有限元法作為研究鈍器致顱腦損傷機制的新方法，存在耗時長、專業性強等技術壁壘，影響其推廣應用。基于此，本研究提出了一種基于卷積神經網絡和有限元方法的棍棒類鈍器致顱腦損傷的快速量化評價方法。該方法以有限元仿真中提取的棍棒類鈍器速度曲線以及腦組織（大腦、胼胝體、小腦、腦干）最大主應變分別作為卷積神經網絡的輸入與輸出參數，并通過十折交叉驗證法訓練并優化卷積神經網絡，最終確定的卷積神經網絡模型對大腦最大主應變預測結果的平均絕對誤差（MAE）、均方誤差（MSE）、擬合優度（R2）分別為0.084、0.014、0.92；對胼胝體最大主應變預測結果的MAE、MSE、R2分別為0.062、0.007、0.90；對小腦及腦干最大主應變預測結果的MAE、MSE、R2分別為0.075、0.011、0.94。預測結果顯示，本研究開發的深度卷積神經網絡，能夠快速而準確地評估由棍棒類鈍器打擊引起的局部腦損傷，并對理解其造成的腦損傷與量化評價具有重要的應用價值。同時，該技術提高了計算效率，可為將當前基于加速度的腦損傷研究轉變為關注局部腦組織損傷的研究提供依據。
引用本文： 李海巖, 李海防, 何光龍, 劉文港, 崔世海, 賀麗娟, 呂文樂, 潘建宇, 周亦武. 基于卷積神經網絡和有限元法的棍棒類鈍器致腦損傷評價方法研究. 生物醫學工程學雜志, 2022, 39(2): 276-284. doi: 10.7507/1001-5515.202106087 復制
引言
顱腦是人體最重要的生命中樞，損傷后的致死率和致殘率極高[1]。在法醫學鑒定中，鈍器打擊是導致顱腦損傷的主要致傷因素之一，且棍棒類鈍器是主要的致傷工具。目前對鈍器致腦損傷的鑒定多依據鑒定人員的經驗判斷，這往往也會引起質疑，因此需要對其進行量化評價，用科學數據進行推斷分析。
研究鈍器打擊致顱腦損傷的機制和對其量化評價，尸體實驗是最直接有效的方法[2]。然而尸體實驗會對實驗樣本產生較大破壞導致無法重復使用，并且實驗樣本的獲取及倫理學要求使得實驗開展的難度較大。醫學影像技術的發展對創傷性腦損傷的研究有著重要的推動作用。但由于創傷性腦損傷病理改變的特殊性、微小性及彌漫性，醫學影像常存在低估現象，即影像學表征與傷情常不一致[3]；而且對于輕型創傷性腦損傷，即出現一定神經功能、認知或行為異常但無陽性影像學表現的癥狀，卻又無法準確檢測[4-5]。另外醫學影像不能定量分析腦損傷，因此不能對鈍器致腦損傷進行有效的量化評價。
隨著有限元技術的發展，借助有限元手段進行生物力學研究的應用也越來越多。尤其是在顱腦損傷研究中最為廣泛和深入，例如陳越等[6]和Li等[7]利用有限元技術研究了顱腦損傷機制。但是，有限元仿真實驗需要大量的計算時間與高性能的工作站[8-9]，并且需要操作人員具備一定的專業知識，這無疑限制了有限元技術在法醫學領域的推廣與應用。為了解決這一問題，一些用于預測腦損傷指標的簡化物理模型被提出[10-12]。這些模型以頭部運動學數據、相應的有限元仿真結果分別作為輸入和輸出，經過參數調整確定最優的模型，實現對腦損傷的量化評價。相比于傳統的損傷標準，比如頭部傷害指標（head injury criterion，HIC）、頭部碰撞能量準則（head impact power，HIP）、頭部損傷耐受度廣義加速度準則（a generalized acceleration model for brain injury threshold，GAMBIT）[13-15]，簡化物理模型提升了模型的復雜度和精確度。但是，對于較大的應變沖擊以及更加復雜的致傷因素，簡化的物理模型預測精度會大幅降低。這是由于在較大沖擊下未能捕獲到明顯的非線性關系所致[16]。另外，這些模型只能對腦組織進行整體性量化評價，并不能針對局部腦組織進行分析評估，因此對于局部腦損傷的量化評價不僅要提高計算效率，還必須注重預測精度。
