Étude et application de la débruitage des mesures dynamiques des impacts à la tête basée sur les réseaux de neurones convolutifs

Contexte de la recherche

Le traumatisme crânien léger (MTBI) est une menace mondiale pour la santé. Les êtres humains sont souvent confrontés au risque de MTBI dans des situations telles que chutes, accidents de la route et sports. Selon les statistiques, en 2016, il y a eu plus de 27 millions de cas de traumatisme crânien dans le monde, dont 80 % étaient des traumatismes crâniens “légers”, c’est-à-dire des symptômes relativement légers mais qui peuvent entraîner des changements pathologiques à long terme. La classification de la gravité du MTBI est généralement effectuée par le biais du score de l’échelle de Glasgow (GCS), les patients avec un score supérieur à 12 étant classés comme ayant un traumatisme crânien léger. Bien que les symptômes puissent se rétablir rapidement après la phase aiguë, à long terme, les patients peuvent développer des complications telles que l’encéphalopathie traumatique chronique (ETC).

Afin de quantifier l’impact d’un choc à la tête sur le cerveau, les chercheurs ont développé diverses technologies de capteurs portables pour mesurer les paramètres de la cinématique de la tête. Ces systèmes incluent le système de télémétrie des impacts à la tête (HITS), XPatch, des capteurs de bandeau et des capteurs montés sur les protège-dents. Cependant, en raison des imperfections inhérentes à l’interface de ces capteurs avec le corps humain, ils présentent essentiellement des problèmes de bruit, nécessitant ainsi des méthodes de mesure plus précises.

Origine de l’article

Cet article est rédigé par Xianghao Zhan, Yuzhe Liu, Nicholas J. Cecchi et d’autres chercheurs provenant du département de bio-ingénierie de l’Université de Stanford, de l’école de sciences biologiques et d’ingénierie médicale de Beihang, entre autres institutions. Cet article a été publié dans la revue IEEE Transactions on Biomedical Engineering en 2024. Son objectif est de fournir un modèle de réseau de neurones convolutifs unidimensionnels (1D-CNN) basé sur l’apprentissage profond pour le débruitage des données cinématiques des impacts à la tête mesurées par des protège-dents afin d’améliorer la précision de la surveillance du risque de traumatisme crânien (TBI).

Processus de travail de la recherche

Cet article décrit une recherche originale, principalement composée des étapes suivantes :

Configuration expérimentale et collecte de données

Les chercheurs ont utilisé, dans un environnement de laboratoire, une tête artificielle équipée d’un capteur de mâchoire (ATD) avec un cou Hybrid III pour simuler les impacts à la tête. Les impacts ont été appliqués par un marteau propulsé par pression d’air et les données cinématiques de référence ont été recueillies à l’aide d’un accéléromètre haute précision et de capteurs gyroscopiques installés au centre de gravité (COG) de la tête artificielle. Un total de 163 impacts expérimentaux indépendants a été collecté selon des protocoles standard et non répétitifs. Les données provenant des protège-dents ont été filtrées et alignées temporellement avec les données de référence.

Développement d’un modèle de débruitage par réseau de neurones convolutifs unidimensionnels

L’équipe de recherche a conçu un modèle 1D-CNN avec six couches de convolution pour extraire les caractéristiques temporelles des signaux cinématiques et les comparer aux signaux de référence. Le processus consiste notamment à diviser l’ensemble des données en ensemble d’entraînement (113 impacts, 70 %), ensemble de validation (25 impacts, 15 %) et ensemble de test (25 impacts, 15 %) et à procéder à une augmentation des données par la fenêtre glissante.

Calcul des critères de lésions cérébrales

Pour évaluer les effets du débruitage, les chercheurs ont calculé six différents critères de lésions cérébrales (BIC), dont le Critère de Lésion à la Tête (HIC), la Puissance de Lésion à la Tête (HIP), le Modèle Généralisé d’Accélération au Seuil de Lésion Cérébrale (GAMBIT), l’Indice de Gravité (SI), le Critère de Lésion Cérébrale (BRIC) et la Probabilité de Commotion (CP).

Calcul des déformations et taux de déformation du cerveau basés sur un modèle éléments finis

Ils ont utilisé un modèle éléments finis validé de KTH pour calculer la déformation maximale (MPS) et le taux de déformation maximale (MPSR) au niveau du tissu cérébral et appliqué une fonction de risque de lésion par régression logistique pour prédire le risque de commotion cérébrale.

Principaux résultats de l’étude

Performances du modèle au niveau cinématique

Les résultats expérimentaux montrent que les données mesurées par les protège-dents, après débruitage par le modèle 1D-CNN, présentent une corrélation plus élevée avec les données de référence, avec une réduction relative de 36 % et 56 % de l’erreur absolue de pic et de l’erreur quadratique moyenne, respectivement. L’erreur quadratique moyenne de l’accélération linéaire en z a diminué de 56 %, tandis que l’erreur absolue de pic de la vitesse angulaire en x a diminué de 86 %.

Performances du modèle au niveau des critères de lésions cérébrales

Parmi les six critères de lésions cérébrales analysés, l’erreur de quatre critères a significativement diminué après débruitage, avec une réduction moyenne de 82 %. Ces critères sont des méthodes efficaces pour quantifier rapidement le risque de lésion cérébrale après un impact crânien.

Performances du modèle au niveau de la déformation et du taux de déformation du tissu

Pour le calcul de la déformation et du taux de déformation cérébrale, le modèle 1D-CNN possède également de bonnes performances. Les erreurs estimées des MPS et MPSR au niveau des éléments ont significativement diminué (p < 0.001), indiquant que le débruitage permet de détecter plus précisément les zones de haute déformation et de haut taux de déformation.

Test à l’aveugle du modèle avec des impacts de football sur le terrain

Le test à l’aveugle mené sur 118 impacts de football sur le terrain a montré que le débruitage a non seulement réduit les données cinématiques de pic mais a également significativement diminué les MPS et MPSR de tout le cerveau.

Performances du modèle avec les données d’impacts humains

Des tests supplémentaires effectués sur 413 impacts humains ont montré que le modèle de débruitage améliore significativement la précision des mesures pour les 10 % et 5 % des données les plus bruyantes, avec une réduction de l’erreur de la vitesse angulaire de pic atteignant respectivement 75,6 % et 82,3 %.

Signification et valeur de la recherche

Cet article propose pour la première fois une méthode de débruitage des données cinématiques de tête basée sur un réseau de neurones convolutifs unidimensionnels, contribuant à améliorer la précision des mesures des protège-dents, fournissant des données cinématiques de la tête plus précises pour un diagnostic et une recherche plus avancés des TBIs. Cette méthode possède une valeur applicative importante pour traiter le problème du bruit dans les données d’impact à la tête, surtout dans des environnements complexes comme les sports sur le terrain. Il est suggéré de vérifier et promouvoir davantage cette méthode.

Cette recherche non seulement montre de bonnes performances de débruitage sur les données de test mais fournit également, grâce à l’ouverture de son code source, des méthodes spécifiques de développement de modèle et de traitement des données pour d’autres chercheurs. Toutefois, dans des applications pratiques, il est nécessaire de vérifier davantage les données avec des sujets humains réels afin de garantir l’exactitude et la fiabilité du modèle dans diverses situations réelles.