[论文解读] 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 4

一句话总结

本研究提出了一种迁移学习与数据融合方法，用于训练机器学习头模型（MLHMs），以快速且准确地预测各类头部撞击类型（如美式橄榄球、综合格斗和汽车碰撞）下的最大主应变（MPS）与应变率（MPSR），在MPS预测上的平均绝对误差（MAE）低于0.03，在MPSR预测上的MAE低于7 s⁻¹，显著优于仅基于仿真或现场数据训练的模型。

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.

研究动机与目标

• 为克服有限元建模（FEM）在脑应变与应变率估计中计算成本高且难以实现实时应用的问题。
• 解决机器学习头模型（MLHMs）在应用于与训练数据不同的现场撞击数据时泛化能力差的问题。
• 通过数据融合与迁移学习，提升模型在多样化撞击类型（如美式橄榄球、综合格斗和汽车碰撞）下的准确性与鲁棒性。
• 通过准确预测头部运动学数据中的MPS与MPSR，实现实时、区域特定的创伤性脑损伤（TBI）风险监测。

提出的方法

• 作者结合13,623次模拟头部撞击数据与来自美式橄榄球、综合格斗和汽车碰撞的真实现场撞击数据，训练MLHMs。
• 采用迁移学习策略，先在大规模模拟数据上进行预训练，再针对每类撞击类型在较小的现场数据集上进行微调。
• 通过同时在模拟数据与现场数据上联合训练模型，实现数据融合，以提升泛化能力。
• 输入特征包括线性加速度、角速度、角加速度与角加加速度，经工程化设计以捕捉撞击运动学的时间域与频域特性。
• 通过所有撞击类型下MPS与MPSR的平均绝对误差（MAE）评估模型性能。
• KTH有限元模型用作真实应变与应变率值的参考基准。

实验结果

研究问题

• RQ1 迁移学习能否提升MLHMs在多样化现场撞击类型下预测脑应变与应变率的准确性？
• RQ2 模拟与现场撞击数据之间的数据融合如何影响模型的泛化能力与预测准确性？
• RQ3 通过迁移学习训练的MLHMs能否实现实时、高精度的MPS与MPSR预测，且优于仅基于仿真或仅基于现场数据训练的模型？
• RQ4 在数据量有限的场景下，工程化设计的运动学特征（如加速度、角速度等）在多大程度上支持准确的应变与应变率估计？

主要发现

• 采用迁移学习训练的MLHMs在所有撞击类型下预测最大主应变（MPS）的平均绝对误差（MAE）低于0.03。
• 相同模型在预测最大主应变率（MPSR）时，MAE低于7 s⁻¹，显示出应变率估计的高精度。
• 基于迁移学习的模型显著优于仅在真实现场数据或仅在模拟数据上训练的模型，尤其在未见撞击类型上表现更优。
• 模拟与现场数据的融合增强了模型的鲁棒性与泛化能力，使其能在多样化撞击场景中实现准确预测。
• 所提出的MLHMs可实现实时、全脑应变与应变率的快速计算，克服了有限元建模的计算负担。
• 模型可提供区域特定的应变与应变率信息，支持比传统脑损伤评估标准更精细的创伤性脑损伤风险生物力学分析。