[논문 리뷰] Rapidly and accurately estimating brain strain and strain rate across head impact types with transfer learning and data fusion

Xianghao Zhan, Yuzhe Liu외 5명|arXiv (Cornell University)|2021. 08. 31.

Automotive and Human Injury Biomechanics참고 문헌 56인용 수 4

한 줄 요약

이 연구는 전이 학습과 데이터 융합 기반의 기계학습 헤드 모델(MLHM)을 개발하여 미식축구, MMA, 자동차 사고 등 다양한 헤드 충격 유형에서 최대 주응력(MPS)과 주응력률(MPSR)을 신속하고 정확하게 예측하는 방법을 제안한다. 이 모델은 MPS의 평균 절대 오차(MAE)가 0.03 이하, MPSR의 평균 절대 오차(MAE)가 7 s⁻¹ 이하로 나타나, 단순 시뮬레이션 또는 현장 데이터로만 훈련된 모델보다 뛰어난 성능을 보였다.

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.

연구 동기 및 목표

• 유한요소모델링(FEM)이 뇌의 응력과 응력률을 추정하는 데 있어 높은 계산 비용을 유발하고 실시간 적용이 어려운 문제를 해결하기 위해.
• 기계학습 헤드 모델(MLHM)이 훈련 데이터와 다른 현장 충격 데이터에 적용되었을 때 일반화 능력이 떨어지는 문제를 해결하기 위해.
• 시뮬레이션 및 현장 데이터 융합과 전이 학습을 통해 다양한 충격 유형—예: 미국 미식축구, MMA, 자동차 사고—에 대해 정확하고 견고한 모델 성능을 향상시키기 위해.
• 헤드 운동학적 데이터에서 MPS와 MPSR를 정확히 예측함으로써 실시간으로 지역별 뇌 손상 위험을 모니터링할 수 있도록 하기 위해.

제안 방법

• 저자는 미국 미식축구, MMA, 자동차 사고에서 확보한 실제 현장 충격 데이터와 13,623건의 시뮬레이션된 헤드 충격 데이터를 조합하여 MLHM을 훈련시켰다.
• 모델은 대규모 시뮬레이션 데이터로 사전 훈련한 후, 각 충격 유형의 작은 현장 데이터셋으로 미세조정하는 전이 학습 기법을 적용하였다.
• 데이터 융합은 시뮬레이션 및 현장 데이터를 동시에 훈련에 활용하여 일반화 능력을 향상시키기 위해 구현되었다.
• 입력 특징으로는 선형 가속도, 각속도, 각가속도, 각가속도 변화율(angular jerk)을 포함하였으며, 이는 충격 운동학의 시간적 및 주파수 특성을 잘 반영하도록 설계되었다.
• 모델 성능 평가는 모든 충격 유형에서 MPS와 MPSR에 대한 평균 절대 오차(MAE)를 사용하여 평가되었다.
• 기준값으로 KTH 유한요소 모델을 사용하여 진정된 응력과 응력률 값을 확보하였다.

실험 결과

연구 질문

• RQ1 전이 학습은 다양한 현장 충격 유형에서 뇌의 응력과 응력률을 예측하는 MLHM의 정확도를 향상시킬 수 있는가?
• RQ2 시뮬레이션 및 현장 충격 데이터 간의 데이터 융합은 모델의 일반화 능력과 예측 정확도에 어떤 영향을 미치는가?
• RQ3 전이 학습을 통해 훈련된 MLHM은 단순히 시뮬레이션 또는 현장 데이터로만 훈련된 모델보다 실시간으로 MPS와 MPSR를 정확하게 예측할 수 있는가?
• RQ4 공학적으로 설계된 운동학적 특징(가속도, 각속도 등)은 데이터가 적은 상황에서도 응력과 응력률 추정에 얼마나 기여하는가?

주요 결과

• 전이 학습을 통해 훈련된 MLHM은 모든 충격 유형에서 최대 주응력(MPS) 예측 시 평균 절대 오차(MAE)가 0.03 이하로 나타났다.
• 동일한 모델은 최대 주응력률(MPSR) 예측 시 평균 절대 오차(MAE)가 7 s⁻¹ 이하로 나타나 응력률 추정에 높은 정확도를 보였다.
• 전이 학습 기반 모델은 특히 새로운 충격 유형에 대해 현장 데이터로만 훈련된 모델이나 시뮬레이션 데이터로만 훈련된 모델보다 뚜렷이 뛰어난 성능을 보였다.
• 시뮬레이션 및 현장 데이터의 융합은 모델의 견고성과 일반화 능력을 향상시켜 다양한 충격 상황에서 정확한 예측을 가능하게 하였다.
• 제안된 MLHM은 유한요소모델링(FEM)의 계산 부담을 극복하고 전체 뇌의 응력과 응력률을 실시간으로 신속하게 계산할 수 있도록 하였다.
• 모델은 지역별 응력과 응력률 정보를 제공하여 기존의 뇌 손상 기준보다 더 세밀한 뇌 손상 위험 생물역학 분석을 가능하게 하였다.