CN111009323A - 一种基于knn-ann的硬脑膜下血肿损伤预测方法 - Google Patents
一种基于knn-ann的硬脑膜下血肿损伤预测方法 Download PDFInfo
- Publication number
- CN111009323A CN111009323A CN201911101168.0A CN201911101168A CN111009323A CN 111009323 A CN111009323 A CN 111009323A CN 201911101168 A CN201911101168 A CN 201911101168A CN 111009323 A CN111009323 A CN 111009323A
- Authority
- CN
- China
- Prior art keywords
- injury
- damage
- adopting
- knn
- brain tissue
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000006378 damage Effects 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 31
- 208000027418 Wounds and injury Diseases 0.000 title claims abstract description 22
- 208000014674 injury Diseases 0.000 title claims abstract description 22
- 208000002667 Subdural Hematoma Diseases 0.000 title claims abstract description 21
- 238000011156 evaluation Methods 0.000 claims abstract description 39
- 238000012360 testing method Methods 0.000 claims abstract description 31
- 206010019196 Head injury Diseases 0.000 claims abstract description 16
- 238000005457 optimization Methods 0.000 claims abstract description 8
- 238000013528 artificial neural network Methods 0.000 claims abstract description 7
- 208000029028 brain injury Diseases 0.000 claims abstract description 6
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000013519 translation Methods 0.000 claims abstract description 5
- 238000010606 normalization Methods 0.000 claims abstract description 4
- 230000002159 abnormal effect Effects 0.000 claims abstract description 3
- 210000005013 brain tissue Anatomy 0.000 claims description 36
- 230000001133 acceleration Effects 0.000 claims description 20
- 239000000463 material Substances 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000005259 measurement Methods 0.000 claims description 13
- 238000003825 pressing Methods 0.000 claims description 8
- 230000004044 response Effects 0.000 claims description 7
- 238000012669 compression test Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 210000004556 brain Anatomy 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 230000006835 compression Effects 0.000 claims description 4
- 238000007906 compression Methods 0.000 claims description 4
- 238000003646 Spearman's rank correlation coefficient Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 239000000314 lubricant Substances 0.000 claims description 3
- 239000002504 physiological saline solution Substances 0.000 claims description 3
- 238000005452 bending Methods 0.000 claims description 2
- 230000015572 biosynthetic process Effects 0.000 claims description 2
- 230000002068 genetic effect Effects 0.000 claims description 2
- 238000003786 synthesis reaction Methods 0.000 claims description 2
- 238000004140 cleaning Methods 0.000 claims 1
- 208000030886 Traumatic Brain injury Diseases 0.000 abstract description 13
- 230000007547 defect Effects 0.000 abstract description 2
- 238000012549 training Methods 0.000 abstract description 2
- 238000003745 diagnosis Methods 0.000 abstract 1
- 238000004451 qualitative analysis Methods 0.000 abstract 1
- 230000000472 traumatic effect Effects 0.000 abstract 1
- 239000000243 solution Substances 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005507 spraying Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000338 in vitro Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Pathology (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
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。
Description
