畳み込みニューラルネットワークに基づく頭部衝撃動力学測定のノイズ除去の研究と応用

研究背景

軽度外傷性脳損傷（MTBI）は、世界的な健康の脅威である。人間は転倒、交通事故、スポーツなどの状況でMTBIのリスクにさらされることが多い。統計によると、2016年には世界で2700万件以上の脳損傷の事例があり、そのうち80%は「軽度」の脳損傷で、症状は比較的軽いが長期的な病理変化を引き起こす可能性がある。MTBIの病状分類は通常、グラスゴー昏睡尺度（GCS）によって行われ、そのスコアが12以上の患者は軽度脳損傷に分類される。急性期後には症状が迅速に回復することが多いが、長期的には慢性外傷性脳症（CTE）などの合併症が生じる可能性がある。

頭部衝撃が脳に与える影響を定量化するために、研究者は頭部運動学パラメータを測定する多種のウェアラブルセンサー技術を開発してきた。これらのシステムには、頭部衝撃テレメトリーシステム（HITS）、XPatch、ヘッドバンド/スカーフセンサー、およびマウスピースに取り付けたセンサーが含まれる。しかし、これらのセンサーと人体との interface の不完全さのため、ノイズの問題が内在しており、より高精度な測定方法が必要である。

論文の出所

本論文は、Stanford University 生物工学部、北航生命科学・医療工学学院などの研究者であるXianghao Zhan、Yuzhe Liu、Nicholas J. Cecchiらによって執筆され、2024年に IEEE Transactions on Biomedical Engineering に掲載されたものである。この論文の目的は、口腔用保護具で測定された頭部衝撃の動的動作データをデノイズするための1次元畳み込みニューラルネットワーク（1D-CNN）モデルを提供し、外傷性脳損傷（TBI）リスクモニタリングの精度を向上させることである。

研究作業フロー

本文では、主に次の段階を含む原始研究を記述している：

実験設定とデータ収集

研究者は、Hybrid III首を含む下顎負荷感知頭部ダミー（ATD）を使用し、実験室環境で頭部衝撃をシミュレートした。衝撃は空気圧で加速される衝撃ハンマーによって加えられ、頭部ダミーの重心（COG）に取り付けられた高精度加速度計・ジャイロスコープセンサーによって頭部運動学データが収集された。標準プロトコルと非繰り返しプロトコルを使用して163個の独立した実験衝撃データが収集され、口腔用保護具データはフィルタ処理され、基準データと時間的に整合された。

1次元畳み込みニューラルネットワークデノイズモデルの開発

研究チームは、運動学信号の時間的特徴を抽出し、基準信号と比較するため、6層の畳み込みカーネルを含む1D-CNNモデルを設計した。具体的なプロセスは、全データセットをトレーニングセット（113回の衝撃、70%）、検証セット（25回の衝撃、15%）、テストセット（25回の衝撃、15%）に分割し、スライドウィンドウを使用してデータを増強することである。

脳損傷基準の計算

デノイズ効果を評価するため、研究者は頭部損傷基準（BIC）の6つの異なる基準を計算した。これには、頭部損傷基準（HIC）、頭部損傷パワー（HIP）、脳損傷閾値の広義加速度モデル（GAMBIT）、重大指数（SI）、脳損傷基準（BRIC）および脳震盪の結合確率（CP）が含まれる。

有限要素モデルに基づく脳のひずみとひずみ速度の計算

検証済みのKTH有限要素モデルを使用して脳組織レベルのひずみ（MPS）およびひずみ速度（MPSR）を計算し、さらにロジスティック回帰損傷リスク関数を適用して脳震盪リスクを予測した。

主な研究結果

運動学レベルでのモデル性能

実験結果によると、1D-CNNモデルでノイズ除去した口腔用保護具の測定データは基準データと高い相関があり、ピーク絶対誤差と二乗平均平方根誤差がそれぞれ36%および56%減少した。特にz軸の線形加速度の二乗平均平方根誤差が56%減少し、x軸の角速度のピーク絶対誤差が86%も減少した。

脳損傷基準レベルでのモデル性能

6種類の脳損傷基準のうち、4種類の基準の誤差がノイズ除去後に顕著に減少し、平均誤差が82%減少した。これらの脳損傷基準は、頭部衝撃後に脳損傷リスクを迅速に定量化するための有効な方法である。

組織レベルのひずみとひずみ速度レベルでのモデル性能

脳のひずみとひずみ速度の計算においても、1D-CNNモデルは同様に高い性能を示した。ノイズ除去後の要素レベルMPSとMPSRの推定誤差は顕著に減少し（p<0.001）、ノイズ除去は高ひずみおよび高ひずみ速度領域をより正確に検出できることが示された。

フィールドサッカー衝撃のモデルブラインドテスト

118個のフィールドサッカー衝撃データに対するブラインドテストでは、ノイズ除去はピーク運動学データを減少させるだけでなく、全脳のMPSおよびMPSRも顕著に減少させた。

人体衝撃データでのモデル性能

413回の人体衝撃データに対するノイズ除去効果のさらなるテストでは、最もノイズの多い10%および5%の衝撃データに対してノイズ除去モデルは測定精度を顕著に向上させ、ピーク角速度の誤差をそれぞれ75.6%と82.3%減少させた。

研究の意義と価値

本論文は、ディープラーニングに基づく1次元畳み込みニューラルネットワークを使用して頭部運動学データのノイズ除去を行う方法を初めて提案しており、口腔用保護具の測定データの精度を向上させることで、TBIの診断および研究に対するより正確な頭部運動学測定データを提供する。この方法は頭部衝撃データのノイズ問題に対処する上で大きな応用価値があり、特にフィールドでのスポーツなど複雑なシーンでのさらなる検証と普及の価値がある。 この研究は、テストデータで優れたノイズ除去性能を示しているだけでなく、コードをオープンソース化することで他の研究者に対してモデル開発とデータ処理の具体的方法を提供している。しかし、実際の応用においては、さまざまな実際のシーンでのモデルの精度と信頼性を確認するために実際のヒト被験者のデータを使用してさらなる検証が必要である。