基于机器学习利用可测头部运动学谱密度进行头部撞击亚型分类
定量方法
2023-03-14 v3 机器学习
生物物理
摘要
目的：创伤性脑损伤可由头部撞击引起，但许多脑损伤风险估计模型对于患者可能遭受的各类撞击并非同样准确，且不同类型撞击的特征尚未被充分研究。我们通过运动学分类研究了不同头部撞击类型的谱特征。方法：分析了来自实验室重建、美式橄榄球、综合格斗和公开可用的车祸数据的 3,262 次头部撞击数据。构建了基于线性加速度和角速度的谱密度的随机森林分类器，用于分类头部撞击类型（例如橄榄球、车祸、综合格斗）。为测试分类器鲁棒性，从另外 5 个配备传感器的护齿中获得了 271 次实验室重建撞击。最后，利用该分类器构建了针对类型的近邻回归模型用于脑应变。结果：分类器在 1,000 次随机划分的训练集和测试集上达到了 96% 的中位数准确率。分类中最重要的特征包括低频和高频特征，以及线性加速度特征和角速度特征。不同头部撞击类型在低频和高频范围的谱密度分布不同（例如综合格斗撞击的谱密度在高频范围高于低频范围）。针对类型的回归显示出比无分类的基线模型普遍更高的 R^2 值。结论：基于机器学习的分类器能更好地理解不同运动中撞击运动学谱密度，并可应用于评估撞击模拟系统的质量和现场数据增强。
引用
@article{arxiv.2104.09082,
title = {Machine-learning-based head impact subtyping based on the spectral densities of the measurable head kinematics},
author = {Xianghao Zhan and Yiheng Li and Yuzhe Liu and Nicholas J. Cecchi and Samuel J. Raymond and Zhou Zhou and Hossein Vahid Alizadeh and Jesse Ruan and Saeed Barbat and Stephen Tiernan and Olivier Gevaert and Michael M. Zeineh and Gerald A. Grant and David B. Camarillo},
journal= {arXiv preprint arXiv:2104.09082},
year = {2023}
}
备注
33 pages, 5 figures