基于卷积神经网络对头部冲击动力学测量去噪的研究与应用

研究背景

轻度脑外伤（MTBI）是一种全球性的健康威胁。人类在诸如跌倒、交通事故和运动等情况下常面临MTBI的风险。据统计，2016年全球有超过2700万例脑外伤病例，其中80%为“轻度”脑外伤，即症状相对较轻但可能引发长期病理变化。MTBI病情分类通常通过格拉斯哥昏迷量表评分进行，分数高于12的患者被归类为轻度脑外伤患者。虽然急性期后症状可能迅速恢复，但长期来看患者可能会出现慢性创伤性脑病（CTE）等并发症。

为了量化头部冲击对脑的影响，研究人员开发了多种可穿戴传感器技术来测量头部运动学参数，这些系统包括头部冲击遥测系统（HITS）、XPatch、头带/头巾传感器以及装置在牙托上的传感器。然而，由于这些传感器与人体接口的固有不完美，它们本质上存在噪声问题，因此需要更高精度的测量方法。

论文来源

本文由Xianghao Zhan、Yuzhe Liu、Nicholas J. Cecchi等研究人员撰写，来自斯坦福大学生物工程系、北航生物科学与医疗工程学院等机构。这篇论文发表在2024年的IEEE Transactions on Biomedical Engineering期刊上，其目的是提供一种基于深度学习的一维卷积神经网络（1D-CNN）模型，用于对口腔护具测得的头部冲击运动学数据进行去噪，从而提高创伤性脑损伤（TBI）风险监测的准确性。

研究工作流程

本文描述了一项原始研究，主要包括以下几个阶段：

实验设置与数据收集

研究人员在实验室环境中使用一个含有Hybrid III颈部的下颌负载传感头部假人（ATD）来模拟头部冲击。冲击由空气压力加速的撞锤施加，并通过安装在头部假人重心（COG）处的高精度加速度计和陀螺仪传感器读取参考头部运动学数据。实验用标准协议和无重复协议收集了163个独立实验冲击。口腔护具数据经过滤波处理并与参考数据进行时间对齐。

一维卷积神经网络去噪模型的开发

研究团队设计了一个包含六层卷积核的1D-CNN模型，用于提取运动学信号的时序特征，并与参考信号进行对比。具体过程包括将整个数据集划分为训练集（113次冲击，70%）、验证集（25次冲击，15%）和测试集（25次冲击，15%），并通过滑动窗口进行数据增强。

大脑损伤标准的计算

为了评估去噪效应，研究人员计算了六种不同的大脑损伤标准（BIC），包括头部损伤标准（HIC）、头部损伤功率（HIP）、脑损伤阈值的广义加速度模型（GAMBIT）、严重指数（SI）、脑损伤标准（BRIC）及结合脑震荡概率（CP）。

基于有限元模型的脑应变和应变率计算

采用验证过的KTH有限元模型来计算脑组织水平的应变（MPS）和应变率（MPSR），并进一步应用逻辑回归损伤风险函数来预测脑震荡风险。

主要研究结果

运动学水平的模型性能

实验结果表明，1D-CNN模型去噪后的口腔护具测量数据与参考数据具有更高的相关性，峰值绝对误差和均方根误差相对减少达36%和56%，其中z轴线性加速度的均方根误差减少了56%，x轴角速度的峰值绝对误差减少了86%。

大脑损伤标准水平的模型性能

在六种大脑损伤标准中，四种标准的误差在去噪后显著减少，平均误差减少了82%。这些大脑损伤标准是头部冲击后快速量化脑损伤风险的有效方法。

组织水平应变和应变率水平的模型性能

在计算脑应变和应变率方面，1D-CNN模型同样表现出效能。去噪后的元素层MPS和MPSR估算误差显著减少（p<0.001），表明去噪能够更准确地检测高应变和高应变率区域。

实地足球冲击的模型盲测

在118个实地足球冲击数据上进行的盲测表明，去噪不仅降低了峰值运动学数据，还显著减少了全脑的MPS和MPSR。

人体冲击数据的模型性能

进一步测试了413次人体冲击中的去噪效果，发现对最噪的10%和5%冲击数据，去噪模型显著提高了测量精度，峰值角速度误差减少达75.6%和82.3%。

研究意义和价值

本文首次提出了基于深度学习的一维卷积神经网络用于头部运动学数据去噪的方法，有助于提高口腔护具测量数据的精度，可以为进一步的TBI诊断和研究提供更加准确的头部运动学测量数据。这一方法在应对头部冲击数据噪声问题上具有重要应用价值，尤其在实地运动等复杂场景中值得进一步验证和推广。 这项研究不仅在测试数据上展现了良好的去噪性能，还通过代码开源为其他研究者提供了模型开发和数据处理的具体方法。但在实际应用中，需要进一步使用真实人类受试者的数据进行验证，以确保模型在各种实际场景中的准确性和可靠性。