近年來，卷積神經網絡在生物力學中的應用也逐漸興起。比如，使用卷積神經網絡預測肌肉骨骼力和步態分析等[17-18]。但是，其在鈍器傷預測方面的應用還未見報道。與上述使用簡化物理模型的研究不同，本研究采用卷積神經網絡對鈍器打擊下的局部腦損傷數據進行預測。卷積神經網絡屬于深度學習的一種，主要由輸入層、卷積層、池化層、全連接層和輸出層組成，現已廣泛應用于醫學圖像處理和機器視覺系統中[19-20]。在圖像處理時，圖片由輸入層輸入卷積神經網絡，經卷積層、池化層的交替操作進行特征提取以獲取相鄰像素、體素之間的結構信息[21-22]，最后通過全連接層的非線性映射經由輸出層輸出。卷積神經網絡通過模擬輸入和輸出之間的非線性關系，對復雜模型做出準確預測[23-24]。在實際應用時，使用訓練完成且經過驗證的卷積神經網絡預測局部腦損傷時，只需幾秒，甚至幾十毫秒，并且使用普通電腦即可完成操作，提高了計算效率，節約了計算資源。
綜上所述，本研究選擇卷積神經網絡算法和有限元技術相結合的方法預測鈍器打擊下的局部腦損傷，可將當前基于加速度的腦損傷研究轉變為專注于區域性的腦損傷研究，對司法鑒定中顱腦鈍器傷的量化評價、創傷性腦損傷機制研究、頭部保護裝置研發具有重要的應用價值。
1 方法
1.1 有限元仿真實驗
鈍器打擊造成的腦損傷案例中，木質棍棒、鐵質棍棒分別位于前兩位。其余種類鈍器占比較低，且不常見。因此，本文主要研究木質棍棒——圓木棍（round stick，RS）和鐵質棍棒——鋼管（steel pipe，SP）打擊下的腦損傷預測。研究中采用了18種木質和10種鐵質棍棒，相應結構參數如表1所示，其中Φ代表直徑。
表1
鈍器結構參數
Table1.
Structure parameters of blunt instruments
有限元仿真采用天津科技大學開發的中國50th百分位成人頭部有限元模型[25]。此模型具有詳細的解剖學結構，包括大腦、小腦、胼胝體、腦干等組織。通過再現經典Nahum等[26-27]尸體實驗、Yoganandan等[28]跌落實驗及公安部物證鑒定中心提供的真實鈍器打擊案例，對比仿真結果，驗證本文模型的有效性。
有限元仿真初始條件設置為具有一定初速度的棍棒類鈍器打擊頭部的不同部位。結合Koenig等[29]和Koike等[30]測得棒球棒的揮棒速度以及本研究前期實驗測試的棍棒類鈍器的揮棒速度，將棍棒類鈍器的打擊速度范圍設定為10～30 m/s。仿真實驗分別以10、15、20、25、30 m/s的速度打擊頭部前額、左前額、左頂骨、左后頂骨和后頂骨五個不同部位，如圖1所示，共計28種鈍器、5種速度、5個擊打部位的700組打擊實驗以及公安部物證鑒定中心授權使用的非公開真實案例。Thibault[31]以及Takhounts等[32]提出了以腦組織最大主應變（maximum principal strain，MPS）為基準的腦損傷評價標準，并被廣泛應用。因此本研究在有限元仿真中，提取大腦、胼胝體、小腦和腦干的MPS作為判斷腦組織損傷的依據。
圖1
鈍器打擊位置示意圖
Figure1.
