論文の概要: Identification of head impact locations, speeds, and force based on head kinematics
- arxiv url: http://arxiv.org/abs/2409.08177v1
- Date: Thu, 12 Sep 2024 16:07:15 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-13 15:55:10.000511
- Title: Identification of head impact locations, speeds, and force based on head kinematics
- Title（参考訳）: 頭部運動学に基づく頭部衝撃位置・速度・力の同定
- Authors: Xianghao Zhan, Yuzhe Liu, Nicholas J. Cecchi, Jessica Towns, Ashlyn A. Callan, Olivier Gevaert, Michael M. Zeineh, David B. Camarillo,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 1.6562617234384265
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Objective: Head impact information including impact directions, speeds and force are important to study traumatic brain injury, design and evaluate protective gears. This study presents a deep learning model developed to accurately predict head impact information, including location, speed, orientation, and force, based on head kinematics during helmeted impacts. Methods: Leveraging a dataset of 16,000 simulated helmeted head impacts using the Riddell helmet finite element model, we implemented a Long Short-Term Memory (LSTM) network to process the head kinematics: tri-axial linear accelerations and angular velocities. Results: The models accurately predict the impact parameters describing impact location, direction, speed, and the impact force profile with R2 exceeding 70% for all tasks. Further validation was conducted using an on-field dataset recorded by instrumented mouthguards and videos, consisting of 79 head impacts in which the impact location can be clearly identified. The deep learning model significantly outperformed existing methods, achieving a 79.7% accuracy in identifying impact locations, compared to lower accuracies with traditional methods (the highest accuracy of existing methods is 49.4%). Conclusion: The precision underscores the model's potential in enhancing helmet design and safety in sports by providing more accurate impact data. Future studies should test the models across various helmets and sports on large in vivo datasets to validate the accuracy of the models, employing techniques like transfer learning to broaden its effectiveness.
- Abstract（参考訳）: 目的: 衝撃方向、速度、力を含む頭部衝撃情報は、外傷性脳損傷の研究、保護具の設計、評価に重要である。
本研究は, 頭部運動学に基づく頭部衝撃情報(位置, 速度, 方向, 力)を正確に予測する深層学習モデルを提案する。
方法: リデルヘルメット有限要素モデルを用いて, 16,000個の模擬頭部衝撃のデータセットを用いて, 3軸線形加速度と角速度の頭部運動学処理を行う長短期記憶(LSTM)ネットワークを実装した。
結果: モデルでは, 衝突位置, 方向, 速度, R2 による衝撃力プロファイルを正確に予測した。
さらに、計測されたマウスガードとビデオによって記録されたフィールド上のデータセットを用いて、衝撃位置を特定できる79個の頭部衝撃を用いて、さらなる検証を行った。
ディープ・ラーニング・モデルは従来の手法に比べて79.7%の精度を達成し、従来の手法に比べて精度が低い(既存の手法の精度は49.4%)。
結論:この精度は、より正確な衝撃データを提供することで、スポーツにおけるヘルメットの設計と安全性を高めるモデルの可能性を示している。
将来の研究では、様々なヘルメットやスポーツのモデルを、大きな生体内データセット上でテストして、モデルの正確性を検証する必要がある。
関連論文リスト
- Enhancing Training Data Attribution for Large Language Models with Fitting Error Consideration [74.09687562334682]
Debias and Denoise Attribution (DDA) と呼ばれる新しいトレーニングデータ属性法を導入する。
提案手法は既存のアプローチよりも優れており,平均91.64%のAUCを実現している。
DDAは、様々なソースとLLaMA2、QWEN2、Mistralのような異なるスケールのモデルに対して、強力な汎用性とスケーラビリティを示す。
論文 参考訳（メタデータ） (2024-10-02T07:14:26Z) - RACER: Rational Artificial Intelligence Car-following-model Enhanced by
Reality [51.244807332133696]
本稿では,アダプティブ・クルーズ・コントロール(ACC)運転行動を予測する,最先端の深層学習車追従モデルであるRACERを紹介する。
従来のモデルとは異なり、RACERは実走行の重要な要素であるRDC(Rational Driving Constraints)を効果的に統合している。
RACERはアクセラレーション、ベロシティ、スペーシングといった主要なメトリクスを網羅し、ゼロ違反を登録する。
論文 参考訳（メタデータ） (2023-12-12T06:21:30Z) - 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) - Robust Trajectory Prediction against Adversarial Attacks [84.10405251683713]
ディープニューラルネットワーク(DNN)を用いた軌道予測は、自律運転システムにおいて不可欠な要素である。
これらの手法は敵の攻撃に対して脆弱であり、衝突などの重大な結果をもたらす。
本研究では,敵対的攻撃に対する軌道予測モデルを保護するための2つの重要な要素を同定する。
論文 参考訳（メタデータ） (2022-07-29T22:35:05Z) - 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) - 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) - Curse or Redemption? How Data Heterogeneity Affects the Robustness of
Federated Learning [51.15273664903583]
データの不均一性は、フェデレートラーニングにおける重要な特徴の1つとして認識されているが、しばしば敵対的攻撃に対する堅牢性のレンズで見過ごされる。
本稿では, 複合学習におけるバックドア攻撃の影響を, 総合的な実験を通じて評価し, 理解することを目的とした。
論文 参考訳（メタデータ） (2021-02-01T06:06:21Z) - FastIF: Scalable Influence Functions for Efficient Model Interpretation
and Debugging [112.19994766375231]
影響関数は、テスト予測のためのトレーニングデータポイントの「影響」を近似する。
fastifは、実行時間を大幅に改善する関数に影響を与えるための、単純な修正セットです。
本実験はモデル解釈とモデル誤差の修正における影響関数の可能性を示す。
論文 参考訳（メタデータ） (2020-12-31T18:02:34Z) - 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)
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。