基于卷积神经网络模型的钝器伤的颅脑最大主应变预测方法及系统与流程

1.本发明涉及深度学习和有限元仿真计算技术领域，尤其涉及一种基于卷积神经网络和有限元技术的棍棒打击头部致颅脑损伤的快速量化评估方法。


背景技术：

2.颅脑是人体最重要的生命中枢，损伤后的致死率和致残率极高。脑损伤是世界上最主要的公共卫生问题之一。根据世界卫生组织的数据，全世界每年有超过4000万人患有轻度脑损伤。在法医学鉴定中，钝器打击是导致颅脑损伤的主要因素之一。其中，棍棒类钝器占比最高。然而，目前对钝器致脑损伤的量化评价方法却极为有限。随着损伤生物力学发展及其与有限元技术结合应用越来越广泛，借助有限元手段进行生物力学研究及司法鉴定应用也越来越多。尤其是在颅脑损伤研究中最为广泛和深入。但是，有限元仿真实验需要大量的计算时间与高性能的工作站，并且需要操作人员具备一定的专业知识。这无疑限制了有限元技术的推广与应用。为了解决这一问题，一些用于预测脑损伤指标的简化物理模型被提出。这些模型以头部运动学数据、相应的有限元仿真结果(脑组织最大主应变)分别作为输入和输出。经过调整参数确定最优的模型，实现对颅脑损伤的量化评估。相比于传统的损伤标准，比如脑损伤评价准则(hic)、头部冲击力(hip)、基于广义加速模型脑的损伤阈值(gambit)等，提升了模型的复杂度和精确度。但是，现有技术存在以下缺陷：
3.1.有限元仿真实验需要大量的计算时间与高性能的工作站，并且需要操作人员具备一定的专业知识。
4.2.对于较大的应变冲击以及更加复杂的治伤因素下，简化模型的预测精度会大幅降低。这是由于在冲击严重性较高时未能捕获到明显的非线性所致。
5.3.现有技术模型只能对脑组织进行整体性量化评价，并不能针对局部脑组织进行分析评估。


