[发明专利]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

说明书

本发明公开了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，包括以下步骤：步骤1：对钝器打击头部进行有限元仿真；步骤2：提取仿真数据中颅脑的最大主应变；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；步骤4：构建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；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及输出训练所述卷积神经网络，并选取最优模型；步骤6：将所述最优模型用于预测颅脑最大主应变。

技术领域

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

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：

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。

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。

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。

发明内容

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。

为实现上述目的，本发明是通过以下的技术方案来实现的：

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：

步骤1：对钝器打击头部进行有限元仿真；

步骤2：提取仿真数据中颅脑的最大主应变；

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；

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；

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；

步骤6：将所述最优模型用于预测颅脑最大主应变。

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。

本发明中，提取大脑、胼胝体、小脑及脑干的最大主应变。