《Computational Biology and Chemistry》：Predictions of Seat-To-Head Transmissibility Based On Bayesian-Optimized Neural Network and Feature Selection
编辑推荐：
•
数据创新：首次利用垂直方向的线性座椅-to-head（头到座椅）传递率在受到双轴垂直和横向振动影响时的共振频率。
•
- •
数据创新：首次利用垂直方向的线性座椅-to-head（头到座椅）传递率在受到双轴垂直和横向振动影响时的共振频率。
- •
特征选择创新：首次应用L1范数和互信息（MI）算法来优化受试者身体特征的选取。L1范数方法通过在Lasso损失函数中引入惩罚项来处理线性关系，而MI方法评估受试者身体特征之间的线性和非线性统计依赖性。
- •
建模创新：用径向基函数神经网络（RBFNN）替代传统的人工神经网络，该网络训练速度更快，稳定性更强，并具有抑制过度拟合的局部响应机制，从而在预测受到双轴垂直和横向振动影响时垂直方向的线性座椅-to-head传递率的共振频率方面具有更优的泛化能力。
- •
超参数优化：集成贝叶斯优化技术自动识别RBFNN的最佳参数，包括隐藏层中心、高斯函数宽度及连接权重，从而提高了训练准确性和计算效率。
引言
长期暴露于全身振动与乘坐不适、晕动症以及脊椎退行性疾病有关（Krajnak, 2018; Zhao et al., 2023）。由于座椅-to-head传递率（STHT）被广泛用于表征低频振动从座椅传递到头部的情况（Bhiwapurkar et al. 2019），因此开发准确的模型来预测STHT对于研究乘坐不适至关重要。
动态模型需要针对特定座椅条件和受试者的人体测量参数进行参数调整，这限制了这些模型的泛化能力（Gao et al., 2026; Yadav et al., 2021）。为了克服这一限制，基于人工神经网络（ANN）的建模策略已被广泛用于STHT预测（Shuai et al. 2025）。Gohari等人采用基于ANN的方法进行垂直方向的线性座椅-to-head传递率预测，与集总模型的比较证实了ANN模型的高准确性（Gohari et al. 2012）。Slavica等人开发了一种基于ANN的方法来建模汽车座椅上的前后横向轴STHT，该模型能够在受试者身体特征和振动输入特征变化的情况下估计STHT（Saveljic et al. 2022）。径向基函数神经网络（RBFNN）训练时间更短，并且其隐藏单元中使用的距离依赖激活机制在估计过程中能更好地识别异常值（Devaraj and Roselyn, 2011; Gonzalez et al., 2019）。此外，贝叶斯优化可以减轻经验性调整超参数带来的准确性和效率降低问题（Lian et al. 2023）。因此，使用BO算法开发RBFNN模型可能能够在确保模型性能的同时有效减少时间成本。
虽然早期的研究主要集中在单轴振动上，但其范围有限，难以满足实际应用需求。因此，当前的研究越来越多地关注多轴激励下的振动（Sun et al. 2024）。频率加权的纵向和横向振动强度可能达到或超过铁路车辆中的垂直分量（Rahmatalla et al. 2023）。由于在双轴前后和垂直全身振动下测量的垂直方向线性和前后横向轴STHT与单轴振动下的测量结果不同（Mandapuram et al. 2012），基于单轴振动建立的模型在复杂负载环境中的应用范围有限。因此，有必要开发一种能够在双轴垂直和横向振动影响下预测垂直方向线性座椅-to-head传递率的RBFNN模型。
