[論文レビュー] Rapidly and accurately estimating brain strain and strain rate across head impact types with transfer learning and data fusion

Xianghao Zhan, Yuzhe Liu+5 more|arXiv (Cornell University)|Aug 31, 2021

Automotive and Human Injury Biomechanics参考文献 56被引用数 4

ひとこと要約

本研究では、トランスファーラーニングとデータ統合を組み合わせたアプローチを提案し、アメリカンフットボール、MMA、自動車衝突などの多様な頭部衝撃タイプにおいて、迅速かつ高精度に最大主ひずみ（MPS）およびひずみ率（MPSR）を予測する機械学習ヘッドモデル（MLHM）を訓練する。MPSの平均絶対誤差（MAE）は0.03未満、MPSRのMAEは7 s⁻¹未塔を達成し、シミュレーションデータや現地データにのみ訓練されたモデルを著しく上回る性能を発揮した。

ABSTRACT

Brain strain and strain rate are effective in predicting traumatic brain injury (TBI) caused by head impacts. However, state-of-the-art finite element modeling (FEM) demands considerable computational time in the computation, limiting its application in real-time TBI risk monitoring. To accelerate, machine learning head models (MLHMs) were developed, and the model accuracy was found to decrease when the training/test datasets were from different head impacts types. However, the size of dataset for specific impact types may not be enough for model training. To address the computational cost of FEM, the limited strain rate prediction, and the generalizability of MLHMs to on-field datasets, we propose data fusion and transfer learning to develop a series of MLHMs to predict the maximum principal strain (MPS) and maximum principal strain rate (MPSR). We trained and tested the MLHMs on 13,623 head impacts from simulations, American football, mixed martial arts, car crash, and compared against the models trained on only simulations or only on-field impacts. The MLHMs developed with transfer learning are significantly more accurate in estimating MPS and MPSR than other models, with a mean absolute error (MAE) smaller than 0.03 in predicting MPS and smaller than 7 (1/s) in predicting MPSR on all impact datasets. The MLHMs can be applied to various head impact types for rapidly and accurately calculating brain strain and strain rate. Besides the clinical applications in real-time brain strain and strain rate monitoring, this model helps researchers estimate the brain strain and strain rate caused by head impacts more efficiently than FEM.

研究の動機と目的

• 有限要素法（FEM）による脳のひずみとひずみ率推定の高い計算コストと、リアルタイム応用の限界を克服すること。
• 機械学習ヘッドモデル（MLHM）が、訓練データとは異なる現地の衝撃データに適用された際の一般化性能の低さを解消すること。
• シミュレーションデータと現地データの統合とトランスファーラーニングを用いて、アメリカンフットボール、MMA、自動車衝突などの多様な衝撃タイプにおいて、モデルの精度と耐性を向上させること。
• 頭部運動計測からMPSおよびMPSRを高精度に予測することで、リアルタイムかつ部位特異的なTBIリスクモニタリングを可能にすること。

提案手法

• 著者らは、アメリカンフットボール、MMA、自動車衝突からの13,623件のシミュレートされた頭部衝撃データと実地の現地データを組み合わせてMLHMを訓練した。
• トランスファーラーニングを採用し、まず大規模なシミュレーションデータでモデルを事前学習した後、各衝撃タイプの小規模な現地データセットで微調整した。
• データ統合は、シミュレーションデータと現地データの両方を同時に学習させることで、一般化性能を向上させた。
• 入力特徴量には、線形加速度、角速度、角加速度、角ジャージングが含まれており、これらは衝撃運動計測の時間的および周波数的特性を捉えるように設計された。
• モデルの性能は、全衝撃タイプにおけるMPSおよびMPSRの平均絶対誤差（MAE）を用いて評価された。
• 基準となる真値として、KTH有限要素モデルが脳のひずみとひずみ率の値を提供した。

実験結果

リサーチクエスチョン

• RQ1 トランスファーラーニングは、多様な現地の衝撃タイプにおける脳のひずみとひずみ率の予測精度を向上させることができるか？
• RQ2 シミュレーションデータと現地データの統合は、モデルの一般化性能と予測精度にどのように影響するか？
• RQ3 トランスファーラーニングで訓練されたMLHMは、シミュレーションデータや現地データにのみ訓練されたモデルを上回り、リアルタイムかつ高精度にMPSおよびMPSRを予測できるか？
• RQ4 エンジニアリングされた運動計測特徴量（加速度、角速度など）は、データが少ない状況でも、正確なひずみとひずみ率推定を支援する程度はどの程度か？

主な発見

• トランスファーラーニングで訓練されたMLHMは、全衝撃タイプにおいて最大主ひずみ（MPS）の予測で平均絶対誤差（MAE）が0.03未塔を達成した。
• 同様のモデルは、最大主ひずみ率（MPSR）の予測でもMAEが7 s⁻¹未塔を達成し、ひずみ率推定の高精度を示した。
• トランスファーラーニングに基づくモデルは、特に未学習の衝撃タイプにおいて、現地データにのみ、またはシミュレーションデータにのみ訓練されたモデルを著しく上回った。
• シミュレーションデータと現地データの統合により、モデルの耐性と一般化性能が向上し、多様な衝撃シナリオにおいても高精度な予測が可能になった。
• 提案されたMLHMは、有限要素法の計算負荷を克服し、全脳のひずみとひずみ率をリアルタイムで高速に計算可能にした。
• モデルは部位特異的なひずみとひずみ率の情報を提供し、従来の脳損傷基準よりも詳細なTBIリスクのバイオメカニカル分析を可能にした。