Seventeen concussive helmet-to-helmet impacts occurring in National Football League (NFL) games were analyzed using video footage and reconstructed by launching helmeted crash test dummies into each other in a laboratory. Helmet motion on-field and in the laboratory was tracked in 3D before, during, and after impact in multiple high frame rate video views. Multiple (3–10) tests were conducted for each of the 17 concussive cases (100 tests total) with slight variations in input conditions. Repeatability was assessed by duplicating one or two tests per case. The accuracy of the input conditions in each reconstruction was assessed based on how well the closing velocity, impact locations, and the path eccentricity of the dummy heads matched the video analysis. The accuracy of the reconstruction output was assessed based on how well the changes in helmet velocity (translational and rotational) from the impact matched the video analysis. The average absolute error in helmet velocity changes was 24% in the first test, 20% in the tests with the most accurate input configuration, and 14% in the tests with minimal error. Coefficients of variation in 22 repeated test conditions (1–2 per case) averaged 3% for closing velocity, 7% for helmet velocity changes, and 8% for peak head accelerations. Iterative testing was helpful in reducing error. A combination of sophisticated video analysis, articulated physical surrogates, and iterative testing was required to reduce the error to within half of the effect size of concussion.

使用视频片段分析了美国国家橄榄球联盟 (NFL) 比赛中发生的 17 次头盔对头盔的冲击，并通过在实验室中将头盔碰撞测试假人相互碰撞来重建。在多个高帧率视频视图中，在撞击之前、之中和之后，以 3D 方式跟踪现场和实验室中的头盔运动。对 17 个震荡案例（总共 100 个测试）中的每一个都进行了多次 (3-10) 次测试，输入条件略有不同。通过对每个案例重复一到两个测试来评估可重复性。每次重建中输入条件的准确性是根据闭合速度、撞击位置和假人头的路径偏心率与视频分析的匹配程度来评估的。重建输出的准确性是根据头盔速度（平移和旋转）的变化与视频分析的匹配程度来评估的。头盔速度变化的平均绝对误差在第一次测试中为 24%，在输入配置最准确的测试中为 20%，在误差最小的测试中为 14%。在 22 个重复测试条件下（每个案例 1-2 个）的变异系数平均为 3% 的闭合速度、7% 的头盔速度变化和 8% 的峰值头部加速度。迭代测试有助于减少错误。需要将复杂的视频分析、明确的物理替代物和迭代测试相结合，才能将误差降低到脑震荡效应大小的一半以内。头盔速度变化的平均绝对误差在第一次测试中为 24%，在输入配置最准确的测试中为 20%，在误差最小的测试中为 14%。在 22 个重复测试条件下（每个案例 1-2 个）的变异系数平均为 3% 的闭合速度、7% 的头盔速度变化和 8% 的峰值头部加速度。迭代测试有助于减少错误。需要将复杂的视频分析、明确的物理替代物和迭代测试相结合，才能将误差降低到脑震荡效应大小的一半以内。头盔速度变化的平均绝对误差在第一次测试中为 24%，在输入配置最准确的测试中为 20%，在误差最小的测试中为 14%。在 22 个重复测试条件下（每个案例 1-2 个）的变异系数平均为 3% 的闭合速度、7% 的头盔速度变化和 8% 的峰值头部加速度。迭代测试有助于减少错误。需要将复杂的视频分析、明确的物理替代物和迭代测试相结合，才能将误差降低到脑震荡效应大小的一半以内。在 22 个重复测试条件下（每个案例 1-2 个）的变异系数平均为 3% 的闭合速度、7% 的头盔速度变化和 8% 的峰值头部加速度。迭代测试有助于减少错误。需要将复杂的视频分析、明确的物理替代物和迭代测试相结合，才能将误差降低到脑震荡效应大小的一半以内。在 22 个重复测试条件下（每个案例 1-2 个）的变异系数平均为 3% 的闭合速度、7% 的头盔速度变化和 8% 的峰值头部加速度。迭代测试有助于减少错误。需要将复杂的视频分析、明确的物理替代物和迭代测试相结合，才能将误差降低到脑震荡效应大小的一半以内。