S'abonner

Proposing a Radial Basis Function and CSDM Indices to Predict the Traumatic Brain Injury Risk - 20/07/19

Doi : 10.1016/j.irbm.2019.06.003 
J. Afshari a, , M. Haghpanahi a , R. Kalantarinejad b , M.M. Tafarroj c
a School of Mechanical Engineering, Iran University of Science and Technology, Tehran, 16846 13114, Iran 
b Shezan Research and Innovation Centre, No. 25, Innovation 2 St., Pardis TechPark, Tehran, Iran 
c Department of Mechanical Engineering, Ferdowsi University of Mashhad, Mashhad, Iran 

Corresponding author.

Bienvenue sur EM-consulte, la référence des professionnels de santé.
L’accès au texte intégral de cet article nécessite un abonnement.

pages 9
Iconographies 9
Vidéos 0
Autres 0

Abstract

Background

Many head injury indices and finite element (FE) head models have been proposed to predict traumatic brain injury (TBI). Although FE head models are suitable methods with high accuracy, they are computationally intensive. Head motion-based brain injury criteria are usually fast tools with lower accuracy. So, the objective of this study is to propose new criteria along with an artificial neural network model to predict TBI risks, which can be fast and accurate.

Methods

For this purpose, 250 FE head simulations have been carried out at 5 magnitudes and 50 rotational impact directions using the SIMon model. The effects of directions and magnitudes of rotational impacts were assessed for cumulative strain damage measure (CSDM) values. Next, statistical analysis and neural network were applied to predict CSDM values.

Results

The results of the present research showed that the direction of rotation in the sagittal and frontal planes had a considerable effect on the CSDM values. Furthermore, new brain injury indices and a radial basis function neural network have been proposed to predict CSDM values which having high correlation coefficients with SIMon responses.

Conclusions

The results of this research demonstrated that rotational impact directions should be used to develop new head injury criteria being able to predict CSDM values. However, findings of present research proved that head motion-based brain injury criteria and RBF network can be used to predict FE head model responses with high speed and accuracy.

Le texte complet de cet article est disponible en PDF.

Graphical abstract

Le texte complet de cet article est disponible en PDF.

Highlights

A developed method for predicting the effect of impact direction on brain responses.
The proposed metric predicts cumulative strain damage measure.
The proposed radial basis function neural network predicts SIMon responses.
Our method enables a faster and easier diagnosis probability of TBI.

Le texte complet de cet article est disponible en PDF.

Keywords : Traumatic brain injury, Computational modeling, Finite element method, Injury criteria, Artificial neural network


Plan


© 2019  AGBM. Publié par Elsevier Masson SAS. Tous droits réservés.
Ajouter à ma bibliothèque Retirer de ma bibliothèque Imprimer
Export

    Export citations

  • Fichier

  • Contenu

Vol 40 - N° 4

P. 244-252 - août 2019 Retour au numéro
Article précédent Article précédent
  • A Modified DWT-SVD Algorithm for T1-w Brain MR Images Contrast Enhancement
  • M. Sahnoun, F. Kallel, M. Dammak, O. Kammoun, C. Mhiri, K. Ben Mahfoudh, A. Ben Hamida

Bienvenue sur EM-consulte, la référence des professionnels de santé.
L’accès au texte intégral de cet article nécessite un abonnement.

Bienvenue sur EM-consulte, la référence des professionnels de santé.
L’achat d’article à l’unité est indisponible à l’heure actuelle.

Déjà abonné à cette revue ?

Mon compte


Plateformes Elsevier Masson

Déclaration CNIL

EM-CONSULTE.COM est déclaré à la CNIL, déclaration n° 1286925.

En application de la loi nº78-17 du 6 janvier 1978 relative à l'informatique, aux fichiers et aux libertés, vous disposez des droits d'opposition (art.26 de la loi), d'accès (art.34 à 38 de la loi), et de rectification (art.36 de la loi) des données vous concernant. Ainsi, vous pouvez exiger que soient rectifiées, complétées, clarifiées, mises à jour ou effacées les informations vous concernant qui sont inexactes, incomplètes, équivoques, périmées ou dont la collecte ou l'utilisation ou la conservation est interdite.
Les informations personnelles concernant les visiteurs de notre site, y compris leur identité, sont confidentielles.
Le responsable du site s'engage sur l'honneur à respecter les conditions légales de confidentialité applicables en France et à ne pas divulguer ces informations à des tiers.


Tout le contenu de ce site: Copyright © 2024 Elsevier, ses concédants de licence et ses contributeurs. Tout les droits sont réservés, y compris ceux relatifs à l'exploration de textes et de données, a la formation en IA et aux technologies similaires. Pour tout contenu en libre accès, les conditions de licence Creative Commons s'appliquent.