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Fe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Fs；
S16：基于最小二乘法建立目标函数||Fe-Fs||2，采用优化算法获取颅脑材料的最优参数，即得到脑组织材料参数。
优选地，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。
优选地，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。
优选地，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，Pi和Qi分别表示两组变量的秩次。
优选地，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：
find βi
min 1-ρ(CII,CIM)
其中，TVmax表示最大合成线速度，TAmax表示最大合成线加速、RVmax表示最大合成角速度，RAmax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，βi是对应运动参量的权重系数。
优选地，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。
本发明与现有技术相比较，本发明的实施效果如下：
(1)本发明构建了一种全新的硬脑膜下血肿损伤评价指标，为颅脑损伤的预测与评价提供了一种新的思路，有助于促进颅脑损伤程度预测技术领域的发展。
(2)本发明以数据库中获取的碰撞试验数据为基础，构建了高逼真的颅脑有限元模型，获取了硬脑膜下血肿损伤的评价指标，分析了各类运动量与评价指标的相关性，实现了对硬脑膜下血肿损伤的定量评价，评价结果准确可靠。
(3)本发明能够准确评估和预测出车辆碰撞后的硬脑膜下血肿损伤程度，其结果可作为车辆厂商改良车辆防护性能的重要参考指标，从而有助于提升车辆道路交通的安全性能。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提出的一种基于KNN-ANN的硬脑膜下血肿损伤预测方法，具体包括以下步骤：
步骤1：从屠宰场采购获得六个月大的成年猪脑组织，脑组织离体马上储存在5℃的生理盐水中。取猪脑组织制作4个几何外形相似的样本，采用手持3D激光扫描仪重构脑组织的几何构型。对上述样本进行无约束单轴压缩试验，在试验过程中要对脑组织喷洒人工脑脊髓液以保证其接近活体状态，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，尽可能减少摩擦阻力的影响，4个样本分别进行压缩试验，加载速率是5毫米/分钟，记录试样的力-时间关系，将4组试验结果随机分成两组，一组做反求数据，另一组作为验证数据，并分别求两组响应的平均值。采用商业软件(如HYPERMESH、ANSYS等)建立脑组织单轴压缩的有限元模型，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，准确值会通过反求得到，上下板选用刚性材料以防止其发生变形，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，完成仿真计算，得到脑组织仿真的力-时间响应曲线，借助计算反求技术(计算反求技术：是材料参数识别的一种常规技术，通过输出响应反求输入参数，在本发明中，通过试验响应与仿真响应，反求计算得到脑组织的材料本构参数)实现对脑组织粘-超弹性材料参数的识别与验证，通过上述试验和仿真，并结合计算反求技术获得脑组织的材料参数。
步骤2：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。
步骤3：从碰撞试验数据库数据库选取若干组车辆碰撞试验数据，在对数据进行滤波处理后，将处理后的数据依次带入颅脑有限元模型计算其损伤值，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。
步骤4：采用Spearman秩相关系数来评价运动参量与损伤量之间的相关程度，计算公式如下所示；
其中，Pi和Qi分别表示两组变量的秩次。
步骤5：基于KNN结合二次回归曲线(Quadratic Regression,QR)对选取的车辆碰撞试验数据进行诊断，利用传统头部损伤准则HIC(Head Injury Criterion)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，删除奇异数据，以增强运动参量与度量指标的相关性。
步骤6：通过步骤4的相关性分析，运动参数选择最大合成线速度TVmax，最大合成线加速度TAmax，最大合成角速度RVmax以及最大合成角加速度RAmax。相比RAmax，损伤评价指标CIM的相关性更强，所以用损伤评价指标CIM代替RAmax用于构建新的脑损伤评价指标。
脑损伤评价指标的构建过程是一个优化问题，优化列式如下所示：
find βi
min 1-ρ(CII,CIM)
其中，其中，ρ(·)表示损伤评价指标与损伤量之间的相关系数，βi是对应运动参量的权重系数。
采用优化策略结合KNN-QR，获得各变量的最佳权重，进而构建了新的硬脑膜下血肿损伤评价指标CII。
步骤7：采用max-min规范化对数据进行预处理，将车辆碰撞试验数据分为训练数据和测试数据，其中测试数据不少于20％，将步骤6中所建的颅脑损伤评价指标作为变量，基于径向基(Radial Basis Function,RBF)神经网络构建其与颅脑损伤度量之间的预测模型。采用测试数据对预测模型进行误差平方和均方根误差的检验，结果表明神经网络预测模型具有较高的预测精度。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
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Fe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Fs；
S16：基于最小二乘法建立目标函数||Fe-Fs||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，Pi和Qi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：
findβi
min 1-ρ(CII,CIM)
其中，TVmax表示最大合成线速度，TAmax表示最大合成线加速、RVmax表示最大合成角速度，RAmax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，βi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。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911101168.0A CN111009323B (zh) | 2019-11-12 | 2019-11-12 | 一种基于knn-ann的硬脑膜下血肿损伤预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911101168.0A CN111009323B (zh) | 2019-11-12 | 2019-11-12 | 一种基于knn-ann的硬脑膜下血肿损伤预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111009323A true CN111009323A (zh) | 2020-04-14 |
| CN111009323B CN111009323B (zh) | 2023-11-10 |
Family
ID=70111882
