运动学聚类实现头部撞击亚型划分以提升创伤性脑损伤预测
应用统计
2022-12-07 v1 机器学习
定量方法
组织与器官
摘要
创伤性脑损伤可由多种类型的头部撞击引起。然而，由于运动学特征不同，许多脑损伤风险估计模型无法泛化到人类可能遭受的各类撞击上。当前头部撞击亚型的定义基于撞击来源（如橄榄球、交通事故），这可能无法反映跨撞击来源的内在运动学相似性。为探究基于运动学的撞击亚型新定义，我们收集了来自仿真、大学橄榄球、综合格斗和赛车等各类来源的 3161 次头部撞击。我们应用 K-means 聚类，依据头部旋转运动学的 16 个标准化时间特征对撞击进行聚类。随后，我们开发了针对累积应变损伤（采用 15% 阈值）的亚型特异性岭回归模型，与混合不同来源撞击并仅建立一个模型的基线方法相比，估计精度显著提升（R^2 从 0.7 提高到 0.9）。为研究运动学特征的影响，我们基于回归精度给出了前三个关键特征（最大合角加速度、沿 z 轴的最大角加速度、沿 y 轴的最大线加速度），并使用逻辑回归找出划分亚型的各特征临界点。本研究使研究者能以数据驱动方式定义头部撞击亚型，从而获得更具泛化性的脑损伤风险估计。
引用
@article{arxiv.2108.03498,
title = {Kinematics clustering enables head impact subtyping for better traumatic brain injury prediction},
author = {Xianghao Zhan and Yiheng Li and Yuzhe Liu and Nicholas J. Cecchi and Olivier Gevaert and Michael M. Zeineh and Gerald A. Grant and David B. Camarillo},
journal= {arXiv preprint arXiv:2108.03498},
year = {2022}
}
备注
4 figures