The diagram of blunt attack positions
1.2 實驗數據處理
為了保護卷積神經網絡輸入信息的完整性，在仿真實驗中提取了鈍器在全局坐標系下沿X、Y、Z方向的速度曲線。相比于提取鈍器的合成速度，沿三個X、Y、Z方向的速度更能體現打擊過程中鈍器的空間信息。由于仿真時鈍器與頭部有限元模型的初始距離不盡相同，反映到速度曲線上則是打擊開始的時間不同。而不同打擊速度、不同類型的鈍器與頭部接觸的時間也存在差異，但卷積神經網絡需要固定的輸入尺寸[23]，因此需要對提取的速度曲線做進一步細化處理，如圖2所示。首先，平移速度曲線使其具有一致的起始時間。其次，裁去仿真中鈍器與頭部脫離接觸后的曲線，并以裁剪后最后一點的速度進行填充至2 ms。由于填充的速度曲線加速度為零，故不會影響最終結果[16]。最后，為降低卷積神經網絡輸入的圖片尺寸和減少特征，將速度圖片映射縮放，得到的映射圖分為上、中、下三部分，分別為X軸向分量、Y軸向分量和Z軸向分量。
圖2
速度曲線細化處理流程圖
Figure2.
The diagram of velocity curve processing
1.3 卷積神經網絡結構與訓練
本文以鈍器沿X、Y、Z三個方向的速度合成圖片、有限元仿真輸出結果分別作為輸入和輸出訓練卷積神經網絡。最終，根據雙通道卷積神經網絡結構[33]、InceptionNet網絡結構[34]以及研究經驗，通過參數調整構建了三個卷積神經網絡結構，并將其分別命名為串聯型、并聯型、混合型，如圖3所示。圖3中模型包含了卷積層、池化層、全連接層等卷積神經網絡經典結構，其中數字代表了對應結構的大小與深度。
圖3
卷積神經網絡結構及參數
Figure3.
The structure and parameters of convolutional neural network
應用有限元仿真實驗獲得的數據作為訓練卷積神經網絡的數據集。由于數據規模較小，且為防止出現過擬合[35]，卷積神經網絡訓練策略采用十折交叉驗證法[36-37]。根據訓練結果，選取了最優的卷積神經網絡參數。卷積神經網絡模型的預測結果評價采用平均絕對誤差（mean absolute error，MAE）、均方誤差（mean square error，MSE）和擬合優度（goodness of fit，R2）。MAE和MSE是衡量預測值精度的2個常用指標，其值越小代表預測的精確度越高，但MSE受異常值的影響較大。R2體現了模型的擬合優度，變化范圍在0～1之間，越接近1說明模型的擬合效果越好。因此，綜合考慮MSE、MAE和R2值選取最優模型。
2 結果
2.1 大腦MPS預測結果
串聯型、并聯型和混合型卷積神經網絡對大腦MPS的預測結果如圖4所示。可以看出，相比于混合型和并聯型，串聯模型的MSE與MAE值最小，且R2值最大。在±0.1MAE范圍內的點數，串聯型模型最多，其值N為73。而在±0.2MAE范圍內的點數，混合型模型最多，其N值為90。對于并聯型模型，其各項指標均較差。
圖4
大腦MPS預測結果
Figure4.
The prediction result of the MPS of the brain
2.2 胼胝體MPS預測結果
串聯型、并聯型和混合型卷積神經網絡對胼胝體MPS的預測結果如圖5所示。可以看出，相比于串聯型和并聯型，混合型的MSE和MAE值最小，且R2值最大。在±0.075 MAE范圍內的點數，并聯型模型最多，其值N為73。而在±0.15 MAE范圍內的點數，混合型模型與串聯型模型相等，其值N均為90。并聯型模型的各項參數均較差。
圖5
胼胝體MPS預測結果
Figure5.
The prediction results of the MPS of the corpus callosum
2.3 小腦和腦干MPS預測結果
串聯型、并聯型和混合型卷積神經網絡對小腦及腦干MPS的預測結果如圖6所示。可以看出，相比于混合型和并聯型模型，串聯型模型的MAE與MSE值最小，且R2最大。在±0.1 MAE內的點數，混合型模型最多，其值N為75。而在±0.2 MAE范圍內的點數，串聯型和混合型模型最多，其值N均為93。相比之下，并聯型模型結果較差。
圖6
小腦和腦干MPS預測結果
Figure6.
