Identification of head impact locations, speeds, and force based on head kinematics

要約

目的: 衝撃の方向、速度、力などの頭部衝撃情報は、外傷性脳損傷の研究、保護具の設計および評価に重要です。
この研究では、ヘルメットをかぶった際の頭部の運動学に基づいて、位置、速度、向き、力などの頭部衝撃情報を正確に予測するために開発された深層学習モデルを紹介します。
方法: Riddell ヘルメット有限要素モデルを使用してシミュレートされた 16,000 件のヘルメットをかぶった頭部衝撃のデータセットを活用し、長短期記憶 (LSTM) ネットワークを実装して、頭部の運動学 (3 軸の線形加速度および角速度) を処理しました。
結果: モデルは、衝撃の位置、方向、速度、衝撃力のプロファイルを記述する衝撃パラメータを正確に予測し、すべてのタスクで R2 が 70% を超えています。
さらなる検証は、衝撃位置を明確に特定できる 79 件の頭部衝撃から構成される、計測器付きマウスガードとビデオによって記録された現場データセットを使用して実施されました。
深層学習モデルは既存の手法を大幅に上回り、従来の手法では精度が低かったのに比べて、衝撃位置の特定において 79.7% の精度を達成しました (既存の手法の最高精度は 49.4%)。
結論: この精度は、より正確な衝撃データを提供することで、スポーツにおけるヘルメットのデザインと安全性を向上させるモデルの可能性を強調しています。
今後の研究では、モデルの精度を検証するために大規模な生体内データセットでさまざまなヘルメットやスポーツのモデルをテストし、その有効性を広げるために転移学習などの手法を使用する必要があります。

要約(オリジナル)

Objective: Head impact information including impact directions, speeds and force are important to study traumatic brain injury, design and evaluate protective gears. This study presents a deep learning model developed to accurately predict head impact information, including location, speed, orientation, and force, based on head kinematics during helmeted impacts. Methods: Leveraging a dataset of 16,000 simulated helmeted head impacts using the Riddell helmet finite element model, we implemented a Long Short-Term Memory (LSTM) network to process the head kinematics: tri-axial linear accelerations and angular velocities. Results: The models accurately predict the impact parameters describing impact location, direction, speed, and the impact force profile with R2 exceeding 70% for all tasks. Further validation was conducted using an on-field dataset recorded by instrumented mouthguards and videos, consisting of 79 head impacts in which the impact location can be clearly identified. The deep learning model significantly outperformed existing methods, achieving a 79.7% accuracy in identifying impact locations, compared to lower accuracies with traditional methods (the highest accuracy of existing methods is 49.4%). Conclusion: The precision underscores the model’s potential in enhancing helmet design and safety in sports by providing more accurate impact data. Future studies should test the models across various helmets and sports on large in vivo datasets to validate the accuracy of the models, employing techniques like transfer learning to broaden its effectiveness.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google