技术实现要素：

6.鉴于上述现有技术的缺陷，本发明旨在提供一种基于卷积神经网络模型的棍棒类钝器伤的颅脑最大主应变预测方法，克服有限元技术和头部简化物理模型存在的问题。
7.为实现上述目的，本发明是通过以下的技术方案来实现的：
8.一种基于卷积神经网络模型的钝器伤的颅脑最大主应变预测方法，其特征在于，包括以下步骤：
9.步骤1：对钝器打击头部进行有限元仿真；
10.步骤2：提取仿真数据中颅脑的最大主应变；
11.步骤3：提取仿真数据中钝器在全局坐标系下沿x、y、z方向的速度曲线；对速度曲线进行裁剪和填充，并将速度曲线映射缩放，得到映射图；所述映射图中包括x轴向速度、y轴向速度和z轴向速度；
12.步骤4：构建多个用于训练与预测钝器打击头部对颅脑最大主应变影响的卷积神经网络；
13.步骤5：将所述映射图及所述颅脑的最大主应变分为作为输入输出训练所述卷积神经网络，并选取最优模型；
14.步骤6：将所述最优模型用于预测颅脑最大主应变。
15.本发明中，所述有限元仿真初始条件为具有一定初速度的钝器打击头部的不同部位，包括前额、左前额、左颞骨、左后顶骨和枕骨。
16.本发明中，提取大脑、胼胝体、小脑及脑干的最大主应变。
17.本发明步骤3中，平移速度曲线使其具有一致的起始时间；裁去仿真中钝器与头部脱离接触后的曲线，并以裁剪后最后一点的速度进行填充至2ms。
18.本发明中，构建卷积神经网络，用于训练与预测棍棒打击头部对颅脑最大主应变的影响。
19.本发明中的卷积神经网络模型的结构包括3个卷积池化模块(卷积池化模块包括一层卷积层其卷积核大小分别为1
×
1、3
×
3、5
×
5，一层池化层其将3个卷积通道的输出值并联、池化)、1个卷积层(卷积核大小为3
×
3)，4个全连接层(四层的节点数分别为1024、512、256和1)。其输入为大小150
×
150
×
3的钝器速度图片，输出为脑组织最大主应变。
20.本发明中，卷积神经网络训练策略采用十折交叉验证法；卷积神经网络的预测结果评价采用均方误差、绝对误差和拟合优度；所述拟合优度变化范围在0～1之间；mae和mse是衡量预测值精度的两个常用指标，其值越小代表预测的精确度越高，但mse受异常值的影响较大；因此,综合考虑mse、mae和r2最优值选取卷积神经网络，最终将最优卷积神经网络模型用于预测脑组织最大主应变。
21.本发明还提出了一种基于卷积神经网络模型的钝器伤的颅脑最大主应变预测系统，包括：存储器和处理器；所述存储器上存储有计算机程序，当所述计算机程序被所述处理器执行时，实现前述本发明方法。
22.本发明还提出了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现前述本发明方法。
23.与现有技术相比，本发明的有益效果体现在：
24.本发明提出了一种基于卷积神经网络模型的棍棒类钝器伤的颅脑最大主应变预测方法，将测得的棍棒沿x、y、z三个方向的速度合成图片输入经过训练与验证的卷积神经网络中，即可得到大脑、胼胝体、小脑及脑干的最大主应变。利用最大主应变损伤准则，即可判断不同脑组织的损伤程度。与有限元技术相比，本发明降低了对硬件设备的要求，将之前有限元技术在的高端工作站上完成的任务转变为在普通笔记本电脑就可完成。另外，有限元仿真一般需要几小时甚至几十小时。但是，本发明预测脑损伤只需几秒甚至几十毫秒，体现了效率的显著提高。与简化后的物理模型以及传统的脑损伤标准相比，本发明提升了模型的复杂度和精确度。同时，对于较大的应变冲击以及更加复杂的治伤因素下，本发明仍保持较高的精确度。
附图说明
25.图1为技术流程图。
26.图2为卷积神经网络结构。
27.图3为卷积神经网络对大脑、胼胝体、小脑及脑干预测结果。
28.图4为实施例1中钝器沿x、y、z的速度图片。
29.图5为实施例2中钝器沿x、y、z的速度图片。
30.图6为实施例3中钝器沿x、y、z的速度图片。
具体实施方式
31.结合以下具体实施例和附图，对本发明作进一步的详细说明。实施本发明的过程、条件、实验方法等，除以下专门提及的内容之外，均为本领域的普遍知识和公知常识，本发明没有特别限制内容。
32.本发明公开了一种基于卷积神经网络算法的棍棒类钝器伤的颅脑最大主应变预测方法，采用有限元方法模拟计算不同棍棒在不同的打击速度下脑组织损伤的生物力学参数；提取脑组织最大主应变以及棍棒在空间坐标系下沿x、y、z方向的速度，将获得的棍棒速度曲线经处理后映射缩放为一张图片；选择卷积神经网络作为脑组织损伤预测模型，通过训练与选择，得到最终可应用于实际的卷积神经网络。本发明提出的基于卷积神经网络算法的棍棒打击对颅脑最大主应变影响的评估方法降低了对硬件设备的要求，提高了计算效率，相对于传统的评估方法，实现了颅脑损伤的快速量化评估。可为法医鉴定和颅脑损伤机理分析提供参考数据。
33.本发明提出的一种基于卷积神经网络模型的棍棒类钝器伤的颅脑最大主应变预测方法，图1为技术流程图。其具体实施包括以下步骤：