The prediction results of the MPS of the cerebellum and brainstem
3 討論
考慮到法醫鑒定中多種不同的打擊部位和打擊速度等復雜多變的現實因素，本研究設計了28種棍棒類鈍器以5種速度打擊頭部有限元模型5個不同部位的700組仿真實驗。在數據處理時，截取了鈍器速度曲線中與腦組織損傷聯系最為密切的部分，并在后續填充了恒定速度值，但這并不會影響卷積神經網絡的最終預測結果。因為在加速度為0時，鈍器與頭部有限元模型之間并不會產生相互作用力。
不同腦組織的最優模型以及預測精度如表2所示。從大腦MPS的預測結果來看，串聯模型的預測結果最優。對于胼胝體、小腦及腦干MPS的預測，混合和串聯模型分別位于第一位。而且可以看出局部腦組織MPS的預測結果中R2最低為0.90，這證明了所設計的卷積神經網絡能夠較為準確地反應出有限元仿真結果。相比之下，并聯模型對大腦、胼胝體、小腦及腦干的預測結果均較差，可能的原因是兩個通道學習到的特征一致，并未顯著增加有效特征量。
表2
最優模型與預測精度
Table2.
Optimal model and prediction accuracy
通過預測結果可以看出，經過復雜訓練的卷積神經網絡完全可以滿足對于預測精度的要求。然而在保持頭部損傷模型的復雜性和響應輸出準確性的同時，提高計算效率對于未來的推廣應用至關重要。在這項研究中，本文提出的卷積神經網絡方法以學習非線性沖擊—應變關系為目的，而無需簡化沖擊運動輸入、頭部損傷模型或響應輸出[10-12, 38]。從高端工作站上一組仿真實驗耗時平均2 h到筆記本電腦上50 ms左右的計算速度，計算效率有了顯著提高。同時對于大應變沖擊，卷積神經網絡預測值的MAE值仍在0.09以內，突出了該技術的穩定性以及優越的實際應用前景。然而，以數據為驅動的鈍器傷卷積神經網絡技術無法解決大腦生物力學反應背后的物理問題。但是，作為一種快速準確的鈍器傷局部腦部應變預測器，可以使其他非專業人員有效地獲取鈍器打擊下的腦組織響應數據。
有限元技術與深度學習的結合不僅促進了有限元的發展，而且擴展了深度學習的應用領域。文中局部腦組織應變的預測精度依賴于有限元模型、卷積神經網絡結構以及訓練方法。卷積神經網絡的訓練方法已日趨完善。因此，提高局部腦應變的預測精度將主要依賴于未來有限元技術的進步和深度學習理論的發展。
本研究現階段主要探索卷積神經網絡算法和有限元技術在法醫學研究領域中的應用方法，因此以有限元仿真實驗結果作為訓練的輸入參數，后續的研究仍需將實際案例與有限元仿真更好地結合，以提高神經網絡算法的精度，為法醫學量化評價方法的推廣應用奠定科學依據。盡管目前采用的有限元模型具有詳細的頭部解剖學結構特征，并通過對比實驗驗證了模型的有效性。但研究中僅采用了50th百分位頭部有限元模型，未來其他百分位的成人和兒童有限元模型將加入仿真計算中，以擴大樣本的應用范圍，比如95th百分位和5th百分位的有限元模型[39-40]。本研究重點使用的是頭部有限元模型來塑造鈍器致腦損傷卷積神經網絡，而在其他領域的應用仍值得研究擴展，例如在汽車碰撞中的行人保護等[41-42]。最后，本文采用的鈍器類型并沒有覆蓋所有鈍器，僅限于常見的棍棒類鈍器，后續會進一步拓展其他種類的鈍器，提高研究結果的推廣應用范圍。
4 結論
本研究開發了一個深度卷積神經網絡，其通過復雜訓練能夠快速而準確地評估由棍棒打擊引起的局部腦損傷。該技術不需要簡化沖擊運動學輸入、頭部損傷模型和響應輸出，并且對于大應變沖擊、針對特定區域的腦應變預測更為有效。同時，可以使復雜的頭部損傷模型能夠及時甚至在便攜式移動設備上產生特定區域的大腦應變響應，大大節約了計算資源。該技術可以將當前基于加速度的腦損傷研究轉變為專注于區域性的腦損傷研究，對棍棒類鈍器打擊造成的腦損傷量化評價方法研究、創傷性腦損傷機制研究和頭部保護裝置研發具有重要的應用價值。
