Abstract

Acute subdural hematomas (ASDHs) caused by vehicle collisions are common brain injuries that suffers prone to disability and death. However, there is currently no commonly accepted evaluation index for ASDHs, such as the head injury criterion (HIC) for evaluating skull injuries and the brain injury criteria (BrIC, BRIC) for evaluating diffuse axonal injuries. Therefore, we established a set of ASDH indexes (ASDHIs) based on the genetic algorithm for different biomechanical metrics and developed an ASDH prediction model based on an artificial neural network learning (ANN-L). First, simulation models were built using 218 sets of crash test data and the simulated injury monitor model (SIMon). We calculated the correlation coefficients between the kinematic parameters, such as the translational and rotational acceleration, and the biomechanical metrics, such as the intracranial pressure and strain of the bridging vein. The effect of some outlier data is removed using a combination of K-Nearest Neighbor and quadratic regression. We screened some parameters with strong correlations and calculated their weight factors based on the genetic algorithm to establish a set of evaluation indexes for ASDHs. Comparing with 19 existed injury criteria, the results show that each established ASDHI has a higher correlation than these traditional criteria, and also indicate that the evaluation performance of each established ASDHI is advantageous. Finally, on the basis of these established ASDHIs, we built an accurate prediction model of ASDHs using ANN-L, which makes it possible to realize the prediction of ASDHs by only depending on kinematic responses.

摘要

由车辆碰撞引起的急性硬膜下血肿 (ASDH) 是常见的脑损伤，容易导致残疾和死亡。但目前尚无公认的ASDHs评价指标，如评价颅骨损伤的颅脑损伤标准（HIC）和评价弥漫性轴索损伤的脑损伤标准（BrIC、BRIC）等。因此，我们针对不同的生物力学指标建立了一套基于遗传算法的 ASDH 指标（ASDHI），并开发了基于人工神经网络学习（ANN-L）的 ASDH 预测模型。首先，使用 218 组碰撞测试数据和模拟伤害监测模型 (SIMon) 构建了仿真模型。我们计算了运动学参数之间的相关系数，例如平移和旋转加速度，以及生物力学指标，例如桥静脉的颅内压和应变。使用 K-Nearest Neighbor 和二次回归的组合消除了一些异常值数据的影响。我们筛选出一些相关性较强的参数，并基于遗传算法计算其权重因子，建立一套ASDHs评价指标。与现有的19个损伤标准进行比较，结果表明，每一个建立的ASDHI都比这些传统的标准具有更高的相关性，也表明每一个建立的ASDHI的评价性能都是有利的。最后，在这些已建立的 ASDHIs 的基础上，我们利用 ANN-L 建立了一个准确的 ASDHs 预测模型，使得仅依靠运动学响应来实现 ASDHs 的预测成为可能。例如桥静脉的颅内压和应变。使用 K-Nearest Neighbor 和二次回归的组合消除了一些异常值数据的影响。我们筛选出一些相关性较强的参数，并基于遗传算法计算其权重因子，建立一套ASDHs评价指标。与现有的19个损伤标准进行比较，结果表明，每一个建立的ASDHI都比这些传统的标准具有更高的相关性，也表明每一个建立的ASDHI的评价性能都是有利的。最后，在这些已建立的 ASDHIs 的基础上，我们利用 ANN-L 建立了一个准确的 ASDHs 预测模型，使得仅依靠运动学响应来实现 ASDHs 的预测成为可能。例如桥静脉的颅内压和应变。使用 K-Nearest Neighbor 和二次回归的组合消除了一些异常值数据的影响。我们筛选出一些相关性较强的参数，并基于遗传算法计算其权重因子，建立一套ASDHs评价指标。与现有的19个损伤标准进行比较，结果表明，每一个建立的ASDHI都比这些传统的标准具有更高的相关性，也表明每一个建立的ASDHI的评价性能都是有利的。最后，在这些已建立的 ASDHIs 的基础上，我们利用 ANN-L 建立了一个准确的 ASDHs 预测模型，使得仅依靠运动学响应来实现 ASDHs 的预测成为可能。使用 K-Nearest Neighbor 和二次回归的组合消除了一些异常值数据的影响。我们筛选出一些相关性较强的参数，并基于遗传算法计算其权重因子，建立一套ASDHs评价指标。与现有的19个损伤标准进行比较，结果表明，每一个建立的ASDHI都比这些传统的标准具有更高的相关性，也表明每一个建立的ASDHI的评价性能都是有利的。最后，在这些已建立的 ASDHIs 的基础上，我们利用 ANN-L 建立了一个准确的 ASDHs 预测模型，使得仅依靠运动学响应来实现 ASDHs 的预测成为可能。使用 K-Nearest Neighbor 和二次回归的组合消除了一些异常值数据的影响。我们筛选出一些相关性较强的参数，并基于遗传算法计算其权重因子，建立一套ASDHs评价指标。与现有的19个损伤标准进行比较，结果表明，每一个建立的ASDHI都比这些传统的标准具有更高的相关性，也表明每一个建立的ASDHI的评价性能都是有利的。最后，在这些已建立的 ASDHIs 的基础上，我们利用 ANN-L 建立了一个准确的 ASDHs 预测模型，使得仅依靠运动学响应来实现 ASDHs 的预测成为可能。我们筛选出一些相关性较强的参数，并基于遗传算法计算其权重因子，建立一套ASDHs评价指标。与现有的19个损伤标准进行比较，结果表明，每一个建立的ASDHI都比这些传统的标准具有更高的相关性，也表明每一个建立的ASDHI的评价性能都是有利的。最后，在这些已建立的 ASDHIs 的基础上，我们利用 ANN-L 建立了一个准确的 ASDHs 预测模型，使得仅依靠运动学响应来实现 ASDHs 的预测成为可能。我们筛选出一些相关性较强的参数，并基于遗传算法计算其权重因子，建立一套ASDHs评价指标。与现有的19个损伤标准进行比较，结果表明，每一个建立的ASDHI都比这些传统的标准具有更高的相关性，也表明每一个建立的ASDHI的评价性能都是有利的。最后，在这些已建立的 ASDHIs 的基础上，我们利用 ANN-L 建立了一个准确的 ASDHs 预测模型，使得仅依靠运动学响应来实现 ASDHs 的预测成为可能。结果表明，与这些传统标准相比，每个已建立的 ASDHI 具有更高的相关性，也表明每个已建立的 ASDHI 的评估性能都具有优势。最后，在这些已建立的 ASDHIs 的基础上，我们利用 ANN-L 建立了一个准确的 ASDHs 预测模型，使得仅依靠运动学响应来实现 ASDHs 的预测成为可能。结果表明，与这些传统标准相比，每个已建立的 ASDHI 具有更高的相关性，也表明每个已建立的 ASDHI 的评估性能都具有优势。最后，在这些已建立的 ASDHIs 的基础上，我们利用 ANN-L 建立了一个准确的 ASDHs 预测模型，使得仅依靠运动学响应来实现 ASDHs 的预测成为可能。