[发明专利]一种基于KNN-ANN的硬脑膜下血肿损伤预测方法

说明书

本发明涉及一种基于KNN‑ANN的硬脑膜下血肿损伤预测方法，该方法以数据库中的车辆碰撞试验数据为基础，通过Spearman秩相关分析各运动参量或损伤评价准则与脑损伤量之间的相关性；采用KNN与回归法相结合进行数据诊断，剔除异常数据，增强了运动参量与损伤量之间的相关性，并利用优化策略获取运动参量的最佳权重，构建了新的颅脑损伤评价指标；采用最大‑最小规范化对训练试验数据进行预处理，并通过神经网络学习构建脑损伤预测模型。本发明综合分析了平动量和转动量对颅脑损伤的影响，相比传统的创伤性颅脑损伤损伤评价准则，本发明所建损伤准则精度更高，能实现对颅脑损伤的定量预测，弥补了传统损伤评价准则只能做定性分析的缺陷。

技术领域

本发明涉及颅脑损伤预测领域，尤其涉及一种基于KNN-ANN的硬脑膜下血肿损伤预测方法损伤预测方法。

背景技术

随着汽车保有量的持续增加，道路交通事故的频发，人体损伤及防护方面的研究在车辆安全和损伤生物力学领域引起了广泛的重视。损伤评价准则作为车辆安全性能和人体损伤程度的评价标准，对人体防护、车辆性能改进具有重要意义。然而，由于道路交通事故的复杂性，碰撞数据的局限性，通常传统的损伤评价准则无法准确地评估和预测事故中乘员的颅脑损伤程度，进而制约车辆防护性能的改进。因此，根据大量碰撞试验数据构建颅脑损伤评价指标和预测模型成为车辆碰撞事故中颅脑损伤程度评估的重要手段。

发明内容

本发明正是针对现有技术存在的不足，提供了一种能够对硬脑膜下血肿损伤进行定量评价的损伤预测方法。

为解决上述问题，本发明所采取的技术方案如下：

一种基于KNN-ANN的硬脑膜下血肿损伤预测方法，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，度量指标为CIM，度量指标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，剔除奇异数据，以增强运动参量与度量指标的相关性；

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。

优选地，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；