受试者的身体特征可能会影响STHT（Dewangan et al. 2013）。据报道，体重和BMI与在硬质座椅和弹性座椅上测量的垂直方向线性和前后横向轴STHT的主共振频率呈负相关。此外，研究表明，男性受试者在硬质座椅和弹性座椅上的垂直方向线性和前后横向轴STHT的主共振频率更高（Poulard et al., 2013; Yao et al., 2023）。结合更多的受试者身体特征输入可以提高模型的泛化性能。然而，受试者身体特征不仅复杂且变化较大，而且与STHT存在线性和非线性关系（Dewangan et al. 2018）。准确区分这些特征并为其分配适当的权重是困难的。因此，选择对STHT影响较大的受试者身体特征对于提高模型预测准确性至关重要。
将特征选择算法与预测模型相结合已成为选择重要输入特征的关键方法（Wang 2023）。L1范数特征选择优化算法利用系数的L1范数作为损失函数的惩罚项来处理线性问题（Liu and Jung 2024），而互信息（MI）特征选择算法则通过测量统计依赖性来评估线性和非线性关系（Bo et al. 2021）。因此，应用L1范数和互信息特征选择算法来选择对STHT影响较大的受试者身体特征。
主要目标是开发贝叶斯优化RBFNN模型，以预测在双轴垂直和横向振动影响下的垂直方向线性座椅-to-head传递率。受试者身体特征之间的耦合相关性可能导致预测模型中出现多重共线性。为解决这个问题，应用了L1范数和互信息特征选择算法来识别影响STHT的关键身体特征，从而减少冗余特征并提高模型预测准确性。比较了两种预测模型的结果，包括应用L1范数特征选择优化的贝叶斯优化RBFNN模型和应用互信息特征选择优化的贝叶斯优化RBFNN模型。
章节片段
实验设置
图1展示了实验装置的配置及所用设备。表1和表2总结了14名参与者在随机地面激励下的测试条件和物理属性。这些激励被指定为在1–10 Hz频率范围内具有恒定带宽的近似平缓加速度谱，以模拟随机路面激励。地面激励包括三个垂直水平（0.2、0.4和0.8 m/s2 r.m.s.），每个水平都同时施加。
基于L1范数的特征选择
研究发现影响STHT的受试者身体特征存在多重共线性，这降低了模型的预测准确性（Dewangan et al. 2013）。为解决这个问题，引入了L1范数特征选择算法。该方法将L1范数正则化引入目标函数，迫使估计系数逐渐趋近于零（Keutzer et al. 2022）。
基于贝叶斯优化模型的预测
贝叶斯优化算法用于确定RBFNN的最佳超参数配置。每次迭代后都会在验证集上记录性能指标，以动态跟踪优化过程中的模型性能。MI-BO-RBFNN在196次迭代后收敛，达到R2 = 0.9145、MAE = 0.1154、MBE =–0.0121、RMSE = 0.1682和MSE = 0.02829。同样，L1-BO-RBFNN在289次迭代后收敛，R2 = 0.9013、MAE =
结论
由于STHT的建模依赖于多种复杂的受试者身体特征，因此面临挑战。为此，开发了一个使用特征选择算法和贝叶斯优化优化的RBFNN模型来预测STHT。使用有效性标准验证了L1-BO-RBFNN和MI-BO-RBFNN模型在1–10 Hz范围内预测STHT的能力，特征选择算法能够捕捉线性和非线性关系
伦理合规性
本文中对动物或人类进行的研究实验已获得我们研究机构伦理委员会和负责机构的批准，遵循了所有必要的指导方针、法规、法律和伦理标准（适用于人类或动物）。
利益冲突
作者没有需要披露的相关财务或非财务利益。
（Dewangan et al., 2013; Mansfield et al., 2006; Wu et al., 2020; Zhang et al., 2024）
CRediT作者贡献声明
Zijia Liu：撰写 – 原始草稿。 Heng Shi：撰写 – 原始草稿。 Yuanfei Duan：撰写 – 审稿与编辑，撰写 – 原始草稿。 Xiangyu Chen：撰写 – 原始草稿。 Xiaolu Zhang：撰写 – 审稿与编辑，撰写 – 原始草稿，监督。 Yang Miao：撰写 – 审稿与编辑，撰写 – 原始草稿，监督。
致谢
作者声明在准备本手稿过程中未收到任何资金、资助或其他支持
Xiaolu Zhang | Yuanfei Duan | Xiangyu Chen | Zijia Liu | Heng Shi | Yang Miao