重要聲明
利益沖突聲明：本文全體作者均聲明不存在利益沖突。
作者貢獻聲明：李海巖、崔世海、何光龍主要負責項目主持、平臺搭建、算法程序設計、協調溝通以及計劃安排；李海防、劉文港、潘建宇主要負責實驗流程、數據記錄與分析、算法程序設計；賀麗娟、呂文樂主要負責提供實驗指導，數據分析指導，論文審閱修訂，周亦武主要負責倫理和數據分析指導。
倫理聲明：本研究通過了華中科技大學同濟醫學院倫理委員會的審批（批文編號：[2012]倫審字（S398）號）。
引言
顱腦是人體最重要的生命中樞，損傷后的致死率和致殘率極高[1]。在法醫學鑒定中，鈍器打擊是導致顱腦損傷的主要致傷因素之一，且棍棒類鈍器是主要的致傷工具。目前對鈍器致腦損傷的鑒定多依據鑒定人員的經驗判斷，這往往也會引起質疑，因此需要對其進行量化評價，用科學數據進行推斷分析。
研究鈍器打擊致顱腦損傷的機制和對其量化評價，尸體實驗是最直接有效的方法[2]。然而尸體實驗會對實驗樣本產生較大破壞導致無法重復使用，并且實驗樣本的獲取及倫理學要求使得實驗開展的難度較大。醫學影像技術的發展對創傷性腦損傷的研究有著重要的推動作用。但由于創傷性腦損傷病理改變的特殊性、微小性及彌漫性，醫學影像常存在低估現象，即影像學表征與傷情常不一致[3]；而且對于輕型創傷性腦損傷，即出現一定神經功能、認知或行為異常但無陽性影像學表現的癥狀，卻又無法準確檢測[4-5]。另外醫學影像不能定量分析腦損傷，因此不能對鈍器致腦損傷進行有效的量化評價。
隨著有限元技術的發展，借助有限元手段進行生物力學研究的應用也越來越多。尤其是在顱腦損傷研究中最為廣泛和深入，例如陳越等[6]和Li等[7]利用有限元技術研究了顱腦損傷機制。但是，有限元仿真實驗需要大量的計算時間與高性能的工作站[8-9]，并且需要操作人員具備一定的專業知識，這無疑限制了有限元技術在法醫學領域的推廣與應用。為了解決這一問題，一些用于預測腦損傷指標的簡化物理模型被提出[10-12]。這些模型以頭部運動學數據、相應的有限元仿真結果分別作為輸入和輸出，經過參數調整確定最優的模型，實現對腦損傷的量化評價。相比于傳統的損傷標準，比如頭部傷害指標（head injury criterion，HIC）、頭部碰撞能量準則（head impact power，HIP）、頭部損傷耐受度廣義加速度準則（a generalized acceleration model for brain injury threshold，GAMBIT）[13-15]，簡化物理模型提升了模型的復雜度和精確度。但是，對于較大的應變沖擊以及更加復雜的致傷因素，簡化的物理模型預測精度會大幅降低。這是由于在較大沖擊下未能捕獲到明顯的非線性關系所致[16]。另外，這些模型只能對腦組織進行整體性量化評價，并不能針對局部腦組織進行分析評估，因此對于局部腦損傷的量化評價不僅要提高計算效率，還必須注重預測精度。
近年來，卷積神經網絡在生物力學中的應用也逐漸興起。比如，使用卷積神經網絡預測肌肉骨骼力和步態分析等[17-18]。但是，其在鈍器傷預測方面的應用還未見報道。與上述使用簡化物理模型的研究不同，本研究采用卷積神經網絡對鈍器打擊下的局部腦損傷數據進行預測。卷積神經網絡屬于深度學習的一種，主要由輸入層、卷積層、池化層、全連接層和輸出層組成，現已廣泛應用于醫學圖像處理和機器視覺系統中[19-20]。在圖像處理時，圖片由輸入層輸入卷積神經網絡，經卷積層、池化層的交替操作進行特征提取以獲取相鄰像素、體素之間的結構信息[21-22]，最后通過全連接層的非線性映射經由輸出層輸出。卷積神經網絡通過模擬輸入和輸出之間的非線性關系，對復雜模型做出準確預測[23-24]。在實際應用時，使用訓練完成且經過驗證的卷積神經網絡預測局部腦損傷時，只需幾秒，甚至幾十毫秒，并且使用普通電腦即可完成操作，提高了計算效率，節約了計算資源。
