論文の概要: Classification of head impacts based on the spectral density of measurable kinematics

• arxiv url: http://arxiv.org/abs/2104.09082v1
• Date: Mon, 19 Apr 2021 06:58:43 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-21 01:32:08.795491
• Title: Classification of head impacts based on the spectral density of measurable kinematics
• Title（参考訳）: 測定可能な運動学のスペクトル密度に基づく頭部衝撃の分類
• Authors: Xianghao Zhan, Yiheng Li, Yuzhe Liu, Nicholas J. Cecchi, Samuel J. Raymond, Zhou Zhou, Hossein Vahid Alizadeh, Jesse Ruan, Saeed Barbat, Stephen Tiernan, Olivier Gevaert, Michael M. Zeineh, Gerald A. Grant, David B. Camarillo
• Abstract要約: 外傷性脳損傷は頭部の損傷によって引き起こされる。 脳損傷リスク推定モデルは、患者が実施する可能性のあるさまざまな影響に対して精度が低い。 データは,頭部モデルシミュレーションによる3262頭部衝撃,アメリカンフットボールおよび混合格闘技のオンフィールドデータから分析した。
• 参考スコア（独自算出の注目度）: 4.784679555552413
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Traumatic brain injury can be caused by head impacts, but many brain injury risk estimation models are less accurate across the variety of impacts that patients may undergo. In this study, we investigated the spectral characteristics of different head impact types with kinematics classification. Data was analyzed from 3262 head impacts from head model simulations, on-field data from American football and mixed martial arts (MMA) using our instrumented mouthguard, and publicly available car crash data. A random forest classifier with spectral densities of linear acceleration and angular velocity was built to classify different types of head impacts (e.g., football, MMA), reaching a median accuracy of 96% over 1000 random partitions of training and test sets. Furthermore, to test the classifier on data from different measurement devices, another 271 lab-reconstructed impacts were obtained from 5 other instrumented mouthguards with the classifier reaching over 96% accuracy from these devices. The most important features in classification included both low-frequency and high-frequency features, both linear acceleration features and angular velocity features. It was found that different head impact types had different distributions of spectral densities in low-frequency and high-frequency ranges (e.g., the spectral densities of MMA impacts were higher in high-frequency range than in the low-frequency range). Finally, with head impact classification, type-specific, nearest-neighbor regression models were built for 95th percentile maximum principal strain, 95th percentile maximum principal strain in corpus callosum, and cumulative strain damage (15th percentile). This showed a generally higher R^2-value than baseline models without classification.
• Abstract（参考訳）: 外傷性脳損傷は頭部の衝撃によって引き起こされる可能性があるが、多くの脳損傷リスク推定モデルは、患者が経験する様々な影響よりも正確ではない。 本研究では,キネマティクス分類による異なる頭部衝撃種のスペクトル特性について検討した。 頭部モデルシミュレーションによる3262件の頭部衝撃、american football and mixed martial arts(mma)のオンフィールドデータ、および一般公開された自動車事故データから分析した。 線形加速度と角速度のスペクトル密度を持つランダム森林分類器は、異なる種類の頭部衝撃(例えば、フットボール、MMA)を分類するために構築され、トレーニングとテストセットのランダム分割の96%の精度に達した。 さらに, 異なる測定装置のデータを用いて分類器をテストするために, 分類器が96%以上の精度に達する他の5つの計測マウスガードから271個のラボ再構成衝撃が得られた。 分類における最も重要な特徴は、低周波と高周波の両方の特徴、線形加速度特性と角速度特徴である。 その結果,低周波帯と高周波帯のスペクトル密度の分布が異なることが分かった(例えば,低周波帯よりも高周波帯のスペクトル密度が高かった)。 最後に, 頭部衝撃分類, タイプ特異的, 近接回帰モデルを構築し, 95%の最大主ひずみ, 95%の最大主ひずみ, 累積ひずみ損傷(15。 これは分類のないベースラインモデルよりも一般的に高いr^2値を示した。

