头部撞击运动学的低秩表示：一种数据驱动模拟器

鉴于绝大多数脑损伤指标以头部运动学为输入，撞击诱发的头部运动已被视为脑损伤预测中最重要的度量之一。近来，研究者聚焦于使用机器学习等快速方法实时近似脑变形，以用于早期脑损伤诊断。然而，这些方法需要大量运动学测量，因而在现有有限的现场测量数据下需进行数据增强。本研究提出一种基于主成分分析的方法，以低计算成本模拟头部撞击运动学的经验低秩替代。在表征我们现有的由 537 次头部撞击组成、含 6 自由度测量的数据集时，我们发现仅少数模态（例如角速度情形下 15 个）即足以精确重建整个数据集。此外，这些模态以低频为主，因为超过 70% 至 90% 的角速度响应可由频率低于 40Hz 的模态捕获。我们将所提方法与现有撞击参数化方法比较，并表明在使用一系列基于运动学的指标（如头部损伤准则和旋转损伤准则（RIC））以及脑组织变形指标（如脑角度度量、最大主应变（MPS）和轴纤维应变（FS））时，损伤预测性能显著更优。在所有情形下，我们的方法复现了与真值测量无显著差异的损伤指标，而现有方法获得了显著差异（p<0.01）的值以及较差的损伤分类灵敏度和特异度。该模拟器将使我们能够提供必要的数据增强，以构建任意规模的头部撞击运动学数据集。