适应性机器学习头部模型跨不同的头部冲击类型使用无监督的域名适应和生成对抗网络

科学领域:

• 生物力学 生物力学
• 计算神经科学是一种神经科学.
• 机器学习 机器学习

背景情况:

• 机器学习头模型 (MLHMs) 估计脑变形用于创伤性脑损伤 (TBI) 检测.
• 目前的MLHMs因模拟数据的过度适应而受到影响,并且由于数据集的转移而降低了准确性,从而限制了临床使用.

研究的目的:

• 开发一种改进的MLHM,集成无监督域适应,以准确预测全脑最大主要应变 (MPS) 和MPS速率 (MPSR).
• 通过更可靠的脑变形估计,增强TBI检测能力.

主要方法:

• 用无监督域适应技术配置了一个深度神经网络,包括域规范化组件分析 (DRCA) 和循环-GAN.
• 该模型使用广泛的模拟和真实世界的头部冲击数据集 (12,780模拟,302大学足球,457次MMA冲击) 进行了训练和验证.
• 通过将MPS和MPSR估计准确度与基线模型和TBI值进行比较来评估性能.

主要成果:

• 在不同影响数据集中,DRCA方法在MPS和MPSR估计准确度方面表现优异 (例如,CF的MPSMAE为0.017,MMA为0.020).
• DRCA模型在大学足球和拳击影响的保留测试集上显著超过了基线模型.
• 实现的MPS/MPSR估计错误大大低于之前报告的TBI检测值.

结论:

• 拟议的MLHM与DRCA无监督域适应有效地解决了MLHM开发中的过和分布转移问题.
• 这种方法可以准确地估计大脑变形,这对于TBI的早期临床检测至关重要.
• 这些发现支持了先进的MLHM在TBI诊断中的广泛临床应用的潜力.