綜上所述，本研究選擇卷積神經網絡算法和有限元技術相結合的方法預測鈍器打擊下的局部腦損傷，可將當前基于加速度的腦損傷研究轉變為專注于區域性的腦損傷研究，對司法鑒定中顱腦鈍器傷的量化評價、創傷性腦損傷機制研究、頭部保護裝置研發具有重要的應用價值。
1 方法
1.1 有限元仿真實驗
鈍器打擊造成的腦損傷案例中，木質棍棒、鐵質棍棒分別位于前兩位。其余種類鈍器占比較低，且不常見。因此，本文主要研究木質棍棒——圓木棍（round stick，RS）和鐵質棍棒——鋼管（steel pipe，SP）打擊下的腦損傷預測。研究中采用了18種木質和10種鐵質棍棒，相應結構參數如表1所示，其中Φ代表直徑。
表1
鈍器結構參數
Table1.
Structure parameters of blunt instruments
有限元仿真采用天津科技大學開發的中國50th百分位成人頭部有限元模型[25]。此模型具有詳細的解剖學結構，包括大腦、小腦、胼胝體、腦干等組織。通過再現經典Nahum等[26-27]尸體實驗、Yoganandan等[28]跌落實驗及公安部物證鑒定中心提供的真實鈍器打擊案例，對比仿真結果，驗證本文模型的有效性。
有限元仿真初始條件設置為具有一定初速度的棍棒類鈍器打擊頭部的不同部位。結合Koenig等[29]和Koike等[30]測得棒球棒的揮棒速度以及本研究前期實驗測試的棍棒類鈍器的揮棒速度，將棍棒類鈍器的打擊速度范圍設定為10～30 m/s。仿真實驗分別以10、15、20、25、30 m/s的速度打擊頭部前額、左前額、左頂骨、左后頂骨和后頂骨五個不同部位，如圖1所示，共計28種鈍器、5種速度、5個擊打部位的700組打擊實驗以及公安部物證鑒定中心授權使用的非公開真實案例。Thibault[31]以及Takhounts等[32]提出了以腦組織最大主應變（maximum principal strain，MPS）為基準的腦損傷評價標準，并被廣泛應用。因此本研究在有限元仿真中，提取大腦、胼胝體、小腦和腦干的MPS作為判斷腦組織損傷的依據。
圖1
鈍器打擊位置示意圖
Figure1.
The diagram of blunt attack positions
1.2 實驗數據處理
為了保護卷積神經網絡輸入信息的完整性，在仿真實驗中提取了鈍器在全局坐標系下沿X、Y、Z方向的速度曲線。相比于提取鈍器的合成速度，沿三個X、Y、Z方向的速度更能體現打擊過程中鈍器的空間信息。由于仿真時鈍器與頭部有限元模型的初始距離不盡相同，反映到速度曲線上則是打擊開始的時間不同。而不同打擊速度、不同類型的鈍器與頭部接觸的時間也存在差異，但卷積神經網絡需要固定的輸入尺寸[23]，因此需要對提取的速度曲線做進一步細化處理，如圖2所示。首先，平移速度曲線使其具有一致的起始時間。其次，裁去仿真中鈍器與頭部脫離接觸后的曲線，并以裁剪后最后一點的速度進行填充至2 ms。由于填充的速度曲線加速度為零，故不會影響最終結果[16]。最后，為降低卷積神經網絡輸入的圖片尺寸和減少特征，將速度圖片映射縮放，得到的映射圖分為上、中、下三部分，分別為X軸向分量、Y軸向分量和Z軸向分量。
圖2
速度曲線細化處理流程圖
Figure2.
