值时的平均绝对值相对误差为6.2%、预测胸部损伤值时的平均绝对值误差为5.7%。经过对比本文搭建的PSO-BP神经网络损伤预测模型,在50件事故案例中,有37例的预测结果与真实损伤情况一致,有7例预测值高于真实损伤值,有6例预测值低于真实损伤值,且AUC值为0.739,表明该模型具有较好预测效果。