論文の概要: Rapidly and accurately estimating brain strain and strain rate across
head impact types with transfer learning and data fusion
- arxiv url: http://arxiv.org/abs/2108.13577v1
- Date: Tue, 31 Aug 2021 01:45:20 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-02 04:30:42.145350
- Title: Rapidly and accurately estimating brain strain and strain rate across
head impact types with transfer learning and data fusion
- Title（参考訳）: 転写学習とデータ融合による頭部衝撃型における脳のひずみとひずみ速度の迅速かつ正確に推定
- Authors: Xianghao Zhan, Yuzhe Liu, Nicholas J. Cecchi, Olivier Gevaert, Michael
M. Zeineh, Gerald A. Grant, David B. Camarillo
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 2.216657815393579
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Brain strain and strain rate are effective in predicting traumatic brain
injury (TBI) caused by head impacts. However, state-of-the-art finite element
modeling (FEM) demands considerable computational time in the computation,
limiting its application in real-time TBI risk monitoring. To accelerate,
machine learning head models (MLHMs) were developed, and the model accuracy was
found to decrease when the training/test datasets were from different head
impacts types. However, the size of dataset for specific impact types may not
be enough for model training. To address the computational cost of FEM, the
limited strain rate prediction, and the generalizability of MLHMs to on-field
datasets, we propose data fusion and transfer learning to develop a series of
MLHMs to predict the maximum principal strain (MPS) and maximum principal
strain rate (MPSR). We trained and tested the MLHMs on 13,623 head impacts from
simulations, American football, mixed martial arts, car crash, and compared
against the models trained on only simulations or only on-field impacts. The
MLHMs developed with transfer learning are significantly more accurate in
estimating MPS and MPSR than other models, with a mean absolute error (MAE)
smaller than 0.03 in predicting MPS and smaller than 7 (1/s) in predicting MPSR
on all impact datasets. The MLHMs can be applied to various head impact types
for rapidly and accurately calculating brain strain and strain rate. Besides
the clinical applications in real-time brain strain and strain rate monitoring,
this model helps researchers estimate the brain strain and strain rate caused
by head impacts more efficiently than FEM.
- Abstract（参考訳）: 脳のひずみとひずみ速度は頭部衝撃による外傷性脳損傷(tbi)の予測に有効である。
しかし、最先端有限要素モデリング(FEM)では計算にかなりの時間を要するため、リアルタイムのTBIリスクモニタリングにおける適用が制限される。
機械学習ヘッドモデル(mlhms)が開発され、トレーニング/テストデータセットがヘッドインパクトタイプによって異なる場合、モデルの精度が低下することが判明した。
しかし、特定のインパクトタイプのデータセットのサイズは、モデルのトレーニングには不十分かもしれない。
本研究では,FEMの計算コスト,限られたひずみ速度予測,およびMLHMの現場データセットへの一般化可能性に対処するため,MLHMの最大主ひずみ(MPS)と最大主ひずみ(MPSR)を予測するための一連のMLHMを開発するために,データ融合と移動学習を提案する。
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。
トランスファーラーニングで開発されたMLHMは、MPSとMPSRを他のモデルよりも正確に推定し、平均絶対誤差(MAE)はMPSを0.03以下、MPSRを全てのインパクトデータセットで予測すると7 (1/s)以下である。
MLHMは様々な頭部衝撃タイプに適用でき、脳のひずみとひずみ率を迅速かつ正確に計算できる。
リアルタイム脳ひずみおよびひずみ速度モニタリングにおける臨床応用の他に、このモデルは、頭部衝撃による脳ひずみとひずみ速度をfemよりも効率的に推定するのに役立つ。
関連論文リスト
- MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data
Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。
トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。
ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文 参考訳（メタデータ） (2023-10-04T01:36:30Z) - The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease
detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。
我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。
このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文 参考訳（メタデータ） (2023-09-13T10:40:41Z) - Toward more accurate and generalizable brain deformation estimators for
traumatic brain injury detection with unsupervised domain adaptation [1.879939924548147]
外傷性脳損傷(TBI)の早期検出を目的とした機械学習ヘッドモデル(MLHM)の開発
本稿では、教師なし領域適応とディープニューラルネットワークを統合する脳変形推定器を提案する。
論文 参考訳（メタデータ） (2023-06-08T14:52:56Z) - Clinical Deterioration Prediction in Brazilian Hospitals Based on
Artificial Neural Networks and Tree Decision Models [56.93322937189087]
超強化ニューラルネットワーク(XBNet)は臨床劣化(CD)を予測するために用いられる
XGBoostモデルはブラジルの病院のデータからCDを予測する最良の結果を得た。
論文 参考訳（メタデータ） (2022-12-17T23:29:14Z) - Differentiable Agent-based Epidemiology [71.81552021144589]
GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。
GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
論文 参考訳（メタデータ） (2022-07-20T07:32:02Z) - 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) - 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) - StressNet: Deep Learning to Predict Stress With Fracture Propagation in
Brittle Materials [6.245804384813862]
脆性材料の破砕は、しばしば内部応力の強い亀裂の急激な成長と合体によるものである。
フラクチャー伝播と初期応力データに基づく最大内部応力列全体を予測するために「応力ネット」を提案する。
提案モデルでは,最大内部応力の高精度なマルチステップ予測を約20秒で計算できる。
論文 参考訳（メタデータ） (2020-11-20T05:49:12Z) - 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) - Statistical control for spatio-temporal MEG/EEG source imaging with
desparsified multi-task Lasso [102.84915019938413]
脳磁図(MEG)や脳電図(EEG)のような非侵襲的手法は、非侵襲的手法を約束する。
ソースローカライゼーション(ソースイメージング)の問題は、しかしながら、高次元の統計的推測問題を引き起こす。
この問題に対処するために,分離されたマルチタスクラッソ(ecd-MTLasso)のアンサンブルを提案する。
論文 参考訳（メタデータ） (2020-09-29T21:17:16Z) - 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)
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。