[发明专利]一种基于KNN-ANN的硬脑膜下血肿损伤预测方法

权利要求书

1.一种基于KNN-ANN的硬脑膜下血肿损伤预测方法，其特征在于，具体包括以下步骤：

S1：识别脑组织材料参数；

S2：采用所识别脑组织材料参数构建颅脑有限元模型；

S3：从预设的数据库中选取预定数量组的碰撞试验数据，将上述数据代入颅脑有限元模型中计算损伤值，损伤评价指标CIM包括相对运动损伤测量值RMDM和扩张损伤测量值DDM；

S4：分别评价运动参量与度量指标之间的相关程度，所述运动参量包括平移速度、平动加速度、转动角速度、转动角加速度的最大幅值；

S5：基于KNN邻近距离法和二次回归曲线法对碰撞试验数据中的离群数据进行预处理，利用传统头部损伤准则HIC与最大合成线加速度的强相关性，对车辆碰撞试验数据中的异常数据进行两次清洗，剔除奇异数据；

S6：以损伤评价指标CIM代替转动角加速度的最大幅值，采用遗传算法进行寻优计算，获取各个运动参量的最优权重，并据此构建评价指标CII；

S7：基于RBF神经网络学习建立运动参量与评价指标CII之间的预测模型，通过预测模型对硬脑膜下血肿损伤的损伤程度进行预测。

2.根据权利要求1所述的一种基于KNN-ANN的硬脑膜下血肿损伤预测方法，其特征在于，步骤S1具体包括：

S11：从屠宰场采购获得六个月大的成年猪脑组织，储存在5℃的生理盐水中；

S12：取猪脑组织制作至少两个几何外形相似的样本，采用3D激光扫描仪重构脑组织的几何构型；

S13：分别对样本进行包括拉、压、弯在内的无约束单轴压缩试验，压缩前，上压板与脑组织试样的间距不小于1毫米，上压板和下支撑板喷洒润滑剂，加载速率为5毫米/分钟，试验过程中记录样本的力-时间关系；

S14：计算上述样本的力学响应F_e的平均值；

S15：基于脑组织的几何构型构建与无约束单轴压缩试验相应的脑组织有限元模型，上下板采用壳单元、脑组织采用六面体单元进行网格划分，脑组织材料本构参数根据经验初步设定，上下板选用刚性材料，下支撑板设置固定约束，上压板采用设定好的速度时间曲线进行加载，获取仿真力学响应F_s；

S16：基于最小二乘法建立目标函数||F_e-F_s||₂，采用优化算法获取颅脑材料的最优参数，即脑组织材料参数。

3.根据权利要求1所述的一种基于KNN-ANN的硬脑膜下血肿损伤预测方法，其特征在于，步骤S2包括以下内容：建立颅脑有限元模型，采用粘-超弹性本构模型并结合所识别的脑组织材料参数建立高逼真度的颅脑有限元模型。

4.根据权利要求1所述的一种基于KNN-ANN的硬脑膜下血肿损伤预测方法，其特征在于，步骤S3中的碰撞试验数据源于碰撞试验数据库，并对数据进行了滤波处理。

5.根据权利要求1所述的一种基于KNN-ANN的硬脑膜下血肿损伤预测方法，其特征在于，在步骤S4中，采用了Spearman秩相关系数分别评价运动参量与度量指标之间的相关程度，计算所采用的公式如下：

其中，P_i和Q_i分别表示两组变量的秩次。

6.根据权利要求1所述的一种基于KNN-ANN的硬脑膜下血肿损伤预测方法，其特征在于，步骤S5具体包括：

以最大合成线速度，最大合成线加速度，最大合成角速度以及最大合成角加速度为运动参数，以损伤评价指标CIM代替最大合成角加速度构建新的脑损伤评价指标CII，计算列示如下：

findβ_i

min 1-ρ(CII,CIM)

其中，TV_max表示最大合成线速度，TA_max表示最大合成线加速、RV_max表示最大合成角速度，RA_max表示最大合成角加速度，ρ(·)表示损伤评价指标与损伤量之间的相关系数，β_i是对应运动参量的权重系数。

7.根据权利要求1所述的一种基于KNN-ANN的硬脑膜下血肿损伤预测方法，其特征在于，步骤S7具体包括：采用max-min规范化对碰撞试验数据进行预处理，针对模型预测的泛化能力，采用误差平方和均方根误差进行检验，最后采用RBF正则化神经网络建立损失评价指标与评价指标CII之间的预测模型。