基于AI的头部冲击动力学测量与卷积神经网络用于创伤性脑损伤预测

科学领域:

• 生物力学 生物力学
• 神经科学是一个神经科学.
• 机器学习 机器学习

背景情况:

• 用于测量头部冲击的可穿戴设备容易产生噪音,原因是身体接触不完美.
• 准确的头部冲击动力学对于监测创伤性脑损伤 (TBI) 风险至关重要.

研究的目的:

• 通过使用深度学习,从仪器口罩中改进头部冲击动力学测量.
• 通过先进的数据处理,加强创伤性脑损伤 (TBI) 风险监测.

主要方法:

• 开发了一维卷积神经网络 (1D-CNN) 模型,以消除口罩动力学数据 (线性加速,角速度).
• 对实验室模拟头部冲击,足球场上的足球冲击和死后人类受试者 (PMHS) 冲击的评估模型性能.
• 对动力学,脑损伤标准和组织层面的应变/应变率进行了评估.

主要成果:

• 否定的动力学显示了与参考数据的显著改善的相关性,并大幅减少了点向和峰值错误.
• 六个脑损伤标准的平均误差减少了82%.
• 对最大主要应变 (35%) 和应变率 (69%) 观察到显著的错误减少,对PMHS影响的准确性提高.

结论:

• 1D-CNN的模拟模型有效地减少了口罩衍生的头部动力学测量的错误.
• 开发的方法提供了一种新的方法,用于提高研究环境中的头部冲击数据的准确性.
• 为临床应用,建议对真实世界的人类影响数据进行进一步验证.