Assessing bicycle helmet protection for head and neck in E-scooter falls
Notice bibliographique
Résumé
Objectives The rapid increase in E-scooter usage has led to more scooter-related head and neck injuries. Yet, experimental data on head impacts and helmet effectiveness during crashes are scarce. The objectives of this study are to experimentally evaluate bicycle helmets in E-scooter falls, assessing head kinematics, impact conditions, and injury risks in two crash scenarios with and without helmets.Methods Six E-scooter forward falls, induced by a curb collision at 20 km/h, were simulated in sled tests using a Hybrid III 50th anthropomorphic test device with and without a helmet. The curb was positioned either perpendicularly or at a 55° angle to the E-scooter’s trajectory. Head velocity, head acceleration, neck load, chest acceleration, and chest deflection were measured.Results The average normal and tangential head velocities at impact were 5.9 m/s and 3.7 m/s, respectively. In configurations without helmet, both head accelerations and neck loads exceeded some injury thresholds, indicating a risk of severe injury. Using a helmet significantly reduced peak head linear (143 g vs. 571 g) and rotational (9.8 krad/s2 vs. 23.1 krad/s2) accelerations, and Head Injury Criterion (HIC) (792 vs. 5868). However, it did not significantly affect peak head rotational velocity (44.5 rad/s vs. 41.5 rad/s), neck load (in flexion-compression) nor Neck Injury Criterion (NIJ) (1.2 vs. 1.0).Conclusion The bicycle helmet significantly reduced most head injury metrics. Yet, the risk of severe head and neck injuries remains high. These results offer valuable data for evaluating head protection and developing and validating numerical crash test reconstructions for further investigations.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».