Predicting Cumulative and Maximum Brain Strain Measures From HybridIII Head Kinematics: A Combined Laboratory Study and Post-Hoc Regression Analysis
Notice bibliographique
Résumé
Due to growing concern on brain injury in sport, and the role that helmets could play in preventing brain injury caused by impact, biomechanics researchers and helmet certification organizations are discussing how helmet assessment methods might change to assess helmets based on impact parameters relevant to brain injury. To understand the relationship between kinematic measures and brain strain, we completed hundreds of impacts using a 50th percentile Hybrid III head-neck wearing an ice hockey helmet and input three-dimensional impact kinematics to a finite element brain model called the Simulated Injury Monitor (SIMon) (n = 267). Impacts to the helmet front, back and side included impact speeds from 1.2 to 5.8 ms−1. Linear regression models, compared through multiple regression techniques, calculating adjusted R 2 and the F-statistic, determined the most efficient set of kinematics capable of predicting SIMon-computed brain strain, including the cumulative strain damage measure (specifically CSDM-15) and maximum principal strain (MPS). Resultant change in angular velocity, Δω R, better predicted CSDM-15 and MPS than the current helmet certification metric, peak g, and was the most efficient model for predicting strain, regardless of impact location. In nearly all cases, the best two-variable model included peak resultant angular acceleration, α R, and Δω R.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».