論文の概要: Kinematics clustering enables head impact subtyping for better traumatic
brain injury prediction
- arxiv url: http://arxiv.org/abs/2108.03498v1
- Date: Sat, 7 Aug 2021 18:31:05 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-11 11:36:49.330221
- Title: Kinematics clustering enables head impact subtyping for better traumatic
brain injury prediction
- Title（参考訳）: kinematics clusteringは外傷性脳損傷予測のための頭部衝撃サブタイピングを可能にする
- Authors: Xianghao Zhan, Yiheng Li, Yuzhe Liu, Nicholas J. Cecchi, Olivier
Gevaert, Michael M. Zeineh, Gerald A. Grant, David B. Camarillo
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 2.1108097398435337
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Traumatic brain injury can be caused by various types of head impacts.
However, due to different kinematic characteristics, many brain injury risk
estimation models are not generalizable across the variety of impacts that
humans may sustain. The current definitions of head impact subtypes are based
on impact sources (e.g., football, traffic accident), which may not reflect the
intrinsic kinematic similarities of impacts across the impact sources. To
investigate the potential new definitions of impact subtypes based on
kinematics, 3,161 head impacts from various sources including simulation,
college football, mixed martial arts, and car racing were collected. We applied
the K-means clustering to cluster the impacts on 16 standardized temporal
features from head rotation kinematics. Then, we developed subtype-specific
ridge regression models for cumulative strain damage (using the threshold of
15%), which significantly improved the estimation accuracy compared with the
baseline method which mixed impacts from different sources and developed one
model (R^2 from 0.7 to 0.9). To investigate the effect of kinematic features,
we presented the top three critical features (maximum resultant angular
acceleration, maximum angular acceleration along the z-axis, maximum linear
acceleration along the y-axis) based on regression accuracy and used logistic
regression to find the critical points for each feature that partitioned the
subtypes. This study enables researchers to define head impact subtypes in a
data-driven manner, which leads to more generalizable brain injury risk
estimation.
- Abstract（参考訳）: 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。
しかし、運動学的特性が異なるため、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。
頭部衝撃サブタイプの現在の定義は、衝撃源(例えば、フットボール、交通事故)に基づいており、衝撃源全体の衝撃の固有運動学的類似性を反映していない可能性がある。
キネマティックスに基づく衝撃サブタイプの新たな定義を検討するため,シミュレーション,大学フットボール,総合格闘技,カーレースなどさまざまなソースから3,161個の頭部衝撃を収集した。
我々は,K平均クラスタリングを用いて,頭部回転運動学から16の時間的特徴をクラスタリングした。
次に, 累積ひずみ損傷に対するサブタイプ特異的リッジ回帰モデル(しきい値15%)を開発し, 異なる音源からの衝撃を混合するベースライン法と比較して推定精度を大幅に向上させ, 1モデル(r^2は0.7から0.9)を開発した。
キネマティックな特徴の影響を調べるために, 回帰精度に基づいて最重要特徴(最大角加速度, z軸に沿った最大角加速度, y軸に沿った最大線形加速度)を提示し, サブタイプを分割した各特徴の臨界点を求めるためにロジスティック回帰を用いた。
この研究により、研究者はデータ駆動方式で頭部衝撃サブタイプを定義でき、より一般化可能な脳損傷リスク推定につながる。
関連論文リスト
- Understanding Robust Overfitting from the Feature Generalization Perspective [61.770805867606796]
逆行訓練(AT)は、逆行摂動を自然データに組み込むことで、堅牢なニューラルネットワークを構築する。
これはロバストオーバーフィッティング(RO)の問題に悩まされ、モデルのロバスト性を著しく損なう。
本稿では,新しい特徴一般化の観点からROを考察する。
論文 参考訳（メタデータ） (2023-10-01T07:57:03Z) - 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) - CausalDialogue: Modeling Utterance-level Causality in Conversations [83.03604651485327]
クラウドソーシングを通じて、CausalDialogueという新しいデータセットをコンパイルし、拡張しました。
このデータセットは、有向非巡回グラフ(DAG)構造内に複数の因果効果対を含む。
ニューラル会話モデルの訓練における発話レベルにおける因果性の影響を高めるために,Exponential Average Treatment Effect (ExMATE) と呼ばれる因果性強化手法を提案する。
論文 参考訳（メタデータ） (2022-12-20T18:31:50Z) - 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) - The Causal Neural Connection: Expressiveness, Learnability, and
Inference [125.57815987218756]
構造因果モデル (Structuor causal model, SCM) と呼ばれるオブジェクトは、調査中のシステムのランダムな変動のメカニズムと源の集合を表す。
本稿では, 因果的階層定理 (Thm. 1, Bareinboim et al., 2020) がまだニューラルモデルに対して成り立っていることを示す。
我々はニューラル因果モデル(NCM)と呼ばれる特殊なタイプのSCMを導入し、因果推論に必要な構造的制約をエンコードする新しいタイプの帰納バイアスを定式化する。
論文 参考訳（メタデータ） (2021-07-02T01:55:18Z) - Classification of head impacts based on the spectral density of
measurable kinematics [4.784679555552413]
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。
論文 参考訳（メタデータ） (2021-04-19T06:58:43Z) - Predictive Factors of Kinematics in Traumatic Brain Injury from Head
Impacts Based on Statistical Interpretation [2.606682359022052]
頭部の衝撃による脳組織の変形は、主に回転によって引き起こされる。
これらのキネマティクスの様々な要因に基づく様々な脳損傷基準が開発されている。
脳の損傷基準をより良く設計するために、回転運動学因子の予測力を解析した。
論文 参考訳（メタデータ） (2021-02-09T18:37:20Z) - Relationship between brain injury criteria and brain strain across
different types of head impacts can be different [2.231237759133542]
複数の脳損傷基準(BIC)が開発され、頭部衝撃後の脳損傷リスクを迅速に定量化します。
異なる種類の頭部衝撃に対する脳損傷リスク推定におけるBICの使用精度は評価されていない。
論文 参考訳（メタデータ） (2020-12-18T01:41:41Z) - Deep Learning Head Model for Real-time Estimation of Entire Brain
Deformation in Concussion [1.707455267617432]
本稿では,5層ディープニューラルネットワークと機能工学を用いたディープラーニングヘッドモデルを提案する。
ヘッドモデルシミュレーションとオンフィールドカレッジフットボールと混成格闘技の併用による1803個の頭部衝撃に対するモデルトレーニングを行った。
提案したディープラーニングヘッドモデルは、脳全体のすべての要素の最大主ひずみを0.001秒未満で計算することができる。
論文 参考訳（メタデータ） (2020-10-16T17:37:59Z) - Influence Functions in Deep Learning Are Fragile [52.31375893260445]
影響関数は、テスト時間予測におけるサンプルの効果を近似する。
影響評価は浅いネットワークでは かなり正確です
ヘッセン正則化は、高品質な影響推定を得るために重要である。
論文 参考訳（メタデータ） (2020-06-25T18:25:59Z) - A General Framework for Survival Analysis and Multi-State Modelling [70.31153478610229]
ニューラル常微分方程式を多状態生存モデル推定のためのフレキシブルで一般的な方法として用いる。
また,本モデルでは,サバイバルデータセット上での最先端性能を示すとともに,マルチステート環境での有効性を示す。
論文 参考訳（メタデータ） (2020-06-08T19:24:54Z)
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。