34.(1)钝器打击头部的有限元仿真：有限元仿真初始条件设置为具有一定初速度的棍棒类钝器打击头部的不同部位，分别为前额、左前额、左颞骨、左后顶骨和枕骨；钝器打击造成的脑损伤案例中，木制棍棒、铁质棍棒分别位于第一和第二，其余种类钝器占比较低，且不常见；本发明采用了18种木制和10种铁质棍棒作为钝器打击头部有限元仿真实验的致伤工具，其具体参数见表1；有限元仿真实验中采用天津科技大学50
th
百分位成人头部有限元模型，此模型具有详细的解剖学结构，其中包括大脑、小脑、胼胝体、脑干等；进行仿真实验时棍棒分别以10、15、20、25、30m/s的速度打击头部的五个不同部位，一共进行了18种棍棒、5种速度、5个部位的700组打击实验；
35.表1钝器结构参数
[0036][0037]
(2)有限元仿真数据提取：利用步骤(1)中得到有限元仿真实验，本发明提取大脑、胼胝体、小脑及脑干的最大主应变(maximum principal strain，mps)作为判断脑组织损伤的依据；为了保护卷积神经网络输入信息的完整性，本发明在仿真实验中提取了棍棒在全局坐标系下沿x、y、z方向的速度曲线；因为，相比于提取棍棒的合成速度，沿三个x、y、z方向的速度更能体现打击过程中钝器的棍棒信息；
[0038]
(3)数据处理：在步骤(2)中，由于仿真时棍棒与头部有限元模型的初始距离的不尽相同，反映到棍棒速度曲线上则是打击开始的时间点不同；不同打击速度、不同类型的棍棒与头部接触的时间也存在差异，另外卷积神经网络需要固定的输入尺寸；因此，需要我们对提取的速度曲线做进一步处理；首先，平移速度曲线使其具有一致的起始时间；其次，裁去仿真中棍棒与头部脱离接触后的曲线，并以裁剪后最后一点的速度进行填充至2ms，由于填充的速度曲线加速度为零，故不会影响最终结果；最后，为降低卷积神经网络输入的图片尺寸和减少特征，将速度曲线映射缩放，得到的映射图分为上中下三部分，分别为x轴向速度、y轴向速度和z轴向速度；
[0039]
(4)构建卷积神经网络：构建卷积神经网络，用于训练与预测棍棒打击头部对颅脑最大主应变的影响；
[0040]
(5)训练与选择卷积神经网络：本发明将步骤(3)中得到的棍棒沿x、y、z三个方向的速度合成图片、步骤(2)中提取的脑组织最大主应变分别作为输入和输出训练卷积神经网络；由于数据规模较小，且为防止出现过拟合，卷积神经网络训练策略采用十折交叉验证法；卷积神经网的预测结果评价采用均方误差(mean square error，mse)、绝对误差(mean absolute error，mae)和拟合优度(goodness of fit，r2)；r2体现了模型的拟合优度，变化范围在0～1之间，越接近1说明模型的拟合效果越好；mae和mse是衡量预测值精度的两个常用指标，其值越小代表预测的精确度越高，但mse受异常值的影响较大；因此,综合考虑mse、
mae和r2最优值选取卷积神经网络，最终将最优的卷积神经网络模型用于预测脑组织最大主应变。具体地：
[0041]
在步骤(2)中分别获得了大脑、胼胝体、小脑及脑干最大主应变数据各700条，相应的在步骤(3)中获得了700张经过处理的速度图片，其中600条用于交叉验证，100条数据用于预测，本发明将步骤(3)中得到的棍棒沿x、y、z三个方向的速度合成图片、步骤(2)中提取的脑组织最大主应变分别作为输入和输出训练与优化卷积神经网络，经过训练与优化，最终选择了图2中的卷积神经网络结构，使用此卷积神经网络对脑组织最大主应变进行预测，图3为卷积神经网络对大脑、胼胝体、小脑及脑干预测结果，根据结果可以得出，卷积神经网络可适用于对脑组织损伤数据预测。
[0042]
实施例
[0043]
1)长400mm、直径55mm、材质为硬木的圆木棍以10m/s打击左前额时，最大主应变预测。
[0044]
图4展示了圆木棍沿x、y、z方向的速度曲线，经过映射缩放后导入上述所选的卷积神经网络后，大脑、小脑和胼胝体的预测结果分别为0.515、0.532、0.395。其真实值分别为为0.501、0.529、0.430。
[0045]
2)长400mm、直径40mm、材质为软木的圆木棍以20m/s打击左后顶骨时，最大主应变预测。
[0046]
图5展示了圆木棍沿x、y、z方向的速度曲线，经过映射缩放后导入上述所选的卷积神经网络后，大脑、小脑和胼胝体的预测结果分别为0.682、0.453、0.175。其真实值分别为为0.661、0.459、0.182。
[0047]
3)长400mm、直径20mm、材质为软木的圆木棍以30m/s打击左前额时，最大主应变预测。
[0048]
图6展示了圆木棍沿x、y、z方向的速度曲线，经过映射缩放后导入上述所选的卷积神经网络后，大脑、小脑和胼胝体的预测结果分别为0.769、0.408、0.080。其真实值分别为为0.763、0.423、0.089。
[0049]
本发明提出的一种基于卷积神经网络模型的棍棒类钝器伤的颅脑最大主应变预测方法提高了计算效率，降低了对硬件设备的要求。相对于传统的评估方法，提高了模型复杂度和预测精度。可为法医鉴定和临床治疗中提供脑损伤诊断值。
[0050]
本发明的保护内容不局限于以上实施例。在不背离本发明构思的精神和范围下，本领域技术人员能够想到的变化和优点都被包括在本发明中，并且以所附的权利要求书为保护范围。