The diagram of velocity curve processing
1.3 卷積神經網絡結構與訓練
本文以鈍器沿X、Y、Z三個方向的速度合成圖片、有限元仿真輸出結果分別作為輸入和輸出訓練卷積神經網絡。最終，根據雙通道卷積神經網絡結構[33]、InceptionNet網絡結構[34]以及研究經驗，通過參數調整構建了三個卷積神經網絡結構，并將其分別命名為串聯型、并聯型、混合型，如圖3所示。圖3中模型包含了卷積層、池化層、全連接層等卷積神經網絡經典結構，其中數字代表了對應結構的大小與深度。
圖3
卷積神經網絡結構及參數
Figure3.
The structure and parameters of convolutional neural network
應用有限元仿真實驗獲得的數據作為訓練卷積神經網絡的數據集。由于數據規模較小，且為防止出現過擬合[35]，卷積神經網絡訓練策略采用十折交叉驗證法[36-37]。根據訓練結果，選取了最優的卷積神經網絡參數。卷積神經網絡模型的預測結果評價采用平均絕對誤差（mean absolute error，MAE）、均方誤差（mean square error，MSE）和擬合優度（goodness of fit，R2）。MAE和MSE是衡量預測值精度的2個常用指標，其值越小代表預測的精確度越高，但MSE受異常值的影響較大。R2體現了模型的擬合優度，變化范圍在0～1之間，越接近1說明模型的擬合效果越好。因此，綜合考慮MSE、MAE和R2值選取最優模型。
2 結果
2.1 大腦MPS預測結果
串聯型、并聯型和混合型卷積神經網絡對大腦MPS的預測結果如圖4所示。可以看出，相比于混合型和并聯型，串聯模型的MSE與MAE值最小，且R2值最大。在±0.1MAE范圍內的點數，串聯型模型最多，其值N為73。而在±0.2MAE范圍內的點數，混合型模型最多，其N值為90。對于并聯型模型，其各項指標均較差。
圖4
大腦MPS預測結果
Figure4.
The prediction result of the MPS of the brain
2.2 胼胝體MPS預測結果
串聯型、并聯型和混合型卷積神經網絡對胼胝體MPS的預測結果如圖5所示。可以看出，相比于串聯型和并聯型，混合型的MSE和MAE值最小，且R2值最大。在±0.075 MAE范圍內的點數，并聯型模型最多，其值N為73。而在±0.15 MAE范圍內的點數，混合型模型與串聯型模型相等，其值N均為90。并聯型模型的各項參數均較差。
圖5
胼胝體MPS預測結果
Figure5.
The prediction results of the MPS of the corpus callosum
2.3 小腦和腦干MPS預測結果
串聯型、并聯型和混合型卷積神經網絡對小腦及腦干MPS的預測結果如圖6所示。可以看出，相比于混合型和并聯型模型，串聯型模型的MAE與MSE值最小，且R2最大。在±0.1 MAE內的點數，混合型模型最多，其值N為75。而在±0.2 MAE范圍內的點數，串聯型和混合型模型最多，其值N均為93。相比之下，并聯型模型結果較差。
圖6
小腦和腦干MPS預測結果
Figure6.
The prediction results of the MPS of the cerebellum and brainstem
3 討論
考慮到法醫鑒定中多種不同的打擊部位和打擊速度等復雜多變的現實因素，本研究設計了28種棍棒類鈍器以5種速度打擊頭部有限元模型5個不同部位的700組仿真實驗。在數據處理時，截取了鈍器速度曲線中與腦組織損傷聯系最為密切的部分，并在后續填充了恒定速度值，但這并不會影響卷積神經網絡的最終預測結果。因為在加速度為0時，鈍器與頭部有限元模型之間并不會產生相互作用力。
不同腦組織的最優模型以及預測精度如表2所示。從大腦MPS的預測結果來看，串聯模型的預測結果最優。對于胼胝體、小腦及腦干MPS的預測，混合和串聯模型分別位于第一位。而且可以看出局部腦組織MPS的預測結果中R2最低為0.90，這證明了所設計的卷積神經網絡能夠較為準確地反應出有限元仿真結果。相比之下，并聯模型對大腦、胼胝體、小腦及腦干的預測結果均較差，可能的原因是兩個通道學習到的特征一致，并未顯著增加有效特征量。
表2
最優模型與預測精度
Table2.
