脑变形估计与转移学习的头部冲击数据集跨冲击类型的影响

科学领域:

• 生物力学 生物力学
• 计算建模计算建模
• 神经科学是一个神经科学.

背景情况:

• 机器学习头部模型 (MLHMs) 加快大脑应变和应变率计算,这是创伤性脑损伤 (TBI) 的关键预测因素.
• 随着各种类型的头部撞击 (例如汽车撞击,足球),MLHM的准确性下降,限制了它们在现实世界的应用.
• 针对特定冲击类型的小型数据集阻碍了准确,专业的MLHM的开发.

研究的目的:

• 开发强大的MLHM,适用于各种头部撞击类型.
• 为了提高最大主应变 (MPS) 和最大主应变率 (MPSR) 的预测准确度.
• 通过使用先进的机器学习技术,克服特定影响类型的数据限制.

主要方法:

• 提出了数据融合和转移学习策略,以创建一系列MLHM.
• 在各种数据集上测试模型,包括美国足球,混合武术和重建汽车撞车影响.
• 基于MPS和MPSR预测的平均绝对误差 (MAE) 的评估模型性能.

主要成果:

• 使用转移学习开发的MLHMs在所有测试的影响数据集中在估计MPS和MPSR方面表现出明显更高的准确性.
• 获得的MAE为MPS低于0.03和MPSR低于[公式:参见文本].
• 基于转移学习的模型在使用估计的MPS和MPSR的脑震荡检测中显示出高性能.

结论:

• 使用转移学习开发的MLHM可以应用于各种头部撞击类型,以快速准确地计算大脑应变/应变率.
• 这种方法使MLHM开发成为可能,即使对特定头部撞击类型的数据有限.
• 加快MLHMs在TBI研究和预防中的更广泛应用.