関連論文リスト

• Identification of head impact locations, speeds, and force based on head kinematics [1.6562617234384265]
  本研究では,頭部衝撃情報を正確に予測する深層学習モデルを提案する。 モデルは、衝突位置、方向、速度、衝撃力プロファイルを記述する影響パラメータを正確に予測する。 このモデルは既存の手法を著しく上回り、衝突箇所の特定において79.7%の精度を達成した。
  論文  参考訳（メタデータ） (2024-09-12T16:07:15Z)
• Understanding the Detrimental Class-level Effects of Data Augmentation [63.1733767714073]
  最適な平均精度を達成するには、ImageNetで最大20%の個々のクラスの精度を著しく損なうコストがかかる。 本稿では,DAがクラスレベルの学習力学とどのように相互作用するかを理解するためのフレームワークを提案する。 そこで本研究では, クラス条件拡張戦略により, 負の影響を受けるクラスの性能が向上することを示す。
  論文  参考訳（メタデータ） (2023-12-07T18:37:43Z)
• How Does Pruning Impact Long-Tailed Multi-Label Medical Image Classifiers? [49.35105290167996]
  プルーニングは、ディープニューラルネットワークを圧縮し、全体的なパフォーマンスに大きな影響を及ぼすことなく、メモリ使用量と推論時間を短縮する強力なテクニックとして登場した。 この研究は、プルーニングがモデル行動に与える影響を理解するための第一歩である。
  論文  参考訳（メタデータ） (2023-08-17T20:40:30Z)
• Denoising instrumented mouthguard measurements of head impact kinematics with a convolutional neural network [1.3280207637024473]
  ヘッドキネマティクスを計測するウェアラブルセンサーは、体とのインターフェースが不完全なため、ノイズが生じることがある。 ディープラーニングは、不完全なインターフェースを補償し、測定精度を向上させるために使用される。 モデルは頭部衝撃の検出とTBIリスク評価を改善するために使用することができ、キネマティクスを測定する他のセンサーにも拡張される可能性がある。
  論文  参考訳（メタデータ） (2022-12-19T20:08:40Z)
• DeepAdversaries: Examining the Robustness of Deep Learning Models for Galaxy Morphology Classification [47.38422424155742]
  銀河の形態分類では、画像データにおける摂動の影響について検討する。 ドメイン適応によるトレーニングはモデルロバスト性を向上し、これらの摂動の影響を緩和することを示す。
  論文  参考訳（メタデータ） (2021-12-28T21:29:02Z)
• On the Frequency Bias of Generative Models [61.60834513380388]
  我々は、最先端のGANトレーニングにおいて、高周波アーティファクトに対する提案手法を解析した。 既存のアプローチでは、スペクトルアーティファクトを完全に解決できないことが分かっています。 以上の結果から,識別能力の向上に大きな可能性があることが示唆された。
  論文  参考訳（メタデータ） (2021-11-03T18:12:11Z)
• Data-driven decomposition of brain dynamics with principal component analysis in different types of head impacts [2.216657815393579]
  ひずみ速度とひずみ速度は外傷性脳損傷の予測に有効である。 キネマティクスに基づくモデルでは、これらの指標を推定することは、キネマティクスと頭部の衝撃タイプ全体にわたる傷害指標の両方の、かなり異なる分布に苦しむ。 運動学的特徴は頭部の衝撃の種類によって大きく異なり、脳の変形のパターンも様々である。
  論文  参考訳（メタデータ） (2021-10-27T01:38:01Z)
• Rapidly and accurately estimating brain strain and strain rate across head impact types with transfer learning and data fusion [2.216657815393579]
  脳のひずみとひずみ速度は頭部の損傷による外傷性脳損傷(TBI)を予測するのに有効である。 FEMは計算にかなりの計算時間を必要とし、リアルタイムのTBIリスク監視への応用を制限する。 機械学習ヘッドモデル(MLHM)を開発し、トレーニング/テストデータセットが異なるヘッドインパクトタイプから得られた場合、モデルの精度が低下することが判明した。 MLHMを13,623個の頭部衝撃、アメリカンフットボール、混成格闘技、カークラッシュで訓練し、シミュレーションのみまたはフィールド上の衝撃でトレーニングされたモデルと比較した。
  論文  参考訳（メタデータ） (2021-08-31T01:45:20Z)
• Kinematics clustering enables head impact subtyping for better traumatic brain injury prediction [2.1108097398435337]
  外傷性脳損傷は、様々な種類の頭部衝撃によって引き起こされる。 多くの脳損傷リスク推定モデルは、人間が持続する可能性のある様々な影響に対して一般化できない。
  論文  参考訳（メタデータ） (2021-08-07T18:31:05Z)
• Risk Bounds for Over-parameterized Maximum Margin Classification on Sub-Gaussian Mixtures [100.55816326422773]
  線形分類問題に対する最大マージン分類器の現象について検討する。 その結果、良性的なオーバーフィットが起きる条件を正確に特徴づけます。
  論文  参考訳（メタデータ） (2021-04-28T08:25:16Z)
• Capturing scattered discriminative information using a deep architecture in acoustic scene classification [49.86640645460706]
  本研究では,識別情報を捕捉し,同時に過度に適合する問題を緩和する様々な手法について検討する。 我々は、ディープニューラルネットワークにおける従来の非線形アクティベーションを置き換えるために、Max Feature Map法を採用する。 2つのデータ拡張方法と2つの深いアーキテクチャモジュールは、システムの過度な適合を減らし、差別的なパワーを維持するためにさらに検討されている。
  論文  参考訳（メタデータ） (2020-07-09T08:32:06Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。