Optimal model and prediction accuracy
通過預測結果可以看出，經過復雜訓練的卷積神經網絡完全可以滿足對于預測精度的要求。然而在保持頭部損傷模型的復雜性和響應輸出準確性的同時，提高計算效率對于未來的推廣應用至關重要。在這項研究中，本文提出的卷積神經網絡方法以學習非線性沖擊—應變關系為目的，而無需簡化沖擊運動輸入、頭部損傷模型或響應輸出[10-12, 38]。從高端工作站上一組仿真實驗耗時平均2 h到筆記本電腦上50 ms左右的計算速度，計算效率有了顯著提高。同時對于大應變沖擊，卷積神經網絡預測值的MAE值仍在0.09以內，突出了該技術的穩定性以及優越的實際應用前景。然而，以數據為驅動的鈍器傷卷積神經網絡技術無法解決大腦生物力學反應背后的物理問題。但是，作為一種快速準確的鈍器傷局部腦部應變預測器，可以使其他非專業人員有效地獲取鈍器打擊下的腦組織響應數據。
有限元技術與深度學習的結合不僅促進了有限元的發展，而且擴展了深度學習的應用領域。文中局部腦組織應變的預測精度依賴于有限元模型、卷積神經網絡結構以及訓練方法。卷積神經網絡的訓練方法已日趨完善。因此，提高局部腦應變的預測精度將主要依賴于未來有限元技術的進步和深度學習理論的發展。
本研究現階段主要探索卷積神經網絡算法和有限元技術在法醫學研究領域中的應用方法，因此以有限元仿真實驗結果作為訓練的輸入參數，后續的研究仍需將實際案例與有限元仿真更好地結合，以提高神經網絡算法的精度，為法醫學量化評價方法的推廣應用奠定科學依據。盡管目前采用的有限元模型具有詳細的頭部解剖學結構特征，并通過對比實驗驗證了模型的有效性。但研究中僅采用了50th百分位頭部有限元模型，未來其他百分位的成人和兒童有限元模型將加入仿真計算中，以擴大樣本的應用范圍，比如95th百分位和5th百分位的有限元模型[39-40]。本研究重點使用的是頭部有限元模型來塑造鈍器致腦損傷卷積神經網絡，而在其他領域的應用仍值得研究擴展，例如在汽車碰撞中的行人保護等[41-42]。最后，本文采用的鈍器類型并沒有覆蓋所有鈍器，僅限于常見的棍棒類鈍器，后續會進一步拓展其他種類的鈍器，提高研究結果的推廣應用范圍。
4 結論
本研究開發了一個深度卷積神經網絡，其通過復雜訓練能夠快速而準確地評估由棍棒打擊引起的局部腦損傷。該技術不需要簡化沖擊運動學輸入、頭部損傷模型和響應輸出，并且對于大應變沖擊、針對特定區域的腦應變預測更為有效。同時，可以使復雜的頭部損傷模型能夠及時甚至在便攜式移動設備上產生特定區域的大腦應變響應，大大節約了計算資源。該技術可以將當前基于加速度的腦損傷研究轉變為專注于區域性的腦損傷研究，對棍棒類鈍器打擊造成的腦損傷量化評價方法研究、創傷性腦損傷機制研究和頭部保護裝置研發具有重要的應用價值。
重要聲明
利益沖突聲明：本文全體作者均聲明不存在利益沖突。
作者貢獻聲明：李海巖、崔世海、何光龍主要負責項目主持、平臺搭建、算法程序設計、協調溝通以及計劃安排；李海防、劉文港、潘建宇主要負責實驗流程、數據記錄與分析、算法程序設計；賀麗娟、呂文樂主要負責提供實驗指導，數據分析指導，論文審閱修訂，周亦武主要負責倫理和數據分析指導。
倫理聲明：本研究通過了華中科技大學同濟醫學院倫理委員會的審批（批文編號：[2012]倫審字（S398）號）。