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911101168.0A Active CN111009323B (zh) | 2019-11-12 | 2019-11-12 | 一种基于knn-ann的硬脑膜下血肿损伤预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111009323B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113611423A (zh) * | 2021-07-20 | 2021-11-05 | 天津科技大学 | 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 |
| CN113793685A (zh) * | 2021-11-17 | 2021-12-14 | 北京智精灵科技有限公司 | 基于多维分层漂移扩散模型的认知决策评估方法及系统 |
| CN114595834A (zh) * | 2022-03-15 | 2022-06-07 | 北京宾理信息科技有限公司 | 机器学习模型的训练方法、针对车辆乘员的损伤预测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004303220A (ja) * | 2003-03-14 | 2004-10-28 | Toyota Central Res & Dev Lab Inc | 脳損傷判定方法および人体頭部有限要素モデル |
| CN105447234A (zh) * | 2015-11-13 | 2016-03-30 | 中国人民解放军第三军医大学第三附属医院 | 一种基于改进评价指标的行人头部闭合伤现场快速评估方法 |
| CN107506579A (zh) * | 2017-08-14 | 2017-12-22 | 西南大学 | 基于集成学习的脑出血预测模型建立方法及系统 |
| CN109034264A (zh) * | 2018-08-15 | 2018-12-18 | 云南大学 | 交通事故严重性预测csp-cnn模型及其建模方法 |
| CN110377988A (zh) * | 2019-07-08 | 2019-10-25 | 清华大学 | 乘员道路交通事故损伤预测方法 |
-
2019
- 2019-11-12 CN CN201911101168.0A patent/CN111009323B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004303220A (ja) * | 2003-03-14 | 2004-10-28 | Toyota Central Res & Dev Lab Inc | 脳損傷判定方法および人体頭部有限要素モデル |
| CN105447234A (zh) * | 2015-11-13 | 2016-03-30 | 中国人民解放军第三军医大学第三附属医院 | 一种基于改进评价指标的行人头部闭合伤现场快速评估方法 |
| CN107506579A (zh) * | 2017-08-14 | 2017-12-22 | 西南大学 | 基于集成学习的脑出血预测模型建立方法及系统 |
| CN109034264A (zh) * | 2018-08-15 | 2018-12-18 | 云南大学 | 交通事故严重性预测csp-cnn模型及其建模方法 |
| CN110377988A (zh) * | 2019-07-08 | 2019-10-25 | 清华大学 | 乘员道路交通事故损伤预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 唐明;刘启明;周胜华;柴湘平: "急性主动脉夹层早期诊断的评分模式初探", 中华心血管病杂志, vol. 38, no. 5 * |
| 孙秀彬;辛涛;薛付忠;庞琦: "基于SMOTE算法的颅脑损伤患者继发精神障碍预警模型", 中国卫生统计, vol. 30, no. 6, pages 790 - 793 * |
| 邵煜;邹冬华;刘宁国;陈忆九;: "有限元方法在法医学颅脑损伤分析中的应用", 法医学杂志, no. 06, pages 55 - 59 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113611423A (zh) * | 2021-07-20 | 2021-11-05 | 天津科技大学 | 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 |
| CN113793685A (zh) * | 2021-11-17 | 2021-12-14 | 北京智精灵科技有限公司 | 基于多维分层漂移扩散模型的认知决策评估方法及系统 |
| CN114595834A (zh) * | 2022-03-15 | 2022-06-07 | 北京宾理信息科技有限公司 | 机器学习模型的训练方法、针对车辆乘员的损伤预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111009323B (zh) | 2023-11-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111009323A (zh) | 一种基于knn-ann的硬脑膜下血肿损伤预测方法 | |
| CN111430029B (zh) | 基于人工智能的多维度脑卒中预防筛查方法 | |
| CN107224291B (zh) | 调度员能力测试系统 | |
| CN111861128A (zh) | 自动驾驶车辆人机协同操纵过程的接管舒适性评价方法、系统及存储介质 | |
| CN112102940B (zh) | 一种屈光检测方法、装置、计算机设备及存储介质 | |
| CN110969614A (zh) | 基于三维卷积神经网络的脑龄预测方法及系统 | |
| CN113988123A (zh) | 一种基于自加权增量rvfl网络的脑电疲劳预测方法 | |
| CN114882014B (zh) | 基于双模型的眼底图像质量评价方法、装置及相关介质 | |
| CN114926299A (zh) | 一种基于大数据分析的预测车辆事故风险预测方法 | |
| CN104750926A (zh) | 基于节点曲率和小波分析的变截面梁损伤识别方法 | |
| Tasnim et al. | Comparisonal study of deep learning approaches on retinal OCT image | |
| CN117316293A (zh) | 基于神经影像的脑网络结构与功能耦合方法及装置 | |
| CN114469089A (zh) | 基于虚拟现实技术的多模态数据抗压能力测评方法及系统 | |
| CN116935009B (zh) | 基于历史数据分析进行预测的手术导航系统 | |
| CN110801228A (zh) | 一种基于神经网络预测的脑效应连接度量方法 | |
| TWI808579B (zh) | 自動進化的腦波偵測系統與用於腦波資料庫的自動進化方法 | |
| CN114795242A (zh) | 一种应用于人机共驾的驾驶员脑电伪迹去除方法 | |
| CN114742116A (zh) | 一种模拟采集脑电信号的生成方法和系统 | |
| CN110547772B (zh) | 一种基于脑信号复杂度的个体年龄预测方法 | |
| CN113392853A (zh) | 一种基于图像识别的关门声品质测评识别方法 | |
| Vanitha et al. | A study on deep learning methods for skin disease classification | |
| CN111580641A (zh) | 基于vr的模拟军事决策效能监测预警系统 | |
| Bradfield | TRAUMATIC AXONAL INJURY IN THE MOUSE BRAIN | |
| JP2022061146A (ja) | 精神神経活動推定装置 | |
| CN117954077A (zh) | 一种用于帕金森病的轻度认知障碍发展预测方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |