Advances in finite element models of the human head for traumatic brain injury research
-
摘要: 创伤性脑损伤(traumatic brain injury, TBI)是发病率、患病率最高的神经系统疾病,为全社会带来了巨大的公共卫生负担。深入研究TBI的生物力学原理有助于提升头部防护效果,发展快速评估技术并采取及时干预,从而降低伤情恶化的风险。人类头部有限元模型(finite element head model, FEHM)作为一种数值分析工具,能够模拟头部在受到冲击时的动态响应,包括脑组织的应力应变时空分布、颅内压的变化等,为理解创伤性脑损伤的力学机制提供了重要依据。本文详细总结了国内外主流的人类头部有限元模型的现状与发展,追溯了模型的发展历程,总结了模型的特点并介绍了基于有限元模型的TBI机制研究进展。对相关研究的总结和梳理将有助于开发新型FEHM,并为创伤性脑损伤的风险评估及防护装备的设计提供理论指导和技术支撑。Abstract: Traumatic brain injury (TBI) is the neurological disorder with the highest incidence and prevalence, and poses a huge public health burden for the whole society. An in-depth study of the biomechanics of TBI can help to improve the effectiveness of head protection, develop rapid assessment techniques and take timely interventions, thus reducing the risk of injury deterioration. As a numerical analysis tool, the finite element head model (FEHM) is able to simulate the dynamic response of the head during impact, including the spatial and temporal distribution of stress-strain in brain tissues, and the change of intracranial pressure, which provides an important basis for understanding the mechanical mechanism of traumatic brain injury (TBI). This paper summarizes in detail the current status and development of mainstream finite element models of the human head at home and abroad, traces the development of the models, summarises the characteristics of the models and introduces the research progress of TBI mechanisms based on finite element models. The summary and sorting out of related research will be helpful for the development of new FEHMs and provide theoretical guidance and technical support for the risk assessment of traumatic brain injury and the design of protective equipment.
-
创伤性脑损伤(traumatic brain injury, TBI)是发病率、患病率最高的神经系统疾病,给全社会带来了巨大的公共卫生负担。预计到2030年,TBI仍将是致死和致残的三大原因之一[1]。TBI的成因复杂多样,主要可分为道路交通事故、接触性运动损伤和意外跌倒等。TBI不仅表现为急性的身体损伤,随着时间推移,它还可能发展为慢性疾病[2],引发一系列迟发性神经退行性疾病,例如造成认知、记忆、情绪等方面的障碍[3]。
根据病情的发展过程,可将TBI分为原发性脑损伤和继发性脑损伤。原发性脑损伤通常是由于外部冲击力直接作用于大脑[4],造成皮质表面挫伤(瘀伤)、血肿和撕裂伤等[5];继发性脑损伤则是由原发性脑损伤引起的一系列病理生理反应,这些反应可能在较长时间内持续影响大脑功能[6]。因此,深入理解TBI的发生机制,并对继发性脑损伤及时采取干预措施,对改善临床治疗效果至关重要。
目前,针对TBI力学机制的研究表明,大脑皮层及内部结构所受到的剪切变形,主要源于颅骨-大脑间的相对转动,这一过程是导致颅脑创伤的关键因素[7]。此外,在旋转力的作用下,深层大脑白质中的轴突会发生结构性损伤,称为弥漫性轴索损伤(diffuse axonal injury, DAI)[8]。相关的实验损伤模型表明,DAI与TBI后神经退行性变化的发生密切相关。通过神经影像学手段,可以估计DAI的发生部位和严重程度,从而预测后续脑萎缩的位置[9]。为了更准确地评估颅脑损伤程度,最大限度地降低退行性疾病的风险,了解TBI发生全过程的力学响应是必要的。
基于尸体所进行的冲击实验[10-15]已为研究人类头部受击时的生物力学响应提供了重要的实验数据。通过对真实颅脑的解剖结构进行建模,在过去的几十年时间内,世界上多个研究团队已经开发出具有高生物保真度并经过实验结果验证的人类头部有限元模型(finite element head models, FEHM)[16],这些模型能够有效模拟人脑内部的生物力学响应,为研究TBI的发生和演变过程提供了新的技术工具。开发人类头部有限元模型的核心目的是预测人类的颅脑损伤风险[7],从而为运动康复和临床治疗提供理论依据。随着计算能力的提升,FEHM能够模拟更加复杂的外部撞击场景,生成更接近实际情况的模拟结果,这为探究TBI机制做出了巨大贡献。
本文综述目前主流的人类头部有限元模型的发展历程和模型特点,概括使用这些模型所初步揭示的相关TBI机制,并就未来人类头部有限元模型的发展方向提出展望。
1. 人体头部结构概况
为了更好地理解FEHM的建模思路,首先介绍头部的解剖生理学结构。人体头部是一种多层结构,由外向内依次可分为头皮、颅骨、脑膜及脑组织4部分。
1.1 头皮
颅骨外侧覆盖着一层由软组织构成的物理屏障,即头皮。头皮由5层组成,包括皮肤、结缔组织、腱膜、疏松乳晕结缔组织和颅骨膜。其中颅骨膜紧紧地粘附在颅骨上,对颅骨的血管供应起着重要作用[17]。
1.2 颅骨
颅骨是头部的骨骼结构,包括脑颅骨和面颅骨。脑颅骨由不成对的额骨、枕骨、筛骨、蝶骨以及成对的顶骨和颞骨组成,面颅骨则由不成对的犁骨和成对的泪骨、鼻骨、腭骨、下鼻甲骨、上颌骨和颧骨组成。脑颅骨可以对颅腔内的脑组织起到保护作用,面颅骨则与饮食及表情活动关系密切。除了由颞骨和下颌骨构成的颞下颌关节可以活动外,其余颅骨间均是以直接连结的方式紧密接合,相接处称为骨缝,例如颅顶的冠状缝、矢状缝和人字缝等。
质地致密的皮质骨对能量的吸收能力较差,因此在冲击过程中,绝大部分的冲击力是被松质骨吸收的。此外,颅骨不同区域间厚度的差异也影响着冲击过程中力的传递和吸收方式[18]。研究表明,颅骨厚度越大,越能有效降低局部应力,同时减少能量向深层脑组织的传输[19]。原发性脑损伤中的主要作用力是惯性力和接触力[20]。接触力由头部的冲击载荷引起,惯性力则是由头部加速度产生的脉冲载荷引起,二者往往同时出现,造成严重后果。其中惯性损伤更为常见,这是由于颅骨和脑的组织结构差异较大,因此头部加速度往往会引起颅骨和脑之间的相对运动,进而在大脑表面或内部产生应力,造成颅脑损伤[21]。
1.3 脑膜
脑膜位于颅骨与脑组织之间,由外向内依次为硬脑膜、蛛网膜和软脑膜,向下延伸成为脊膜。硬脑膜是一层坚韧、致密的纤维膜,蛛网膜是一层半透明的结缔组织薄膜,软脑膜紧贴大脑皮层,是脑膜中最柔软的一层,包裹着颅脑内的血管系统。蛛网膜与软脑膜之间有较大间隙,称为蛛网膜下腔,其中充满由脑室脉络丛生成的脑脊液。蛛网膜基质通过蛛网膜小梁与软脑膜相连,该复合结构称为软脑膜-蛛网膜复合体(pia-arachnoid complex, PAC)。在头部受到撞击或惯性载荷时,颅骨与大脑间的相对运动(例如分离或滑动)将导致PAC层上产生切向剪切载荷[22]。因此,在研究TBI时需要重点关注PAC在切向剪切载荷下的力学响应。研究者们已经采用多种界面假设方法,来研究该层的建模方法对于大脑应变分布的影响[23]。
1.4 脑
成年人的头部平均质量约为4.50 kg,脑约占总质量的1/3[5]。脑分为大脑(由端脑和间脑组成)、小脑及脑干(由中脑、脑桥和延髓组成)3部分。
端脑是中枢神经系统的最高级,分为左、右大脑半球,两者间通过胼胝体相联系。其表面凹凸不平,布满脑沟和脑回。在左右大脑半球内部还有许多腔隙即脑室,脑室中的脉络丛可生成脑脊液,脑脊液在各脑室之间循环流动,起到营养脑组织、缓冲脑和脊髓的压力的作用。小脑位于后颅窝中的大脑下方,是脑的第2大部分。脑干是大脑向下延伸的结构,在枕骨大孔处与脊髓相连。
大脑包括白质和灰质2种成分。灰质是神经元胞体的集合处,在大脑表面形成皮质层;白质则主要包括神经元轴突纤维,位于皮层深处[24]。两者刚度不同,赋予大脑各向异性的材料属性[25]。最新的人类头部有限元模型通过提取轴突结构将其纳入大脑模型,以更好地模拟脑组织的真实结构。含有轴突结构的大脑模型对于DAI机制的研究至关重要,也为迟发性神经退行性疾病的研究提供了重要工具。
2. 人类头部有限元模型
2.1 KTH模型
2002年,来自瑞典皇家理工学院(Kungliga Tekniska Högskolan)的Kleiven等[26]开发了人体头部的参数化有限元模型(以下简称为KTH模型),包括头皮、颅骨、大脑、脑膜、脑脊液(cerebro-spinal fluid, CSF)以及11对矢状旁桥静脉,如图1(a)所示。参数化使其能根据特定人群或试验样本的尺寸对模型进行缩放和调整,提高了模型的适用性和灵活性,扩展了其应用范围。Kleiven等[27]随后使用该模型对颅内压力响应和大脑-颅骨相对位移进行了模拟,并与碰撞事故冲击数据进行对比分析,评估了有限元模型对创伤性脑损伤的预测能力。针对3种颅脑接触条件(固定接触、滑动接触、滑动接触并允许分离),Kleiven等[26]模拟了前额和枕部在冲击下的颅内压力响应,并与Nahum等[11]的实验结果进行对比[26]。结果表明,固定接触条件下的压力响应与实验结果最接近。该结论也为后续系列模型在定义脑-颅骨接触界面时提供了理论支持。此外,该项研究还探讨了大脑组织的刚度对大脑与颅骨相对位移的影响,并与Hardy等[10]和King等[28]的实验测试结果进行了对比,结果表明脑组织刚度越低,相对位移峰值的模拟结果越大,反之模拟结果则越小。
进一步地,为了研究颅脑血管对于大脑冲击响应的影响,Ho等[29]从CT血管造影图像中提取了脑部主要动脉和静脉的几何形状,通过合并脉管系统和大脑相邻区域的节点,将脉管系统模型合并到了KTH模型中。实验中使用了3种头部模型:没有血管的3D有限元头部模型(3D-NV模型)、包含线性弹性血管的3D有限元头部模型(3D-L模型)以及包含非线性弹性血管的3D有限元头部模型(3D-NL模型)。在沿矢状面方向的旋转和平移加速冲击下,相比没有血管的模型,非线性弹性血管模型和线性弹性血管模型的平均应变峰值分别只减小了2%和5%,三者的差异可忽略不计。虽然结果显示血管系统的存在与否并不直接影响预测结果,但在实验过程中发现血管系统对大脑冲击响应很可能存在局部化效应[30],未来仍需更进一步的研究来全面地表征血管系统的影响。
基于KTH模型,Walsh等[31]还特别研究了大脑镰(falx)和小脑幕(tentorium)等结构在TBI过程中的特殊响应。作为硬脑膜向大脑内部的延伸部分,大脑镰和小脑幕分割了左右大脑半球以及小脑和大脑半球,具有限制脑组织位移以及支撑大脑重量的作用。冲击模拟测试结果[32]表明,大脑镰和小脑幕可以诱导周围的脑组织,特别是胼胝体和脑干产生较大的应变(此区域也是DAI的高发地)。更进一步的研究揭示了冲击过程中冠状及水平方向的旋转力驱动了大脑镰等结构发生横向运动,继而诱发了胼胝体的损伤[33]。相关研究为加深理解DAI的诱发机制奠定了基础。
2014年,Colgan等[34] 关注到白质中的轴突纤维取向对大脑组织力学性质的影响,针对各向同性的KTH原始模型进行了改进,开发了一种基于弥散张量成像(diffusion tensor imaging, DTI)数据的各向异性大脑组织模型[35],如图1(b)所示。首先使用DTI数据获取大脑组织中的纤维取向,并与有限元头部模型在几何关系上进行配准,建立起空间对应关系,再通过加权平均方法计算出每个单元的平均纤维取向和各向异性的程度。得到的纤维取向信息被集成到模型的材料定义中,使用各向异性的超粘弹性纤维增强各向异性模型来描述脑组织的力学行为。随后,使用KTH原始模型和新模型进行相同的头部撞击模拟,结果显示新模型预测的应变峰值更高,且方向与各向同性模型完全不同,有力说明了脑组织的取向会影响头部损伤预测的准确度,而考虑各向异性的有限元模型为更准确地预测头部损伤提供了重要工具。使用该模型还证明了沿轴突方向的应变相较于传统的损伤指标,如最大主应变(maximum principal strain, MPS)、累积应变损坏度量(cumulative strain damage measurement, CSDM)[36]和各向异性等效应变(anisotropic equivalent strain, AES)[37]等,在预测轻度创伤性脑损伤(mild traumatic brain injury, mTBI)方面具有更优的表现[38],这一结论也与之前关于可逆性轴突损伤的实验结果不谋而合。进一步地,Zhou等通过理论应变分析,将白质的应变张量与其嵌入的纤维束相关联,全面量化了白质纤维束的变形,发现其在垂直方向上的变形最大[39],并提出使用方向依赖性应变作为损伤预测标准[40],这对于进一步理解轴突损伤与颅脑损伤的关系,有效预测颅脑损伤风险具有重要意义。
以上,虽然KTH模型在开发过程中充分考虑了组织的各向异性,但在建模时为了简化结构,始终将CSF简化为拉格朗日固体,忽略了CSF的流体行为及其与大脑及颅骨间的相互作用。基于此,Zhou等[41]使用流固耦合(fluid-structure interaction, FSI)方法修改了初始KTH模型中的脑-颅骨界面,使用任意拉格朗日-欧拉(arbitrary Lagrange-Euler,ALE)多材料方法来建模CSF流体,并使用修改后的模型重新研究了冲击过程中的脑-颅骨相对运动和颅内压响应。采用ALE方法建模CSF可以有效避免网格失真问题,并允许CSF在大脑周围自由流动,因此能更精准地模拟实际情况。与原始KTH模型相比,改进后的模型预测能力更强;施加已知会导致急性硬膜下血肿(acute subdural hematoma, ASDH)的负载后,模型也能更准确地预测其发生可能。该模型后续证明了脑萎缩会加剧老年人遭受ASDH的风险[42-43],采用FSI方法模拟颅脑界面的技术随后也用于研究室周损伤[44]和海马体损伤的潜在发病机制[45]。综上,引入FSI方法为更精准地模拟CSF与大脑及颅骨间的互作关系、更准确预测头部损伤概率提供了重要思路。
然而,无论是修改后的KTH模型,还是全球范围内的其他人类头部有限元模型,其大脑皮层的结构往往是高度简化的,缺乏脑沟和脑回等细节。此外,大脑内部脑室的结构通常也缺乏解剖细节。虽然简化大脑结构可以提高模型的计算效率,但解剖细节对于研究局部损伤是至关重要的,例如脑沟的存在会改变模型中的应变和应变分布[46-47]。基于此,Li等[48]开发了新的ADAPT头部模型,如图1(c)所示。ADAPT模型保留了更完整的解剖学细节,在KTH模型的基础上增加了大脑皮层表面的沟回结构,并在结构中嵌入了白质纤维束,同时将CSF层与脑室系统相贯通,建立起完整的脑脊液循环路径。值得一提的是,ADAPT模型还匹配了个性化的建模流程,可以基于不同个体的解剖特征生成特定的受试者头部模型[49]。ADAPT头部模型在脑应变、颅内压和脑-颅骨相对运动预测方面都表现良好,与之前KTH模型的不同版本相比具有相当或更优的性能。而更接近真实颅脑结构的脑室和脑脊液循环,在未来可能为TBI的研究提供关键技术支持。
作为目前世界范围内应用最广泛的头部模型之一,KTH模型自建立之初经过历次迭代,在解剖细节和材料属性方面接近真实情况,代表了行业先进水准,目前已广泛应用于运动损伤监测、头盔护具设计及TBI机制探究。例如研究橄榄球运动及自由搏击运动中的头部撞击学相关问题[50-52]、评估头盔的防护性能[53]、研究大脑不同区域在冲击过程中的响应[33, 54-55]等,为深化颅脑损伤机制研究做出了重要贡献。
2.2 WSUHIM模型/GHBMC头部模型
1993年,来自韦恩州立大学(Wayne State University)的Ruan等[56]为了研究人体头部在受到刚性撞击时的动态响应过程,开发了一个具有头皮、三层颅骨、脑脊液、硬脑膜、大脑镰和大脑的人体头部模型(以下简称为WSUHIM模型),该模型被认为是WSUHIM模型最初的版本,如图2(a)所示。但该模型并未包含灰质、白质、脑室和桥静脉的几何细节。随后在1995年,Zhou等[57]细化了模型的网格,补充了之前缺失的解剖学细节,通过赋予灰质、白质、脑室不同的材料属性,开发了非均质大脑模型。其中,白质的杨氏模量比灰质高60%,这是因为白质主要由轴突纤维构成,相较于主要由胞体构成的灰质更加坚韧。研究结果表明,相较于均质大脑模型,非均质大脑模型在接受前额撞击和矢状面旋转撞击时,能够更好地预测大脑的剪切应力分布;其预测的DAI位置与动物实验结果[58]也更吻合。该项研究使用非均质大脑模型初步揭示了TBI的损伤机理,为后续实验提供了重要参考。以上2个版本的模型被归为WSUHIM模型版本Ⅰ(1993—1997)。随后的几年时间里,研究者们在版本Ⅰ的基础上引入颅骨和大脑表面之间的滑动接触界面[59],成功将模型升级到版本Ⅱ(1998—1999),修改后的模型能更好地匹配Nahum等[11]测得的压力数据以及Gurdjian等[60]测得的颅骨-大脑相对位移实验数据。
然而,前2个版本的WSUHIM模型在模拟头部的高角加速度(>8 000 rad/s2)和线性加速度(>200 g)时存在局限性,且受限于网格密度,无法精准预测损伤形式。因此,在2001年,Zhang等[61]推出了新版的WSUHIM模型,如图2(b)所示。与旧版本相比,WSUHIM 2001具有更精细的网格,保留了更多解剖学细节;能够模拟高达200g的平移加速度和12 000 rad/s2的旋转加速度下的直接和间接冲击响应;特别地,在面部骨骼的设计上,WSUHIM 2001采用了可损坏的材料,来模拟TBI中可能存在的骨折情况。为了进一步检验模型的准确性和可靠性,研究者们使用多种已发表的尸体实验数据,包括颅内压力、脑与颅骨的相对位移以及面部冲击数据等[10-11, 62]对模型进行了广泛的验证。结果显示WSUHIM 2001的预测精度大幅提高,为研究钝性撞击下的脑损伤机理提供了强有力的工具。
随后的几年内,WSUHIM模型在精度和网格密度等方面持续进行改良,也开始用于模拟一些现实场景中的脑损伤问题,如交通事故[63]、职业足球[64]等。2011年,Mao等[65]提出使用多块技术(multi-block techniques)来高效生成高质量的六面体大脑网格模型的建模方法。首先,按照不同的几何特征,将大脑划分为多个块区域(例如脑膜、脑干、小脑、大脑等),将顶点(0D)、边(1D)和面(2D)与几何数据进行关联,以确保后续生成的网格能够精确表示解剖结构。然后,分别对每个块区域进行网格划分,生成高质量的六面体网格;块区域可以自由地沿着表面移动,在改善网格质量的同时也保证了几何精度。最后,将不同块区域的网格关联起来,形成完整的大脑模型。调整不同块区域的网格密度,可以生成不同精度的大脑模型。多块技术允许将相同的块结构应用于不同大脑,因此可以快速地生成个性化的大脑模型,大大提高了开发特定个体大脑模型的速度。应用此方法,Zhou等[66]成功生成了高质量的成人和儿童的大脑模型,为研究不同年龄段大脑在外力作用下的力学响应差异提供了工具储备,如图2(c)所示。
2013年,Mao等[67]推出了一个新的有限元人体头部模型,新模型涵盖了更多的解剖细节,可视为WSUHIM模型的延续和发展。新模型具有头皮、颅骨和面部骨骼、鼻窦、大脑、小脑、侧脑室、胼胝体、丘脑和脑干,还划分了白质网格,如图2(d)所示。建模方法采用了前述的多块技术[65],并通过35个不同案例对模型进行了广泛的验证,包括颅内压、大脑位移、颅面部骨骼响应等多个维度,证实了模型出色的力学仿真效果。值得一提的是,该项研究所开发的头部模型后续集成于全球人体模型联盟(Global Human Body Model Consortium, GHBMC)的模型中,用于评估整体碰撞过程中的头部响应。
创始于2006年的GHBMC是一个国际联盟的合作组织,依托不同的高校和企业合作开发用于研究汽车碰撞过程的高精度虚拟人体模型。如前所述,GHBMC人体模型的头部结构来自韦恩州立大学(以下称为GHBMC头部模型,如图3所示),现已广泛应用于TBI研究,例如揭示了头部运动学与大脑应变的相关性[68]。近几年,随着对脑部结构理解的深入,研究者们开始关注DAI与颅脑损伤的相关性。相较于均质化的灰质,大脑白质中沿轴突方向的刚度增加,从而造成白质具有各向异性的材料属性[25]。为了更精准地预测颅脑损伤行为,需要在原始模型的基础上考虑白质的各向异性特征。
2019年,Wu等[69]开发了一种新型方法,使用基于人群的纤维束追踪模板创建了轴突纤维的有限元网格,将其变形后嵌入到GHBMC大脑模型中,如图4所示。添加了轴突成分的大脑模型更接近真实的解剖结构,同时也可以将头部在冲击过程中的力学响应分解为各向同性的基质部分和各向异性的轴突纤维部分,这对于更好地理解TBI机制以及评估基于组织的损伤指标具有突出意义。Wu等使用Hardy等[10]和Alshareef等[70]的实验数据对该模型进行了验证,结果表明,与原始模型相比,添加了轴突的大脑模型在更严苛的载荷条件下预测的最大主应变更大,能够更精准地捕捉大脑组织的应变响应。Hajiaghamemar等[71]后续将该模型引入到猪的有限元模型中来模拟经历动态头部旋转的仔猪的轴突损伤情况。参考动物实验数据,可以得到不同力学参数对大脑应变的影响,相关的实验方法和结果对于改进人类头部有限元模型的预测能力也具有重要价值。
2022年,Lyu等[72]开发了一种新型的各向异性黏-超弹性材料模型,将其纳入GHBMC大脑模型的白质组织来模拟大脑组织的方向依赖性响应。通过对比34例死后人类受试者(post mortem human subjects, PMHS)头部撞击实验的力-位移响应、颅内压力和大脑应变响应数据,验证了模型的有效性。此外,该研究还重建了32例尸体试验和实际事故案例,并提出了用于评估面部骨骼骨折、颅骨骨折、脑挫伤、ASDH和DAI等伤害的碰撞诱发伤害指数(crash-induced injury indices, CIIs)。优化材料特性后的模型在预测大脑应变时性能更加优异,未来可能在TBI损伤预测方面展现突出优势。
2.3 THUMS模型
在汽车行业中,碰撞安全是考核车辆质量的一项重要指标。重建事故发生过程、了解事故情况(例如碰撞速度、碰撞角度)和乘客受伤状况之间的关系对于提高车辆的安全性能具有重要意义。由于真实的碰撞过程高速且复杂,基于对志愿者实验安全性的考量,往往通过假人实验或计算机模拟方法来研究碰撞过程。
从20世纪80年代开始,汽车制造商就开始挖掘计算机模拟车辆碰撞的潜力。虚拟模拟能够准确再现和分析车身在吸收碰撞能量时的变形过程,且可以通过更改测试条件重复多次试验,这是传统的假人实验所难以实现的。20世纪90年代,丰田汽车公司和丰田中央研发实验室合作开发了一款虚拟模型,用于模拟和评估车辆碰撞过程中对人体造成的伤害。2000年,他们推出了THUMS(total human model for safety)模型,这是世界上首个可以模拟整个身体的虚拟人体模型软件。同前述模型不同,由于THUMS模型评估的是车辆碰撞过程中的总体行为和总体伤害,因此开发了全身结构(包括骨骼、肌肉、器官等)。由于本文主要讨论的是用于TBI研究的人类头部有限元模型,因此接下来主要围绕THUMS模型中的头部结构展开详述。如今,第一代THUMS模型经过多年技术迭代,已成为全世界最先进的虚拟模型之一,模型涵盖了全年龄段和不同性别,将人类多样性纳入到汽车安全的考量之中[73]。
第一代THUMS模型[74]包括细致的颈椎、胸部、脊柱、骨盆和下肢结构,简化的头部、上肢及内脏结构,如图5(a)所示。第一代模型中的大脑结构是高度简化的,仅由颅面部骨骼、韧带和肌肉组成,Iwamoto等[74]使用来自Nyquist等[75]的尸体测试数据进行验证,证明了在5~7 m/s的撞击速度范围内,模型可以准确地模拟鼻部骨折等伤害情况。
Iwamoto等之后陆续开发了不同版本的THUMS模型,如在2007年推出了改良后的头部模型[76]。新的头部模型相较于原始版本在解剖细节方面有了质的提升。颅骨包括以实体单元建模的皮质骨和以壳单元建模的松质骨,其余结构包括大脑、小脑、脑干、脑脊液以及由壳单元表示的硬脑膜、软脑膜、蛛网膜、大脑镰和小脑幕,如图5(b)[76]所示。使用不可压缩的黏弹性材料模型对大脑进行定义,并通过LS-DYNA软件中的Tiebreak界面定义了颅骨与脑脊液的接触方式。该头部模型通过3组头部冲击试验数据进行了验证[77],结果表明模型预测的压力和加速度与试验数据吻合良好。模型随后集成于THUMS-AM50,用于预测SUV与行人碰撞造成的脑损伤,揭示了相关的损伤机制之一是大脑质量惯性产生的牵引力[78]。在2015年改进的头部模型中[79],消除了颅骨和大脑之间的间隙,并将大脑与颅骨间的固定接触关系修改为共节点连接,进一步提高了模型计算的稳定性。
2016年,Atsumi等[81]开发了新的头部模型,集成于THUMS Version 4中。特别地,为了研究单元尺寸和材料属性对头部撞击时脑组织位移、压力和累积应变损伤度量(cumulative strain damage measure, CSDM)[82]预测准确性的影响,Atsumi等[81]开发了2款头部模型,如图6所示。具体地,Model B的网格更加细化,元素数量约为Model A的4倍;在大脑实质的粘弹性材料定义中,Model B的衰减常数β值较 Model A 更大,这意味着其随时间变化的剪切模量更低;两者脑脊液的体积模量设置也有所不同;最后,Model B整个大脑内均使用了共节点连接,而Model A则在枕叶和小脑周围设置了可分离的接触条件。使用两款模型进行了参数研究,以评估网格细化程度、组织材料属性及接触方式定义等因素对基于PMHS试验数据的验证准确性的影响。结果表明,网格细度、CSF材料属性和接触条件对验证准确性影响较小,但2个模型之间的CSDM和应变分布轮廓存在显著差异。该结果对于理解TBI相关机制、寻找更合适的损伤指标提供了参考。Model A 和Model B随后也分别被集成于THUMS Version 4.01和Version 4.02中,供全身性的碰撞测试模拟使用。
2018年,在上述THUMS Version 4.02头部模型基础上,Atsumi等[83]进一步补充了深部脑区(包括胼胝体和边缘系统)的解剖细节,并使用能够模拟大脑实质组织各向异性、应变率依赖性和卸载特性的本构模型,开发了新型的头部模型,如图7(a)所示。新模型预测的应变分布与创伤性脑损伤患者的神经影像学数据高度一致,即胼胝体出现最大主应变值较高的区域对应于通过统计参数映射(statistical parametric mapping, SPM)得到的神经轴突的结构损伤区域。2021年,Atsumi等[84]又在此版本模型的基础上,单独对脑脊液应用不可压缩流体动力学(incompressible fluid dynamics, ICFD)控制方程,以研究在头部有限元模型中引入流体动力学对头部撞击时大脑深部应变分布的影响,如图7(b)所示。研究结果表明,脑脊液的流体行为和灌注压力可以显著影响大脑的变形,这对于在后续模型开发过程中更全面地关注脑脊液的流体行为具有指导意义。
2022年,清华大学的的Yang等[23]探究了颅脑界面建模方式与脑组织材料特性对TBI损伤特征的影响。研究使用了前述的GHBMC头部模型、THUMS头部模型,颅脑界面为滑动接触的THUMS头部模型以及高大脑剪切模量的THUMS头部模型。结果表明,针对相同的冲击载荷,采用不同的模型仿真计算结果差异明显。在相同的伤害指标下,不同模型得到的结果对应不同的严重程度。基于此,Yang等提出颅脑界面的定义会影响碰撞过程中经由颅骨传递到大脑组织的载荷强度:对于颅脑界面无滑动的模型,大脑和颅骨间的连接十分紧密,颅骨的加速度直接通过界面传递给大脑,造成大脑表面的应力应变集中;而对于颅脑界面滑动接触的模型,当外部冲击力作用时,大脑和颅骨的运动不完全同步,会像“拍打”(slapping)一样与颅骨或其周围的结构发生碰撞,此时大脑的高应变区域往往集中在这些碰撞点周围,并逐渐扩展到内部。此外,大脑的材料属性定义也会影响冲击载荷下的应力应变响应,例如提高大脑剪切模量的头部模型的最大主应力略有提升,而最大主应变则呈现显著的减小趋势。4种模型在相同的损伤指标下对应不同的严重程度,进而影响对损伤的风险评估。这提示研究者在使用有限元模型进行创伤评估时应充分考虑建模方式的影响,从研究目的出发选择合适的模型进行评估。
经历了20余年的发展,目前THUMS模型已更新到第7代,除了在头部结构经历了历次迭代,在肌肉模型[85]、脊椎模型[86]、内脏模型[87]等方面也都有了长足的进步。自2021年1月起,THUMS模型免费向公众提供(https://www.toyota.co.jp/thums/),现已广泛应用于汽车碰撞测试领域,是用于模拟和分析机动车碰撞伤害的最先进系统之一,为提升交通安全做出了重要贡献。
2.4 IC模型
来自英国帝国理工学院(Imperial College London)的Ghajari等[88]于2017年开发了一款人类有限元头部模型(以下称为IC模型,如图8所示),使用基于图像的网格划分算法创建了头部不同组织的有限元网格。该模型包括头皮、颅骨、大脑、脑膜、蛛网膜下腔和脑室等结构,特别地,相较于此前省略大脑表面脑沟和脑回的简化建模方法,该模型加入了脑沟等解剖特征,以更好地反映真实的大脑结构。Ghajari等使用该模型模拟了不同类型的头部撞击,如美式足球中的头盔对头盔碰撞、跌倒时后脑的撞击以及摩托车事故等。模拟结果显示在不同的伤害机制下,最大应变和应变率均集中于脑沟深处。基于美式橄榄球运动员的冲击动力学研究已表明脑沟是慢性创伤性脑病(chronic traumatic encephalopathy, CTE)病理性改变的关键区域[89-90],据此可以合理推测脑沟区域在撞击下的高应变及高应变率是导致CTE病理性改变的可能机制之一。IC模型还用于评估头盔和护目镜等在爆炸中对头部的保护效果[91]以及用于设计预防TBI的防护装备结构[92-93]。
除了指导头盔等防护用具的设计,近几年IC模型也证明了有限元方法在传统病理生理学研究领域的独特优势。2022年,Duckworth等[94]开发了血管损伤预测模型,如图9所示。首先通过高分辨率核磁共振(magnetic resonance imaging, MRI)扫描得到大脑静脉系统的详细解剖信息,分割得到静脉系统单独的三维模型。根据分割结果,使用梁单元对静脉系统进行网格划分,再将静脉系统的梁单元网格与大脑组织的固体单元网格通过约束关系进行耦合,使得静脉系统能够随着大脑组织的变形而变形。该血管损伤预测模型涵盖了大脑静脉系统的大量解剖细节,除了宏观尺度的上矢状窦、下矢状窦等大静脉窦,还纳入了深部脑区的许多微尺度静脉,如尾状静脉等,最小的静脉半径可达0.165 mm,是目前集成的静脉系统的最高分辨率。使用该模型成功预测了橄榄球运动员头部受撞击后实际微出血区域静脉血管较高的轴向应变和应变率,这表明血管损伤预测模型可以用于预测TBI过程中的血管损伤,证明了FEHM在病理学研究领域的巨大潜能。
同KTH模型和THUMS模型,Duckworth等[95]也考虑了脑脊液的流体特性对TBI研究的影响,在二维头部模型中使用无网格平滑粒子流体动力学(smoothed particle hydrodynamics, SPH)方法对脑脊液进行建模,证实了其在提高脑生物力学计算模型准确度方面的潜力。然而,模拟过程中出现的拉伸不稳定性,仍是限制SPH方法应用的关键技术难题,亟待在未来做出改进。
2.5 WHIM模型
WHIM模型(Worcester head injury model)来自美国伍斯特理工学院(Worcester Polytechnic Institute)研究团队,其早期版本主要用于研究冰球和足球运动员在运动中由于撞击产生脑震荡等伤害的大脑区域。Mcallister等[96]使用自动网格划分技术,基于每个受试者自身的MRI图像数据自动生成具有高质量网格的大脑模型。这种自动化的建模方法可以更好地将模拟输出与受试者特定的神经影像数据相关联。但该有限元头部模型结构比较简单,仅包含了大脑、大脑镰等重要结构,并未将小脑幕、脑室、灰质及白质纳入考虑。2014年推出的DHIM模型(Dartmouth head injury model)被认为是WHIM模型的前身[97-98],该模型基于运动员高分辨率磁共振图像生成,由实体六面体和曲面四边形单元组成,包括大脑、小脑、脑干、大脑镰、小脑幕和胼胝体等重要脑部解剖结构。DHIM模型使用与KTH模型[99]相同的各向同性Ogden超弹性模型来模拟大脑的力学行为,并通过共节点连接定义了CSF与大脑的接触方式。
2019年,Zhao等[100]比较了3种不同的取样方式,最终选择使用纤维束成像技术来采样大脑白质的各向异性和力学响应特征,并使用神经影像学技术进行区域分割,将得到的相关参数合并到材料模型中,开发出各向异性的WHIM模型Version 1.0,如图10所示。
WHIM模型Version 2.0[101]将来自磁共振弹性成像的脉管系统合并到重新网格化的WHIM模型中[100](如图11所示),来研究脑血管的力学行为及其对区域脑部应变的影响。研究结果显示纳入脉管系统的模型在动态冲击过程中的区域性脑应变明显低于不含脉管系统的模型,考虑到此前的研究在关于脉管系统对脑损伤影响的问题上存在争议[29,102],故正确认识脑血管在冲击过程中的真实影响仍有待进一步研究。
最新版本的WHIM模型Version 2.1[103]纳入了基于磁共振弹性成像(magnetic resonance elastography, MRE)得到的大脑异质性材料特性。研究者们使用该模型计算了一系列钝性冲击条件下脑血管网络中的应变,这为理解头部撞击中脑血管损伤的风险及严重程度提供了重要参考。
2.6 ULP模型
ULP模型(University of Louis Pasteur finite element head model)是Willinger等[104]基于磁共振图像数据于1995年开发的一款模型,该模型包括颅骨、脑脊液、大脑半球、小脑、脑干和脑膜等结构。开发模型的最初目的是确定头部的固有频率,以便更好地设计相关防护装置[105]。1997年,Kang等[106]改良了早期的ULP模型,修改后的模型包括皮肤、颅骨、面部、大脑、小脑、硬脑膜、蛛网膜下腔、大脑镰和小脑幕等结构,如图12[112]所示,除了大脑是黏弹性材料,其余结构均定义为均匀且各向同性。使用该模型进行的验证实验与短时测试的Nahum[11]的实验结果匹配度良好,但与长时测试的Trosseille[62]的面部冲击压力数据存在出入。进一步研究蛛网膜下腔的可压缩性对压力响应的影响,发现在较低的可压缩性下(体积模量约为2 GPa),能更好地吻合长时间冲击测试的实验结果。
2004年,Deck等[107]针对颅骨的几何结构和材料模型对ULP模型进行了改良。相较于原始模型,新模型的颅骨厚度针对不同区域进行了差异化的设置,以更好地模拟真实颅骨骨折的情况;对于颅骨结构,皮质骨和松质骨选用了不同的材料参数,以反应其在刚度和强度上的差异;整体模型采用了弹塑性(elasticplastic)材料模型,以模拟颅骨在冲击载荷下的破坏行为。模型使用颅骨骨折和大脑变形的实验数据进行了验证,为进一步研究头部损伤机理提供了有力工具。
2006年,Raul等[108]使用ULP模型来模拟跌倒造成的人类头部损伤,预测结果与实际情况相符,证实了利用人体头部有限元法评估头部损伤机制的可能性。ULP模型还广泛用于事故重建[109]及法医学研究[110]等,在实践中证实了其良好的预测性能。
此外,该团队后续还建立了经过验证的有限元颈椎模型[111],进一步将颈部模型合并到 ULP头部模型中,以研究头颈部整体结构的冲击响应。
2.7 新加坡国立大学头部模型
2014年,来自新加坡国立大学的Yang等[113]开发了一款用于车辆碰撞过程研究的人类头部有限元模型,该模型的几何结构基于接近第50百分位男性志愿者的CT及MRI扫描图像建立,脑脊液被建模为充满静水流体的空腔,如图13所示。Yang等使用车辆正面碰撞过程中的载荷条件对该模型进行了验证,结果表明相较于传统模型,新模型的生物保真度有所提高,并进一步证实了新的CSF建模方法改良了大脑中最大von Mises压力的变化。该模型具有良好的预测颅脑损伤的功能,同时允许与其他身体区域模型耦合以开发人体有限元模型,从而更全面综合地评估车辆碰撞过程中的整体伤害。
为了更好地了解颌面及脑损伤的机制,Tse等[114]还模拟了9种常见的面部创伤情况。通过分析评估撞击过程中的颅外和颅内生物力学参数,建立起面部与脑部损伤的关系,例如鼻软骨能够以大面积变形和骨折的形式耗散冲击能量,犁骨-筛骨将应力发散到充满空气的蝶骨和筛窦的“皱褶区”。相关研究结果有望与临床诊断结合,从而降低颅脑损伤的风险。模型现已用于头盔护具的防护性能评估[115],以进一步优化护具的结构设计。
2.8 UCDBTM模型
UCDBTM模型(University College Dublin brain trauma model)的最初版本由Horgan等[116]于2003年开发,并于2004年进行改进[117]。该模型包括头皮、三层颅骨、硬脑膜、脑脊液、软脑膜、大脑镰、小脑幕、大脑半球、小脑和脑干等结构。Horgan等使用Nahum等[11]的颅内压数据及Hardy等[10]的运动学数据对模型进行了验证。随后,Doorly等[118]又使用数值技术重建了真实世界的颅脑损伤事故,将模拟的输出(以速度、加速度和力的形式)作为UCDBTM模型的输入,通过对比临床结果及模拟结果,完成了模型的有效性验证。2011年,Yan等[119]对UCDBTM模型进行修改,将粘弹性纳入脑组织的材料属性定义,通过使用基于表面的流体建模方法,将脑脊液模拟为静水流体,修改后的模型在头部碰撞模拟中的压力响应更加稳定,颅骨的最大主应力及大脑中的峰值von Mises应力均有所下降。
2020年,Trotta等[120]报导了UCDBTM模型的最新版本UCDBTM V2.0。UCDBTM V2.0细化了模型的网格,更新了头部多个结构的力学性能,同时在头皮和颅骨间引入低摩擦因数(0.06),以更好地模拟两者在解剖学上的相对滑动状况。Trotta等使用Loyd等[121]及Hardy等[10, 122]的实验数据对模型进行验证,并成功模拟了3起现实世界的脑震荡事故。
目前,UCDBTM模型被广泛用于研究意外跌倒和运动损伤、评估头盔性能并建立脑震荡阈值指标等[118, 123-124],在计算生物力学领域作出了突出贡献。
2.9 西澳大利亚大学头部模型
2004年,西澳大利亚大学(University of Western Australia)的Wittek等[125]开发了一种计算大脑变形的模型,并评估了使用非线性有限元计算模拟特定患者的可行性。具体的开发步骤包括:(1)开发通用脑网;(2)将通用脑网转换为患者特定脑网;(3)选择适当的大脑生物力学数学模型;(4)开发高效的计算方案(注:模型所使用的原始脑网来自前述由丰田中央研发实验室开发的THUMS 头部模型)。使用该模型模拟了外科手术过程中作用于大脑表面的反作用力,计算结果与Miller等[126]的实验测量结果吻合良好,为神经外科手术仿真及机器人辅助手术提供了有价值的技术支持,也证明了有限元头部模型的临床应用前景。2005年,Wittek等[127]提出了一种完全非线性的生物力学模型,用于预测开颅手术引起的大脑位移。该模型充分考虑了大脑在几何及材料方面的非线性特征,摒弃了线性模型的无穷小变形及线弹性假设,选用了非线性的有限元公式及大脑组织本构模型,模拟结果更加接近开颅手术过程中大脑的实际变形行为。计算得到的变形场被用于对准术前及术中图像,准确预测了侧脑室和肿瘤重心的位移。该模型的提出为现代的精准定位医疗奠定了基础,也助力了计算生物力学辅助临床治疗[128]的新发展。
2.10 图斯特头部模型
2006年,芦俊鹏等[129]根据人体脑部的螺旋CT扫描图像,利用图形处理、三维重建和有限元网格划分技术,建立了国内第一个基于人体解剖学结构的头部三维有限元模型。该模型包括大脑左右半球、小脑、脑干、大脑镰和小脑幕等解剖学结构,平均网格尺寸约6 mm。随着对TBI机制的理解加深及有限元建模方法的不断优化,国产的人类头部有限元模型得到了长足发展。
天津科技大学阮世捷团队基于中国人体特征,开发了图斯特损伤仿生模型(TUST injury bionic models, TUST IBMs)[130-133]。该模型涵盖不同性别以及各年龄段,包括多种姿态,为乘员及行人保护装置的设计分析、人体运动学和生物力学响应及损理研究提供了有效工具。为了具体研究碰撞过程中的颅脑损伤,团队还开发了一系列基于中国人头部几何特征的不同百分位成人头部有限元模型,以下就第95百分位中国人头部有限元模型进行具体介绍。
第95百分位中国人头部有限元模型[134]基于第95百分位人体头部的CT图像,使用逆向工程的方法建立了大脑、小脑、脑干、脑室、脑脊液、硬脑膜、软脑膜、大脑镰、小脑幕以及颅骨的内外骨板和板障等主要头部结构,如图14所示。相较此前的国产模型,该模型的面部结构更加细化,生物仿真度也得到了一定提高,使用该模型进行模拟得到的颅脑相对位移曲线与实验结果基本吻合。研究进一步发现头部的旋转运动会在大脑表面及脑组织深处带来较高的剪切应变,这可能是引起颅脑损伤的相关机制。该模型为研究更契合中国人体质的头部损伤机制创造了条件,也为汽车及头盔的安全性设计提供了重要的技术支持。
天津科技大学李海岩等[135]的最新研究还提出了一种个性化头部生物力学模型建模方法,可基于目标模型额头部CT数据,采用三维点云配准和自由网格变形法,快速构建具有详细解剖学结构的个性化头部生物力学模型。经过实验结果[11]验证,采用新方法构建的个性化头部生物模型与前述通过逆向工程方法开发的头部生物力学模型在准确度和生物保真度方面无明显差异,而个性化且高效的建模方法将为研究更复杂的生物力学问题奠定基础。
2.11 HBM头部模型
湖南大学的杨济匡等[136]开发了一款行人模型,用于汽车-行人碰撞仿真测试。该模型后应用于汽车-行人碰撞仿真分析,研究在交通事故中碰撞速度[137]以及车辆结构[138]等参数对行人颅脑损伤风险的影响,为道路限速以及车辆设计等提供了理论依据。基于对行人模型参数化研究的基础,Yang等[139]后续开发了一款人类头部有限元模型(model of human body head, HBM-head model)。该模型包括头皮、颅骨、硬脑膜、脑脊液、软脑膜、大脑、小脑、脑室、脑干、大脑镰和小脑幕等解剖结构,如图15所示。具有低剪切模量的实体单元模拟脑脊液,硬脑膜和脑脊液之间的相对滑动模拟颅骨和大脑之间的相对运动。Yang等使用Nahum等[11]的实验数据对模型进行验证,证实了其良好的生物保真度。该模型后续用于预测人体头部相对引擎盖的冲击过程中的颅内压、线性和旋转加速度等参数,验证了新型引擎盖在降低头部损伤风险方面的优势[140]。
2.12 用于bTBI研究的头部模型
爆炸冲击波所致的颅脑创伤(blast-induced traumatic brain injury, bTBI)是现代战争中常出现的一种创伤性脑损伤类型。清华大学航天航空学院庄茁、柳占立团队通过力学建模与仿真及物理模型实验表征等手段,针对爆炸冲击波作用下的初级颅脑创伤进行了详尽研究[141],为bTBI的治疗和防护做出了重要贡献,以下就相关研究进行概括性介绍。
2019年,栗志杰等[142]采用欧拉-拉格朗日耦合方法(coupling Euler-Lagrangian method, CEL)建立了爆炸波与人体头部的流固耦合模型,模型包括颅骨、大脑、脑室、脑膜、小脑、脑脊液等结构,如图16所示。通过模拟头部受到正面和侧面爆炸冲击时的力学响应,证实了大脑的剪切变形与颅-脑相对切向位移相关,而与颅内压无关。针对常见的bTBI损伤形式(弥漫性轴索损伤及脑挫伤),研究者们还提出使用脑剪切应变、von Mises应力作为评价指标的评估方法。深入研究头部受到爆炸冲击波正面冲击的工况[143],栗志杰等一步揭示了颅骨与脑组织的动态响应规律,为bTBI的诊断和防护装备的研发提供了理论指导。
2022年,杜智博等[144]利用CT图像重建了人体头部有限元模型,并采用线弹性各向同性材料模型来模拟皮肤和颅骨,采用不可压缩的超弹性材料模型来模拟大脑组织。使用头部有限元模型模拟了其在冲击管中的爆炸过程,并监测了头部表面的爆炸超压、颅内压力及颅骨表面应变等参数。模拟结果表明,颅骨的变形会影响不同部位及不同时间颅内压力的变化,但具体的影响机制仍有待进一步探索。此外,杜智博等还研究了脑组织各向异性的力学行为[145],并通过轴突的变形状况探究了爆炸载荷下造成DAI的力学机制[146]:通过von Mises应力、轴突应变和轴突应变率等指标分析了轴突损伤的物理过程,结果表明相较于von Mises应力和轴突应变,轴索应变率是表征病理性轴索损伤区域的更好指标。这为更好地诊断和治疗由爆炸引起的DAI做出了贡献。
杜志博等在2024年的最新研究[147]中调查了不同物种(包括人类、老鼠和猪)对冲击波的颅内压力响应,发现不同于传统认知中“头型越大越能提供保护”的假设,人类的头部尽管相对于同等体重的其他物种更大,但更易遭受冲击波的伤害。据此得出结论:应基于颅内压力峰值的一致性而非头型大小来评估bTBI风险。该观点强调了在预测抗bTBI能力时应全面考虑头部几何形状和大小,具有突出的现实意义。
2.13 基于THUMS模型的颅脑-神经纤维跨尺度耦合模型
来自重庆理工大学的任立海团队的王荡荡[148]基于THUMS头部模型(THUMS-Head v5.02)进行了颅脑-神经纤维跨尺度耦合建模(如图17所示),探究了弥漫性脑损伤的头部载荷特征与颅内动力学响应的关联机制。首先通过人体头部平均核磁共振医学影像数据,获取人脑神经纤维空间分布特征数据,构建出脑神经纤维空间有限元模型,再将其与精细化处理后的THUMS头部模型进行配合,最终实现颅脑-神经纤维跨尺度耦合建模。模型使用6种冲击载荷生物实验数据进行了验证,证实了其在颅脑动力学预测中的有效性。使用该模型定量对比了不同机械冲击载荷下仿真预测的相关动力学参数,证实了脑组织的应变响应主要是由旋转载荷引起,同时头部运动方向及载荷波形形状也对脑组织应变响应有着明显影响。基于THUMS头部模型,任立海等[149]还研究了建模方法对枕骨大孔边界条件(foramen magnum boundary condition, FMBC)在额部撞击下颅内动态响应的影响,结果显示使用不同建模方法开发的模型在脑干区域的颅内动态响应差异明显,预测的脑干白质轴索损伤风险也有所不同,进而提出在使用人体头部有限元模型研究脑干损伤时,应进一步评估FMBC的建模方法。
2.14 深度学习头部模型
上述介绍的各类模型在生物力学仿真度方面均表现良好,已用于研究一些复杂的颅脑损伤机制。然而,尽管高精度的有限元分析模型能获得更接近真实情况的模拟效果,但它们通常需要消耗较多的计算资源和时间,这在一定程度上限制了有限元头部模型的临床应用前景。为解决这一问题,研究者们开始尝试将深度学习方法引入有限元头部模型开发过程,在保证精度的同时提高计算速度,进一步提高了有限元头部模型的适用性。
来自斯坦福大学的Zhan等[150]提出了一个具有5层深度神经网络、基于头部运动信号特征工程的深度学习头部模型。基于可穿戴牙套式传感器测量[151]的上千次橄榄球或职业综合格斗运动中头部撞击数据,Liu等进行了建模和测试[152],结果证明了该模型在计算性能以及准确度方面的突出表现:相较于传统的有限元头部模型,深度学习头部模型计算速度更快,且可整合多种类型的头部撞击数据以进一步扩展应用场景。为了进一步提升在不同种类头部冲击中大脑应变建模的准确度,Zhan等随后使用统计学方法评估了脑损伤指标在包含不同撞击类型的数据集中的预测准确度[52],并且分析了多项运动学参数在不同类型头部撞击中的预测能力[153]等。这些研究为研究颅脑损伤标准和优化深度学习头部模型的损伤预测能力提供了参考意见,也为后续确定深度学习模型的输入特征奠定了基础。深度学习模型依赖大量的训练数据,为了简化模型优化建模过程,在第一代深度学习模型基础上,Zhan等基于主成分分析方法提出了大脑变形模型[154],该方法利用了大脑应变的协变关系,在简化网络结构的同时减少了所需的训练数据,进一步提升了模型预测损伤指标的速度。然而,相比有限元分析头部模型,深度学习头部模型虽然大幅提高了计算速度,但它们在分析来自不同头部碰撞类型(例如车祸、橄榄球运动等)的数据集时精度存在较大差异,这限制了模型的普遍适用性。为解决该难题,Zhan等基于不同算法开发出适用于多种碰撞场景的模型:首先,基于分类算法提出了碰撞场景识别-分别计算的方法,对不同类型的头部撞击先进行分类再逐类进行建模,并证明了基于线性加速度和角速度进行高准确度分类不同种类的头部冲击的可行性[155];在此基础上,尝试打破对传统“不同冲击类别”的定义,进一步采用数据驱动头部碰撞无监督聚类的方法,提升深度学习模型对CSDM的预测精度[156];随后,采用迁移学习方法和模型微调的策略开发了一系列深度学习头部模型来预测冲击过程中的最大主应变和最大主应变率,并证明其在分析不同种类的头部冲击预测脑震荡发生风险的有效性[157];此外,考虑到迁移学习和模型微调测量对于有监督标记数据的依赖,尝试集成无监督域迁移与深度神经网络(deep neural networks, DNN)方法,预测全脑最大主应变和最大主应变率。这种方法在不需要提供特定种类头部冲击的有限元分析结果用于模型微调和迁移学习的情况下,提高了模型的预测精度,且有效降低了估计误差[158]。除此之外,为了提升大脑建模的精度,Zhan等还将深度学习技术用于预测头部冲击加速度测量的误差,并开发了加速度误差补偿算法,抑制了输入数据误差引起的大脑应变的误差[159]。这些尝试为进一步加强深度学习方法与有限元模型的结合奠定了良好基础。
如前所述,WHIM模型在迭代发展的过程中也探索了机器学习/深度学习方法的使用。例如使用各向同性WHIM Version 1.0结合机器学习方法开发了用于脑震荡分类的新型方法[160],相较于传统的损伤标准,基于特征的机器学习分类器在交叉验证准确性、灵敏度等方面表现更加优异。研究证明了机器学习方法在脑震荡预测方面的卓越性能,初步揭示了其在TBI生物力学研究中的应用前景。升级版的各向异性WHIM模型也应用于开发(近)实时区域或全脑响应的深度学习方法[123],例如使用卷积神经网络(convolutional neural networks, CNN)即时准确地估计区域脑应变[161-162]、使用transformer神经网络(transformer neural networks, TNN)估计撞击引起的五维时空脑颅相对位移[163]等(这也是 TNN在生物力学和生物医学工程中的首次应用)。相较于此前研究多使用静态参数来评估颅脑损伤[36-37],将深度学习方法引入生物力学模拟过程可以实现实时的动态仿真,从而保留更多过程中的细节影响,这对于进一步加深对TBI相关机制的理解具有重要意义。
3. 总结与展望
如前所述,本文综述了国内外近几十年内主流的人类头部有限元模型的发展历程和特性,相关模型的重要总结见表1。对于人类头部有限元模型,网格数量和网格质量等设置均会影响模型的预测结果[164]。已有研究证明,其余建模参数相同时,模型的网格越精细,计算得到的大脑应变值就越大[165]。网格数量的提升使得保留大脑精细的解剖结构成为可能,例如网格数量达到百万级的ADAPT模型[48]和IC模型[88]均捕捉到了大脑皮层的沟回结构,揭示了沟回结构的几何形貌对大脑冲击响应的影响。
表 1 人类头部有限元模型汇总Table 1. Summary of finite element models of the human head模型名称 作者 年份 模型描述 网格数量 颅脑接触定义 适用场景 KTH模型 Kleiven等[26] 2002 开发了KTH模型的原始版本,包括头皮、颅骨、大脑、脑膜、脑脊液(CSF)
以及11对矢状旁桥静脉18 416 固定接触(颅骨-硬脑膜);允许切向滑动接触(脑-软脑膜) 运动损伤监测、头盔护具设计及TBI机制研究 Ho等[29] 2007 提取了主要动静脉血管的几何形状,
将脉管系统合并到KTH模型中/ Giordano等[35] 2014 使用各向异性的超粘弹性纤维增强各向异性模型来描述脑组织的力学行为 / Zhou等[41] 2019 使用流固耦合方法(FSI)修改了初始KTH模型中的脑-颅骨界面 增加了CSF单元 Li等[48] 2021 增加了大脑皮层表面的沟回结构,
并在结构中嵌入了白质(WM)纤维束,
实现 CSF层与脑室系统的贯通4 400 000个六面体单元和540 000个四面体单元 共节点连接 WSUHIM模型/
GHBMC头部
模型Ruan等[56] 1993 开发了WSUHIM模型的原始版本,
具有头皮、三层颅骨、脑脊液(CSF)、
硬脑膜、大脑镰和大脑7 351 / 交通安全、体育运动损伤及TBI机制研究 Zhou[57] 1995 细化网格,补充灰质、白质、脑室
等解剖细节,定义非均质大脑22 995 / Al-Bsharat等[59] 1999 引入颅骨和大脑表面的滑动接触界面 / 滑动接触 Zhang等[61] 2001 网格更精细,能够模拟高加速度下的
直接和间接冲击响应314 500 无分离滑动接触 Mao等[67] 2013 使用多块技术建立了新的模型,具有
头皮、颅骨和面部骨骼、鼻窦、大脑、
小脑、侧脑室、胼胝体、丘脑和脑干
等结构,后集成于GHBMC人体模型270 552 固定接触 Wu等[69] 2019 将白质轴突成分嵌入模型 82 083 / Lyu等[72] 2022 采用各向异性黏-超弹性材料模型
定义大脑组织246 829 / THUMS
头部模型Iwamoto等[80] 2000 仅由颅面部骨骼、韧带和肌肉组成 固定接触 交通安全、汽车碰撞实验以及TBI预测 Iwamoto等[76] 2007 区分了皮质骨和松质骨,其余结构
包括大脑、小脑、脑干以及脑脊液
(CSF)、硬脑膜、软脑膜、蛛网膜、
大脑镰和小脑幕等49 700 Iwamoto等[79] 2015 消除了颅骨和大脑间的间隙,
修改固定接触为共节点连接共节点连接 Atsumi等[83] 2018 补充了深部脑区(胼胝体、边缘系统等)的解剖细节,采用具有各向异性、应变率依赖性及卸载特定的本构模型 62 048 Atsumi等[84] 2021 对脑脊液应用不可压缩流体动力学
控制方程61 345 IC模型 Ghajari等[88] 2017 模型包括头皮、颅骨、大脑、脑膜、
蛛网膜下腔和脑室等结构,特别地,
补充了大脑表面的脑沟结构~1 000 000个六面体单元和250 000个
四边形单元头部在碰撞中
的生物力学响应
及TBI机制研究Duckworth等[94] 2022 将头部静脉系统纳入模型 1 206 173 共节点连接 WHIM模型 Ji等[97] 2014 包括大脑、小脑、脑干、大脑镰、小脑幕、胼胝体等重要脑部解剖结构 115 228 共节点连接 体育运动安全、
脑部血管损伤
及TBI机制研究Zhao等[100] 2019 建立了各向异性大脑模型 143 300 Zhao等[101] 2020 将脉管系统合并到模型中 202 800 Zhao等[103] 2022 使用基于MRE得到的大脑异质性
材料特性定义大脑202 800 ULP模型 Willinger等[104] 1995 模型包括颅骨、脑脊液、大脑半球、
小脑、脑干和脑膜等结构6 213 允许3个自由度的运动(沿X和Y轴的平移以及绕Z轴的旋转) 事故重建、
法医学研究
及TBI机制研究Kang等[106] 1997 修改后的模型包括皮肤、颅骨、面部、大脑、小脑、硬脑膜、蛛网膜下腔、大脑镰和小脑幕等结构;除了大脑是黏弹性材料,其余结构均定义为均匀且各向同性 13 208 Deck等[107] 2004 针对颅骨皮质骨和松质骨选用了不同的材料参数,整体模型采用弹塑性材料模型 74 243 UCDBTM模型 Horgan等[116] 2003 模型包括头皮、三层头骨、硬脑膜、
脑脊液、软脑膜、大脑镰、小脑幕、
大脑半球、小脑和脑干等结构9000 /25000 /50000 实体单元连接 运动损伤、
头盔护具性能评估
及TBI机制研究Yan等[119] 2011 定义脑组织为黏弹性,将脑脊液
模拟为静水流体/ 脑脊液层允许与固体结构相互作用 Trotta等[120] 2020 更新了头部多个部件的力学性能,
在头皮和颅骨之间引入低摩擦系数,
细化了模型的网格184 261 头部的重心及3个沿x/y/z轴2.5 cm处的点被直接约束到颅骨 图斯特头部
模型包永涛等[134] 2010 模型包括大脑、小脑、脑干、脑室、
脑脊液、硬脑膜、软脑膜、大脑镰、
小脑幕以及颅骨的内外骨板
和板障等主要头部结构89 510 更符合中国人特征的保护装置的设计分析、人体运动学和生物力学响应
及损伤机理研究HBM头部模型 Yang[139] 2011 模型包括头皮、颅骨、硬脑膜、脑脊液(CSF)、软脑膜、大脑、小脑、脑室、
脑干、大脑镰、小脑幕等解剖结构61 121 滑动接触 车辆碰撞中的颅脑
损伤及潜在的损伤
机制研究用于bTBI研究的头部模型 Li等[142] 2019 模型包括大脑、小脑、脑干、侧脑室、
第三脑室、脑膜、脑脊液及具有典型
三明治结构的颅骨、皮肤和颈部303 588 自由边界 爆炸冲击波所致的
颅脑损伤研究注:如无特殊说明,以上网格数量统计均为不同单元数量之和 其次,不同模型在关于脑脊液的定义上存在差异。大多数模型省略了脑脊液的流体特征,将其简单建模为固体单元。上述所介绍的模型中,Zhou等[41]于2019年使用ALE方法对KTH模型的脑脊液进行建模,Atsumi等[84]于2021年在THUMS头部模型对脑脊液单独应用了ICFD控制方程,Duckworth等[95]则是在二维的IC头部模型中使用SPH方法建模了脑脊液层。以上尝试将脑脊液的流体特征纳入了头部有限元模型的建模过程,具有显著的进步意义。但是由于目前缺少脑脊液在真实头部冲击中流动过程的实验数据,尚无法比较不同的CSF建模方法的精度。
此外,颅内出血和颅内血肿是创伤性脑损伤中常见的继发性损伤形式。针对这一问题,KTH模型[29]、IC模型[94]、WHIM模型[101]在头部模型中添加了颅脑血管系统,建立了头部冲击大脑力学响应与出血之间的关系,实现了通过头部冲击力学分析对颅脑出血这一特定病理状况的预测。
不同的头部有限元模型所研究的问题有所差别,主要分为2类:一类是针对爆炸载荷下的大脑冲击响应的模型,其中代表性模型为清华大学庄茁、柳占立团队研发的人类头部有限元模型[142],具备独特的应用价值;另一类是针对碰撞冲击载荷下的大脑惯性损伤模型,包括多用于汽车碰撞测试领域的THUMS模型[76]和GHBMC模型[69],这些模型在研究交通事故中的创伤性脑损伤生物力学过程中起到了重要作用;此外,西澳大利亚大学头部模型为神经外科手术仿真及机器人辅助手术提供了技术支持,进一步证实了有限元头部模型的临床应用价值[125,127]。
Liu等[149]研究发现,在相同的头部加速度作用下,第95百分位数的大脑与第5百分位数大脑的应变相差超过1倍。因此,针对真实大脑几何的个性化建模方法具有重要意义。ADAPT模型[49]中所运用的基于匹配大脑形貌的个性化建模流程,可以实现基于不同的解剖学特征生成特定的头部模型;Mao等[65]提出的使用多块技术来建模高质量六面体大脑网络模型的方法,能够快速生成特定的大脑模型;李海岩等[135]提出的个性化头部生物力学模型建模方法,能够快速构建具有详细解剖学结构的头部模型。高效的个性化建模流程为研究复杂的生物力学问题奠定了基础,也是计算生物力学辅助精准医疗的一大发展方向。
在人类头部有限元模型出现之前,针对TBI机制的研究主要集中在头部运动学方面,研究者们通过线性和旋转加速度峰值幅度来量化冲击的严重程度及其可能造成的损伤[36]。人类头部有限元模型的应用革新了生物力学的研究方法,进而提出了更多损伤相关的评价指标。随着计算能力的不断提升,模型的应用场景也在不断拓宽:从最初的冲击测试模拟[66],到探究病理性疾病的发病机制[94],再到如今将深度学习方法应用于生物力学动态仿真过程[68],人类头部有限元模型仍在生物力学领域持续释放新的潜能。
然而,尽管在模型的开发方面已取得长足进展,但将其应用于TBI研究仍面临诸多挑战。首先,由于临床数据的缺失,无法对现有模型进行全面而综合的系统评估;且有关模型的验证尚无统一的标准,不同模型的验证方法存在差异,这可能会导致它们对同一问题的分析结果产生偏差[164]。因此,我们建议建立一个公开共享的头部损伤数据库,收集涵盖不同年龄段及性别的人类头部动力学数据以及相关脑部疾病的临床数据,并就人类头部有限元模型的验证过程在技术层面统一标准,以改进当前头部有限元模型在验证环节的不足,进一步提高模型的预测能力。
此外,使用模型进行仿真模拟的效率有待提高。尽管提升网格数量能够捕捉更精细的解剖结构,但也大幅延长了模拟计算的时间,这使得追踪多次瞬时碰撞全过程的动态响应变得困难。目前已有报导使用深度学习模型可以实现快速的动态仿真以实时监测头部运动学随时间的变化[150,161,166],并研究头部参数对于相关撞击反应的影响[167],这可能是未来模型发展的一个重要方向。
最后,有必要加强有限元模型在病理学研究中的应用深度。当前,人类头部有限元模型多用于预测交通事故[80]、体育运动[97,168]以及爆炸[169]等过程中的脑组织应变及应变率,较少与人类病理学研究建立关联。考虑到继发性脑损伤带来的严重危害,深入了解创伤性脑损伤与神经退行性病变之间的关系具有重要意义。因此,亟需加强基础医学研究与计算生物力学研究的融合,以更好地造福人类健康。
-
表 1 人类头部有限元模型汇总
Table 1. Summary of finite element models of the human head
模型名称 作者 年份 模型描述 网格数量 颅脑接触定义 适用场景 KTH模型 Kleiven等[26] 2002 开发了KTH模型的原始版本,包括头皮、颅骨、大脑、脑膜、脑脊液(CSF)
以及11对矢状旁桥静脉18 416 固定接触(颅骨-硬脑膜);允许切向滑动接触(脑-软脑膜) 运动损伤监测、头盔护具设计及TBI机制研究 Ho等[29] 2007 提取了主要动静脉血管的几何形状,
将脉管系统合并到KTH模型中/ Giordano等[35] 2014 使用各向异性的超粘弹性纤维增强各向异性模型来描述脑组织的力学行为 / Zhou等[41] 2019 使用流固耦合方法(FSI)修改了初始KTH模型中的脑-颅骨界面 增加了CSF单元 Li等[48] 2021 增加了大脑皮层表面的沟回结构,
并在结构中嵌入了白质(WM)纤维束,
实现 CSF层与脑室系统的贯通4 400 000个六面体单元和540 000个四面体单元 共节点连接 WSUHIM模型/
GHBMC头部
模型Ruan等[56] 1993 开发了WSUHIM模型的原始版本,
具有头皮、三层颅骨、脑脊液(CSF)、
硬脑膜、大脑镰和大脑7 351 / 交通安全、体育运动损伤及TBI机制研究 Zhou[57] 1995 细化网格,补充灰质、白质、脑室
等解剖细节,定义非均质大脑22 995 / Al-Bsharat等[59] 1999 引入颅骨和大脑表面的滑动接触界面 / 滑动接触 Zhang等[61] 2001 网格更精细,能够模拟高加速度下的
直接和间接冲击响应314 500 无分离滑动接触 Mao等[67] 2013 使用多块技术建立了新的模型,具有
头皮、颅骨和面部骨骼、鼻窦、大脑、
小脑、侧脑室、胼胝体、丘脑和脑干
等结构,后集成于GHBMC人体模型270 552 固定接触 Wu等[69] 2019 将白质轴突成分嵌入模型 82 083 / Lyu等[72] 2022 采用各向异性黏-超弹性材料模型
定义大脑组织246 829 / THUMS
头部模型Iwamoto等[80] 2000 仅由颅面部骨骼、韧带和肌肉组成 固定接触 交通安全、汽车碰撞实验以及TBI预测 Iwamoto等[76] 2007 区分了皮质骨和松质骨,其余结构
包括大脑、小脑、脑干以及脑脊液
(CSF)、硬脑膜、软脑膜、蛛网膜、
大脑镰和小脑幕等49 700 Iwamoto等[79] 2015 消除了颅骨和大脑间的间隙,
修改固定接触为共节点连接共节点连接 Atsumi等[83] 2018 补充了深部脑区(胼胝体、边缘系统等)的解剖细节,采用具有各向异性、应变率依赖性及卸载特定的本构模型 62 048 Atsumi等[84] 2021 对脑脊液应用不可压缩流体动力学
控制方程61 345 IC模型 Ghajari等[88] 2017 模型包括头皮、颅骨、大脑、脑膜、
蛛网膜下腔和脑室等结构,特别地,
补充了大脑表面的脑沟结构~1 000 000个六面体单元和250 000个
四边形单元头部在碰撞中
的生物力学响应
及TBI机制研究Duckworth等[94] 2022 将头部静脉系统纳入模型 1 206 173 共节点连接 WHIM模型 Ji等[97] 2014 包括大脑、小脑、脑干、大脑镰、小脑幕、胼胝体等重要脑部解剖结构 115 228 共节点连接 体育运动安全、
脑部血管损伤
及TBI机制研究Zhao等[100] 2019 建立了各向异性大脑模型 143 300 Zhao等[101] 2020 将脉管系统合并到模型中 202 800 Zhao等[103] 2022 使用基于MRE得到的大脑异质性
材料特性定义大脑202 800 ULP模型 Willinger等[104] 1995 模型包括颅骨、脑脊液、大脑半球、
小脑、脑干和脑膜等结构6 213 允许3个自由度的运动(沿X和Y轴的平移以及绕Z轴的旋转) 事故重建、
法医学研究
及TBI机制研究Kang等[106] 1997 修改后的模型包括皮肤、颅骨、面部、大脑、小脑、硬脑膜、蛛网膜下腔、大脑镰和小脑幕等结构;除了大脑是黏弹性材料,其余结构均定义为均匀且各向同性 13 208 Deck等[107] 2004 针对颅骨皮质骨和松质骨选用了不同的材料参数,整体模型采用弹塑性材料模型 74 243 UCDBTM模型 Horgan等[116] 2003 模型包括头皮、三层头骨、硬脑膜、
脑脊液、软脑膜、大脑镰、小脑幕、
大脑半球、小脑和脑干等结构9000 /25000 /50000 实体单元连接 运动损伤、
头盔护具性能评估
及TBI机制研究Yan等[119] 2011 定义脑组织为黏弹性,将脑脊液
模拟为静水流体/ 脑脊液层允许与固体结构相互作用 Trotta等[120] 2020 更新了头部多个部件的力学性能,
在头皮和颅骨之间引入低摩擦系数,
细化了模型的网格184 261 头部的重心及3个沿x/y/z轴2.5 cm处的点被直接约束到颅骨 图斯特头部
模型包永涛等[134] 2010 模型包括大脑、小脑、脑干、脑室、
脑脊液、硬脑膜、软脑膜、大脑镰、
小脑幕以及颅骨的内外骨板
和板障等主要头部结构89 510 更符合中国人特征的保护装置的设计分析、人体运动学和生物力学响应
及损伤机理研究HBM头部模型 Yang[139] 2011 模型包括头皮、颅骨、硬脑膜、脑脊液(CSF)、软脑膜、大脑、小脑、脑室、
脑干、大脑镰、小脑幕等解剖结构61 121 滑动接触 车辆碰撞中的颅脑
损伤及潜在的损伤
机制研究用于bTBI研究的头部模型 Li等[142] 2019 模型包括大脑、小脑、脑干、侧脑室、
第三脑室、脑膜、脑脊液及具有典型
三明治结构的颅骨、皮肤和颈部303 588 自由边界 爆炸冲击波所致的
颅脑损伤研究注:如无特殊说明,以上网格数量统计均为不同单元数量之和 -
[1] MAAS A I R, MENON D K, MANLEY G T, et al. Traumatic brain injury: progress and challenges in prevention, clinical care, and research [J]. The Lancet Neurology, 2022, 21(11): 1004–1060. DOI: 10.1016/S1474-4422(22)00309-X. [2] WILSON L, STEWART W, DAMS-O’CONNOR K, et al. The chronic and evolving neurological consequences of traumatic brain injury [J]. The Lancet Neurology, 2017, 16(10): 813–825. DOI: 10.1016/S1474-4422(17)30279-X. [3] HOOFIEN D, GILBOA A, VAKIL E, et al. Traumatic brain injury (TBI) 10-20 years later: a comprehensive outcome study of psychiatric symptomatology, cognitive abilities and psychosocial functioning [J]. Brain Injury, 2001, 15(3): 189–209. DOI: 10.1080/026990501300005659. [4] HAWRYLUK G W, MANLEY G T. Classification of traumatic brain injury: past, present, and future [J]. Handbook of clinical neurology, 2015, 127: 15–21. DOI: 10.1016/B978-0-444-52892-6.00002-7. [5] TSE K M, LIM S, TAN V B C, et al. A Review of Head Injury and Finite Element Head Models [J]. American Journal of Engineering, Technology and Society, 2014, 1: 28–52. [6] GREVE M W, ZINK B J. Pathophysiology of traumatic brain injury [J]. Mount Sinai Journal of Medicine: A Journal of Translational and Personalized Medicine, 2009, 76(2): 97–104. DOI: 10.1002/msj.20104. [7] ZHAN X H, OEUR A, LIU Y Z, et al. Translational models of mild traumatic brain injury tissue biomechanics [J]. Current Opinion in Biomedical Engineering, 2022, 24: 100422. DOI: 10.1016/j.cobme.2022.100422. [8] SMITH D H, MEANEY D F, SHULL W H. Diffuse Axonal Injury in Head Trauma [J]. The Journal of Head Trauma Rehabilitation, 2003, 18(4): 307. DOI: 10.1097/00001199-200307000-00003. [9] GRAHAM N S N, JOLLY A, ZIMMERMAN K, et al. Diffuse axonal injury predicts neurodegeneration after moderate–severe traumatic brain injury [J]. Brain, 2020, 143(12): 3685–3698. DOI: 10.1093/brain/awaa316. [10] HARDY W N, FOSTER C D, MASON M J, et al. Investigation of head injury mechanisms using neutral density technology and high-speed biplanar X-ray [J]. Stapp Car Crash Journal, 2001, 45: 337–368. DOI: 10.4271/2001-22-0016. [11] NAHUM A M, SMITH R, WARD C C. Intracranial pressure dynamics during head impact: SAE Technical Paper 770922 [R]. Warrendale: SAE International, 1977. DOI: 10.4271/770922. [12] ALSHAREEF A, GIUDICE J S, FORMAN J, et al. Biomechanics of the Human Brain during Dynamic Rotation of the Head [J]. Journal of Neurotrauma, 2020, 37(13): 1546–1555. DOI: 10.1089/neu.2019.6847. [13] ZHOU Z, LI X G, LIU Y Z, et al. Brain strain rate response: addressing computational ambiguity and experimental data for model validation [J]. Brain Multiphysics, 2023, 4: 100073. DOI: 10.1016/j.brain.2023.100073. [14] GUETTLER A J, RAMACHANDRA R, BOLTE J, et al. Kinematics response of the PMHS brain to rotational loading of the head: development of experimental methods and analysis of preliminary data: SAE Technical Paper 2018-01-0547 [R]. SAE Technical Paper, 2018. DOI: 10.4271/2018-01-0547. [15] ZHOU Z, LI X G, KLEIVEN S, et al. Brain strain from motion of sparse markers [C]//Proceedings of the 63rd Stapp Car Crash Conference. SAE, 2020. DOI: 10.4271/2019-22-0001. [16] DIXIT P, LIU G R. A Review on Recent Development of Finite Element Models for Head Injury Simulations [J]. Archives of Computational Methods in Engineering, 2017, 24(4): 979–1031. DOI: 10.1007/s11831-016-9196-x. [17] TAJRAN J, GOSMAN A A. Anatomy, head and neck, scalp [M]//StatPearls. Treasure Island (FL): StatPearls Publishing, 2024. [18] ORR T J, LESHA E, KRAMER A H, et al. Traumatic brain injury: a comprehensive review of biomechanics and molecular pathophysiology [J]. World Neurosurgery, 2024, 185: 74–88. DOI: 10.1016/j.wneu.2024.01.084. [19] RUAN J, PRASAD P. The effects of skull thickness variations on human head dynamic impact responses [J]. Stapp car crash journal, 2001, 45: 395–414. DOI: 10.4271/2001-22-0018. [20] MEANEY D F, OLVEY S, GENNARELLI T. Biomechanical basis of traumatic brain injury [J]. Youmans & Winn Neurological Surgery, 2016, 4: 2755–2764. DOI: 10.1016/b978-1-4160-5316-3.00328-2. [21] KEATING C E, CULLEN D K. Mechanosensation in traumatic brain injury [J]. Neurobiology of Disease, 2021, 148: 105210. DOI: 10.1016/j.nbd.2020.105210. [22] JIN X, YANG K H, KING A I. Mechanical properties of bovine pia–arachnoid complex in shear [J]. Journal of Biomechanics, 2011, 44(3): 467–474. DOI: 10.1016/j.jbiomech.2010.09.035. [23] YANG S C, TANG J S, NIE B B, et al. Assessment of brain injury characterization and influence of modeling approaches [J]. Scientific Reports, 2022, 12(1): 13597. DOI: 10.1038/s41598-022-16713-2. [24] LÜDERS E, STEINMETZ H, JÄNCKE L. Brain size and grey matter volume in the healthy human brain [J]. NeuroReport, 2002, 13(17): 2371. DOI: 10.1097/00001756-200212030-00040. [25] 康越, 马天, 黄献聪, 等. 颅脑爆炸伤数值模拟研究进展: 建模、力学机制及防护 [J]. 爆炸与冲击, 2023, 43(6): 3–38. DOI: 10.11883/bzycj-2022-0521.KANG Y, MA T, HUANG X C, et al. Advances in numerical simulation of blast-induced traumatic brain injury: modeling, mechanical mechanism and protection [J]. Explosion and Shock Waves, 2023, 43(6): 3–38. DOI: 10.11883/bzycj-2022-0521. [26] KLEIVEN S, HARDY W N. Correlation of an FE model of the human head with local brain motion--consequences for injury prediction [J]. Stapp Car Crash Journal, 2002, 46: 123-144. DOI: 10.4271/2002-22-0007. [27] KLEIVEN S. Predictors for traumatic brain injuries evaluated through accident reconstructions [J]. Stapp car crash journal, 2007, 51: 81–114. DOI: 10.4271/2007-22-0003. [28] KING A I, HARDY W N, MASON M J, et al. Comparison of relative motion between the brain and skull of the human cadaver for rotation in the coronal and sagittal planes [C]//Proceedings of the 4th World Congress of Biomechanics. 2002. [29] HO J, KLEIVEN S. Dynamic response of the brain with vasculature: A three-dimensional computational study [J]. Journal of Biomechanics, 2007, 40(13): 3006–3012. DOI: 10.1016/j.jbiomech.2007.02.011. [30] YANG K H, MAO H J, WAGNER C, et al. Modeling of the brain for injury prevention [M]//BILSTON L E. Neural Tissue Biomechanics. Berlin, Heidelberg: Springer, 2011: 69–120. DOI: 10.1007/8415_2010_62. [31] WALSH D R, ZHOU Z, LI X G, et al. Mechanical properties of the cranial meninges: a systematic review [J]. Journal of Neurotrauma, 2021, 38(13): 1748–1761. DOI: 10.1089/neu.2020.7288. [32] HO J, ZHOU Z, LI X G, et al. The peculiar properties of the falx and tentorium in brain injury biomechanics [J]. Journal of Biomechanics, 2017, 60: 243–247. DOI: 10.1016/j.jbiomech.2017.06.023. [33] HERNANDEZ F, GIORDANO C, GOUBRAN M, et al. Lateral impacts correlate with falx cerebri displacement and corpus callosum trauma in sports-related concussions [J]. Biomechanics and modeling in mechanobiology, 2019, 18(3): 631–649. DOI: 10.1007/s10237-018-01106-0. [34] COLGAN N C, GILCHRIST M D, CURRAN K M. Applying DTI white matter orientations to finite element head models to examine diffuse TBI under high rotational accelerations [J]. Progress in Biophysics and Molecular Biology, 2010, 103(2): 304–309. DOI: 10.1016/j.pbiomolbio.2010.09.008. [35] GIORDANO C, CLOOTS R J H, VAN DOMMELEN J A W, et al. The influence of anisotropy on brain injury prediction [J]. Journal of Biomechanics, 2014, 47(5): 1052–1059. DOI: 10.1016/j.jbiomech.2013.12.036. [36] BANDAK F A, VANDER VORST M J, STUHMILLER L M, et al. An imaging-based computational and experimental study of skull fracture: finite element model development [J]. Journal of Neurotrauma, 1995, 12(4): 679–688. DOI: 10.1089/neu.1995.12.679. [37] CLOOTS R J H, VAN DOMMELEN J A W, KLEIVEN S, et al. Multi-scale mechanics of traumatic brain injury: predicting axonal strains from head loads [J]. Biomechanics and Modeling in Mechanobiology, 2013, 12(1): 137–150. DOI: 10.1007/s10237-012-0387-6. [38] GIORDANO C, KLEIVEN S. Evaluation of Axonal Strain as a Predictor for Mild Traumatic Brain Injuries Using Finite Element Modeling [J]. Stapp Car Crash Journal, 2014, 58: 29–61. DOI: 10.4271/2014-22-0002. [39] ZHOU Z, OLSSON C, GASSER T C, et al. The white matter fiber tract deforms most in the perpendicular direction during in vivo volunteer impacts [J]. Journal of Neurotrauma, 2024. DOI: 10.1089/neu.2024.0183. [40] ZHOU Z, LI X G, LIU Y Z, et al. Toward a comprehensive delineation of white matter tract-related deformation [J]. Journal of Neurotrauma, 2021, 38(23): 3260–3278. DOI: 10.1089/neu.2021.0195. [41] ZHOU Z, LI X G, KLEIVEN S. Fluid–structure interaction simulation of the brain–skull interface for acute subdural haematoma prediction [J]. Biomechanics and Modeling in Mechanobiology, 2019, 18(1): 155–173. DOI: 10.1007/s10237-018-1074-z. [42] ZHOU Z, LI X G, KLEIVEN S. Biomechanics of acute subdural hematoma in the elderly: a fluid-structure interaction study [J]. Journal of Neurotrauma, 2019, 36(13): 2099–2108. DOI: 10.1089/neu.2018.6143. [43] ZHOU Z, LI X G, KLEIVEN S. Evaluation of brain-skull interface modelling approaches on the prediction of acute subdural hematoma in the elderly [J]. Journal of Biomechanics, 2020, 105: 109787. DOI: 10.1016/j.jbiomech.2020.109787. [44] ZHOU Z, LI X G, KLEIVEN S. Biomechanics of periventricular injury [J]. Journal of Neurotrauma, 2020, 37(8): 1074–1090. DOI: 10.1089/neu.2019.6634. [45] ZHOU Z, LI X G, DOMEL A G, et al. The presence of the temporal horn exacerbates the vulnerability of hippocampus during head impacts [J]. Frontiers in Bioengineering and Biotechnology, 2022, 10: 754344. DOI: 10.3389/fbioe.2022.754344. [46] HO J, KLEIVEN S. Can sulci protect the brain from traumatic injury? [J]. Journal of Biomechanics, 2009, 42(13): 2074–2080. DOI: 10.1016/j.jbiomech.2009.06.051. [47] CLOOTS R J H, GERVAISE H M T, VAN DOMMELEN J A W, et al. Biomechanics of traumatic brain injury: influences of the morphologic heterogeneities of the cerebral cortex [J]. Annals of Biomedical Engineering, 2008, 36(7): 1203–1215. DOI: 10.1007/s10439-008-9510-3. [48] LI X G, ZHOU Z, KLEIVEN S. An anatomically detailed and personalizable head injury model: significance of brain and white matter tract morphological variability on strain [J]. Biomechanics and Modeling in Mechanobiology, 2021, 20(2): 403–431. DOI: 10.1007/s10237-020-01391-8. [49] LI X G. Subject-specific head model generation by mesh morphing: a personalization framework and its applications [J]. Frontiers in Bioengineering and Biotechnology, 2021, 9: 706566. DOI: 10.3389/fbioe.2021.706566. [50] O’KEEFFE E, KELLY E, LIU Y Z, et al. Dynamic blood–brain barrier regulation in mild traumatic brain injury [J]. Journal of Neurotrauma, 2020, 37(2): 347–356. DOI: 10.1089/neu.2019.6483. [51] CECCHI N J, DOMEL A G, LIU Y Z, et al. Identifying factors associated with head impact kinematics and brain strain in high school american football via instrumented mouthguards [J]. Annals of Biomedical Engineering, 2021, 49(10): 2814–2826. DOI: 10.1007/s10439-021-02853-5. [52] ZHAN X H, LI Y H, LIU Y Z, et al. The relationship between brain injury criteria and brain strain across different types of head impacts can be different [J]. Journal of the Royal Society Interface, 2021, 18(179): 20210260. DOI: 10.1098/rsif.2021.0260. [53] CECCHI N J, CALLAN A A, WATSON L P, et al. Padded helmet shell covers in American football: a comprehensive laboratory evaluation with preliminary on-field findings [J]. Annals of Biomedical Engineering, 2024, 52(10): 2703–2716. DOI: 10.1007/s10439-023-03169-2. [54] FANTON M, SGANGA J, CAMARILLO D B. Vulnerable locations on the head to brain injury and implications for helmet design [J]. Journal of Biomechanical Engineering, 2019, 141(12): 121002. DOI: 10.1115/1.4044876. [55] LAKSARI K, WU L C, KURT M, et al. Resonance of human brain under head acceleration [J]. Journal of The Royal Society Interface, 2015, 12(108): 20150331. DOI: 10.1098/rsif.2015.0331. [56] RUAN J S, KHALIL T B, KING A I. Finite element modeling of direct head impact: SAE Technical Paper 933114 [R]. Warrendale: SAE, 1993. DOI: 10.4271/933114. [57] ZHOU C, KHALIL T B, KING A I. A new model comparing impact responses of the homogeneous and inhomogeneous human brain: SAE Technical Paper 952714 [R]. Warrendale: SAE Transactions, 1995: 2999−3015. DOI: 10.4271/952714. [58] ROSS D T, MEANEY D F, SABOL M K, et al. Distribution of forebrain diffuse axonal injury following inertial closed head injury in miniature swine [J]. Experimental Neurology, 1994, 126(2): 291–298. DOI: 10.1006/exnr.1994.1067. [59] AL-BSHARAT A S, HARDY W N, YANG K H, et al. Brain/skull relative displacement magnitude due to blunt head impact: new experimental data and model: SAE Technical Paper 99SC22 [R]. Warrendale: SAE International, 1999. DOI: 10.4271/99SC22. [60] GURDJIAN E S, LISSNER H R. The position and motions of the head at impact: SAE Technical Paper 640847 [R]. Warrendale: SAE International, 1964. DOI: 10.4271/640847. [61] ZHANG L Y, YANG K H, DWARAMPUDI R, et al. Recent advances in brain injury research: a new human head model development and validation [J]. Stapp Car Crash Journal, 2001, 45: 369–394. DOI: 10.4271/2001-22-0017. [62] TROSSEILLE X, TARRIÉRE C, LAVASTE F, et al. Development of a F. E. M. of the human head according to a specific test protocol: SAE Technical Paper 922527 [R]. Warrendale: SAE International, 1992. DOI: 10.4271/922527. [63] FREDRIKSSON R, ZHANG L Y, BOSTRÖM O, et al. Influence of impact speed on head and brain injury outcome in vulnerable road user impacts to the car hood: SAE Technical Paper 2007-22-0007 [R]. Warrendale: SAE International, 2007. DOI: 10.4271/2007-22-0007. [64] VIANO D C, CASSON I R, PELLMAN E J, et al. Concussion in professional football: brain responses by finite element analysis: part 9 [J]. Neurosurgery, 2005, 57(5): 891–916. DOI: 10.1227/01.NEU.0000186950.54075.3B. [65] MAO H J, GAO H T, CAO L B, et al. Development of high-quality hexahedral human brain meshes using feature-based multi-block approach [J]. Computer Methods in Biomechanics and Biomedical Engineering, 2013, 16(3): 271–279. DOI: 10.1080/10255842.2011.617005. [66] ZHOU S Z, ZHANG X, MA H L. Numerical simulation of human head impact using the material point method [J]. International Journal of Computational Methods, 2013, 10(4): 1350014. DOI: 10.1142/S021987621350014X. [67] MAO H J, ZHANG L Y, JIANG B H, et al. Development of a finite element human head model partially validated with thirty five experimental cases [J]. Journal of Biomechanical Engineering, 2013, 135(11): 111002. DOI: 10.1115/1.4025101. [68] BIAN K W, MAO H J. Mechanisms and variances of rotation-induced brain injury: a parametric investigation between head kinematics and brain strain [J]. Biomechanics and Modeling in Mechanobiology, 2020, 19(6): 2323–2341. DOI: 10.1007/s10237-020-01341-4. [69] WU T T, ALSHAREEF A, GIUDICE J S, et al. Explicit modeling of white matter axonal fiber tracts in a finite element brain model [J]. Annals of Biomedical Engineering, 2019, 47(9): 1908–1922. DOI: 10.1007/s10439-019-02239-8. [70] ALSHAREEF A, GIUDICE J S, FORMAN J, et al. A novel method for quantifying human in situ whole brain deformation under rotational loading using sonomicrometry [J]. Journal of Neurotrauma, 2018, 35(5): 780–789. DOI: 10.1089/neu.2017.5362. [71] HAJIAGHAMEMAR M, WU T T, PANZER M B, et al. Embedded axonal fiber tracts improve finite element model predictions of traumatic brain injury [J]. Biomechanics and Modeling in Mechanobiology, 2020, 19(3): 1109–1130. DOI: 10.1007/s10237-019-01273-8. [72] LYU D, ZHOU R Z, LIN C H, et al. Development and validation of a new anisotropic visco-hyperelastic human head finite element model capable of predicting multiple brain injuries [J]. Frontiers in Bioengineering and Biotechnology, 2022, 10: 831595. DOI: 10.3389/fbioe.2022.831595. [73] Toyota Motor Corporation. Total human model for safety (THUMS) : revolutionizing crash simulation to support safe mobility for all [EB/OL]. (2021-01-28) [2024-12-09]. https://www.toyota.co.jp/thums/contents/pdf/Toyota_THUMS_History_English.pdf. [74] IWAMOTO M, KISANUKI Y, WATANABE I, et al. Development of a finite element model of the total human model for safety (THUMS) and application to injury reconstruction[C]//Proceedings of the 2002 International IRCOBIConference, Munich, Germany, 2002: 31–42. [75] CAVANAUGH J M, NYQUIST G W, GOLDBERG S J, et al. Lower abdominal tolerance and response: SAE Technical Paper 861878 [R]. Warrendale: SAE International, 1986. DOI: 10.4271/861878. [76] IWAMOTO M, NAKAHIRA Y, TAMURA A, et al. Development of a finite element model of the total human model for safety (THUMS) and application to injury reconstruction[C]//Proc. 6th European LS-DYNA Users’ Conference. 2007: 47–56. [77] KIMPARA H, NAKAHIRA Y, IWAMOTO M, et al. Investigation of anteroposterior head-neck responses during severe frontal impacts using a brain-spinal cord complex FE model [J]. Stapp car crash journal, 2006, 50: 509–544. DOI: 10.4271/2006-22-0019. [78] TAMURA A, NAKAHIRA Y, IWAMOTO M, et al. The influence of the traction force due to inertia of the brain mass on traumatic brain injury during SUV-to-pedestrian impact [C]//Proceedings of the 2006 International Ircobi Conference on the Biomechanics of Impact. 2006: 100. [79] IWAMOTO M, NAKAHIRA Y, KIMPARA H. Development and validation of the total human model for safety (THUMS) toward further understanding of occupant injury mechanisms in precrash and during crash [J]. Traffic Injury Prevention, 2015, 16(S1): S36–S48. DOI: 10.1080/15389588.2015.1015000. [80] IWAMOTO M, KISANUKI Y, WATANABE I, et al. Development of a finite element model of the total human model for safety (THUMS) and application to injury reconstruction[C]//Proceedings of the international IRCOBI Conference. 2002: 18–20. [81] ATSUMI N, NAKAHIRA Y, IWAMOTO M. Development and validation of a head/brain FE model and investigation of influential factor on the brain response during head impact [J]. International Journal of Vehicle Safety, 2016, 9(1): 1–23. DOI: 10.1504/IJVS.2016.077145. [82] TAKHOUNTS E G, RIDELLA S A, HASIJA V, et al. Investigation of traumatic brain injuries using the next generation of simulated injury monitor (SIMon) finite element head model [J]. Stapp Car Crash Journal, 2008, 52: 1–31. DOI: 10.4271/2008-22-0001. [83] ATSUMI N, NAKAHIRA Y, TANAKA E, et al. Human brain modeling with its anatomical structure and realistic material properties for brain injury prediction [J]. Annals of Biomedical Engineering, 2018, 46(5): 736–748. DOI: 10.1007/s10439-018-1988-8. [84] ATSUMI N, NAKAHIRA Y, IWAMOTO M. Human brain FE modeling including incompressible fluid dynamics of intraventricular cerebrospinal fluid [J]. Brain Multiphysics, 2021, 2: 100037. DOI: 10.1016/j.brain.2021.100037. [85] KIMPARA H, NAKAHIRA Y, IWAMOTO M. Development and validation of THUMS version 5 with 1D muscle models for active and passive automotive safety research [C]//Proceedings of the 38th Annual International Conference of the IEEE Engineering in Medicine and Biology Society. Orlando: IEEE, 2016: 6022–6025. DOI: 10.1109/EMBC.2016.7592101. [86] AFEWERKI H. Biofidelity evaluation of thoracolumbar spine model in THUMS [D]. Gothenburg: Chalmers University of Technology, 2016. [87] TAKAO M, NAOYA K, NORIYUKI F, et al. Development of a human body model (THUMS Version 7) to simulate kinematics and injuries of reclined occupants in frontal collisions [C]//Proceedings of the 27th Enhanced Safety of Vehicles Conference. Yokohama: NHTSA, 2023. [88] GHAJARI M, HELLYER P, SHARP D. Computational modelling of traumatic brain injury predicts the location of chronic traumatic encephalopathy pathology[J]. Brain : a journal of neurology, 2017, 140. DOI: 10.1093/brain/aww317. [89] MEZ J, DANESHVAR D H, KIERNAN P T, et al. Clinicopathological evaluation of chronic traumatic encephalopathy in players of American football [J]. JAMA, 2017, 318(4): 360–370. DOI: 10.1001/jama.2017.8334. [90] ZIMMERMAN K A, KIM J, KARTON C, et al. Player position in American football influences the magnitude of mechanical strains produced in the location of chronic traumatic encephalopathy pathology: A computational modelling study [J]. Journal of Biomechanics, 2021, 118: 110256. DOI: 10.1016/j.jbiomech.2021.110256. [91] YU X C, GHAJARI M. Protective performance of helmets and goggles in mitigating brain biomechanical response to primary blast exposure [J]. Annals of Biomedical Engineering, 2022, 50(11): 1579–1595. DOI: 10.1007/s10439-022-02936-x. [92] ABAYAZID F, DING K, ZIMMERMAN K, et al. A new assessment of bicycle helmets: the brain injury mitigation effects of new technologies in oblique impacts [J]. Annals of Biomedical Engineering, 2021, 49(10): 2716–2733. DOI: 10.1007/s10439-021-02785-0. [93] KHOSROSHAHI S F, DUCKWORTH H, GALVANETTO U, et al. The effects of topology and relative density of lattice liners on traumatic brain injury mitigation [J]. Journal of Biomechanics, 2019, 97: 109376. DOI: 10.1016/j.jbiomech.2019.109376. [94] DUCKWORTH H, AZOR A, WISCHMANN N, et al. A finite element model of cerebral vascular injury for predicting microbleeds location [J]. Frontiers in Bioengineering and Biotechnology, 2022, 10: 860112. DOI: 10.3389/fbioe.2022.860112. [95] DUCKWORTH H, SHARP D J, GHAJARI M. Smoothed particle hydrodynamic modelling of the cerebrospinal fluid for brain biomechanics: Accuracy and stability [J]. International Journal for Numerical Methods in Biomedical Engineering, 2021, 37(4): e3440. DOI: 10.1002/cnm.3440. [96] MCALLISTER T W, FORD J C, JI S B, et al. Maximum principal strain and strain rate associated with concussion diagnosis correlates with changes in corpus callosum white matter indices [J]. Annals of Biomedical Engineering, 2012, 40(1): 127–140. DOI: 10.1007/s10439-011-0402-6. [97] JI S B, ZHAO W, LI Z G, et al. Head impact accelerations for brain strain-related responses in contact sports: a model-based investigation [J]. Biomechanics and Modeling in Mechanobiology, 2014, 13(5): 1121–1136. DOI: 10.1007/s10237-014-0562-z. [98] JI S B, ZHAO W, FORD J C, et al. Group-wise evaluation and comparison of white matter fiber strain and maximum principal strain in sports-related concussion [J]. Journal of Neurotrauma, 2015, 32(7): 441–454. DOI: 10.1089/neu.2013.3268. [99] KLEIVEN S. Predictors for traumatic brain injuries evaluated through accident reconstructions: SAE Technical Paper 2007-22-0003 [R]. Warrendale: SAE International, 2007. DOI: 10.4271/2007-22-0003. [100] ZHAO W, JI S B. White matter anisotropy for impact simulation and response sampling in traumatic brain injury [J]. Journal of Neurotrauma, 2019, 36(2): 250–263. DOI: 10.1089/neu.2018.5634. [101] ZHAO W, JI S B. Incorporation of vasculature in a head injury model lowers local mechanical strains in dynamic impact [J]. Journal of Biomechanics, 2020, 104: 109732. DOI: 10.1016/j.jbiomech.2020.109732. [102] ZHANG L Y, BAE J, HARDY W N, et al. Computational study of the contribution of the vasculature on the dynamic response of the brain: SAE Technical Paper 2002-22-0008 [R]. Warrendale: SAE International, 2002. DOI: 10.4271/2002-22-0008. [103] ZHAO W, JI S B. Cerebral vascular strains in dynamic head impact using an upgraded model with brain material property heterogeneity [J]. Journal of the Mechanical Behavior of Biomedical Materials, 2022, 126: 104967. DOI: 10.1016/j.jmbbm.2021.104967. [104] WILLINGER R, TALEB L, PRADOURA P. Head biomechanics: from the finite element model to the physical model [C]//Proceedings of the International Research Council on the Biokinetics of Impacts. Avenue Salvador Allende, 1995: 245–259. [105] WILLINGER R, TALEB L, KOPP C M. Modal and temporal analysis of head mathematical models [J]. Journal of Neurotrauma, 1995, 12(4): 743–754. DOI: 10.1089/neu.1995.12.743. [106] KANG H S, WILLINGER R, DIAW B M, et al. Validation of a 3D anatomic human head model and replication of head impact in motorcycle accident by finite element modeling: SAE Technical Paper 973339 [R]. SAE Transactions, 1997: 3849–3858. [107] DECK C, NICOLLE S, WILLINGER R. Human head FE modelling: improvement of skull geometry and brain constitutive laws [C]//Proceedings of the IRCOBI Conference. 2004. [108] RAUL J S, BAUMGARTNER D, WILLINGER R, et al. Finite element modelling of human head injuries caused by a fall [J]. International Journal of Legal Medicine, 2006, 120(4): 212–218. DOI: 10.1007/s00414-005-0018-1. [109] PINNOJI P K, MAHAJAN P. Finite element modelling of helmeted head impact under frontal loading [J]. Sadhana, 2007, 32(4): 445–458. DOI: 10.1007/s12046-007-0034-6. [110] RAUL J S, DECK C, WILLINGER R, et al. Finite-element models of the human head and their applications in forensic practice [J]. International Journal of Legal Medicine, 2008, 122(5): 359–366. DOI: 10.1007/s00414-008-0248-0. [111] MEYER F, BOURDET N, GUNZEL K, et al. Development and validation of a coupled head-neck FEM – application to whiplash injury criteria investigation [J]. International Journal of Crashworthiness, 2013, 18(1): 40–63. DOI: 10.1080/13588265.2012.732293. [112] MARJOUX D, BAUMGARTNER D, DECK C, et al. Head injury prediction capability of the HIC, HIP, SIMon and ULP criteria [J]. Accident Analysis & Prevention, 2008, 40(3): 1135–1148. DOI: 10.1016/j.aap.2007.12.006. [113] YANG B, TSE K M, CHEN N, et al. Development of a finite element head model for the study of impact head injury [J]. BioMed Research International, 2014, 2014: 408278. DOI: 10.1155/2014/408278. [114] TSE K M, TAN L B, LEE S J, et al. Investigation of the relationship between facial injuries and traumatic brain injuries using a realistic subject-specific finite element head model [J]. Accident Analysis & Prevention, 2015, 79: 13–32. DOI: 10.1016/j.aap.2015.03.012. [115] SANDBERG M, TSE K M, TAN L B, et al. A computational study of the EN 1078 impact test for bicycle helmets using a realistic subject-specific finite element head model [J]. Computer Methods in Biomechanics and Biomedical Engineering, 2018, 21(12): 684–692. DOI: 10.1080/10255842.2018.1511775. [116] HORGAN T J, GILCHRIST M D. The creation of three-dimensional finite element models for simulating head impact biomechanics [J]. International Journal of Crashworthiness, 2003, 8(4): 353–366. DOI: 10.1533/ijcr.2003.0243. [117] HORGAN T J, GILCHRIST M D. Influence of FE model variability in predicting brain motion and intracranial pressure changes in head impact simulations [J]. International Journal of Crashworthiness, 2004, 9(4): 401–418. DOI: 10.1533/ijcr.2004.0299. [118] DOORLY M C, GILCHRIST M D. The use of accident reconstruction for the analysis of traumatic brain injury due to head impacts arising from falls [J]. Computer Methods in Biomechanics and Biomedical Engineering, 2006, 9(6): 371–377. DOI: 10.1080/10255840601003551. [119] YAN W, PANGESTU O D. A modified human head model for the study of impact head injury [J]. Computer Methods in Biomechanics and Biomedical Engineering, 2011, 14(12): 1049–1057. DOI: 10.1080/10255842.2010.506435. [120] TROTTA A, CLARK J M, MCGOLDRICK A, et al. Biofidelic finite element modelling of brain trauma: Importance of the scalp in simulating head impact [J]. International Journal of Mechanical Sciences, 2020, 173: 105448. DOI: 10.1016/j.ijmecsci.2020.105448. [121] LOYD A M, NIGHTINGALE R W, SONG Y, et al. The response of the adult and ATD heads to impacts onto a rigid surface [J]. Accident Analysis & Prevention, 2014, 72: 219–229. DOI: 10.1016/j.aap.2014.06.022. [122] HARDY W N, MASON M J, FOSTER C D, et al. A study of the response of the human cadaver head to impact [J]. Stapp Car Crash Journal, 2007, 51: 17–80. DOI: 10.4271/2007-22-0002. [123] JI S B, GHAJARI M, MAO H J, et al. Use of brain biomechanical models for monitoring impact exposure in contact sports [J]. Annals of Biomedical Engineering, 2022, 50(11): 1389–1408. DOI: 10.1007/s10439-022-02999-w. [124] POST A, HOSHIZAKI T B, GILCHRIST M D, et al. Traumatic brain injuries: the influence of the direction of impact [J]. Neurosurgery, 2015, 76(1): 81–91. DOI: 10.1227/NEU.0000000000000554. [125] WITTEK A, LAPORTE J, MILLER K, et al. Computing reaction forces on surgical tools for robotic neurosurgery and surgical simulation [C]//Proceedings of 2004 Australasian Conference on Robotics & Automatism. Canberra, Australia, 2004: 1–8. [126] MILLER K, CHINZEI K, ORSSENGO G, et al. Mechanical properties of brain tissue in-vivo: experiment and computer simulation [J]. Journal of Biomechanics, 2000, 33(11): 1369–1376. DOI: 10.1016/S0021-9290(00)00120-2. [127] WITTEK A, KIKINIS R, WARFIELD S K, et al. Brain shift computation using a fully nonlinear biomechanical model [C]//Proceedings of the 8th International Conference on Medical Image Computing and Computer-Assisted Intervention. Palm Springs: Springer, 2005: 583–590. DOI: 10.1007/11566489_72. [128] SUN K, PHEIFFER T, SIMPSON A, et al. Near Real-Time Computer Assisted Surgery for Brain Shift Correction Using Biomechanical Models [J]. Translational Engineering in Health and Medicine, IEEE Journal of, 2014, 2: 1–13. DOI: 10.1109/JTEHM.2014.2327628. [129] 芦俊鹏, 张建国, RUAN J, 等. 人体颅脑三维有限元模型构建 [J]. 微计算机信息, 2006, 22(22): 211–212,17. DOI: 10.3969/j.issn.1008-0570.2006.22.079.LU J P, ZHANG J G, RUAN J, et al. A development of 3-D FEM for cranium brain based on CT [J]. Microcomputer Information, 2006, 22(22): 211–212,17. DOI: 10.3969/j.issn.1008-0570.2006.22.079. [130] 李海岩, 苏航杰, 祝贺, 等. 中国体征3岁儿童乘员损伤仿生模型在C-NCAP正面碰撞测试仿真中的应用 [J]. 汽车工程, 2022, 44(12): 1944–1953. DOI: 10.19562/j.chinasae.qcgc.2022.12.016.LI H Y, SU H J, ZHU H, et al. Application of a bionic model of occupant injury for 3-year-old children with chinese physical characteristics in C-NCAP frontal crash test simulation [J]. Automotive Engineering, 2022, 44(12): 1944–1953. DOI: 10.19562/j.chinasae.qcgc.2022.12.016. [131] LI H Y, LI K, HUANG Y Q, et al. Validation of a finite element model with six-year-old child anatomical characteristics as specified in Euro NCAP Pedestrian Human Model Certification (TB024) [J]. Computer Methods in Biomechanics and Biomedical Engineering, 2021, 24(1): 76–90. DOI: 10.1080/10255842.2020.1810677. [132] 梁亚妮. 国人第五百分位女性行人下肢有限元模型开发及碰撞损伤研究[D]. 天津: 天津科技大学, 2024. DOI: 10.27359/d.cnki.gtqgu.2022.000080.LIANG Y N. Development of a finite element model of the lower limb of a female pedestrian in the 5th percentile of the national population and crash injury study [D]. Tianjin: Tianjin University of Science and Technology, 2024. DOI: 10.27359/d.cnki.gtqgu.2022.000080. [133] 胡静. 国人第五百分位女性乘员损伤仿生模型开发及应用研究[D]. 天津: 天津科技大学, 2023. DOI: 10.27359/d.cnki.gtqgu.2023.000985.HU J. A study on the development and application of a bionic model of fifth percentile female occupant injury in the national population[D]. Tianjin: Tianjin University of Science and Technology, 2023. DOI: 10.27359/d.cnki.gtqgu.2023.000985. [134] 包永涛, 李海岩, 赵玮, 等. 第95百分位人体头部有限元模型的构建及分析 [J]. 天津科技大学学报, 2010, 25(4): 48–51. DOI: 10.13364/j.issn.1672-6510.2010.04.015.BAO Y T, LI H Y, ZHAO W, et al. Development and analysis of the 95th percentile human head finite element model [J]. Journal of Tianjin University of Science and Technology, 2010, 25(4): 48–51. DOI: 10.13364/j.issn.1672-6510.2010.04.015. [135] 李海岩, 曹祎帆, 贺丽娟, 等. 个性化头部生物力学模型的开发及验证 [J]. 中国医学物理学杂志, 2024, 41(7): 883–889. DOI: 10.3969/j.issn.1005-202X.2024.07.015.LI H Y, CAO Y F, HE L J, et al. Personalized biomechanical modeling of the human head and validation [J]. Chinese Journal of Medical Physics, 2024, 41(7): 883–889. DOI: 10.3969/j.issn.1005-202X.2024.07.015. [136] YANG J K, LÖVSUND P, CAVALLERO C, et al. A human-body 3D mathematical model for simulation of car-pedestrian impacts [J]. Journal of Crash Prevention and Injury Control, 2000, 2(2): 131–149. DOI: 10.1080/10286580008902559. [137] 任立海, 王丙雨, 杨济匡. 基于汽车-行人碰撞事故中行人颅脑损伤风险的道路限速研究 [C]//Infats Proceedings of the 12th International Forum of Automotive Traffic Safety. 厦门: 湖南大学汽车车身先进设计制造国家重点实验室, 2015: 8. [138] 李凡, 杨济匡. 基于车辆-行人碰撞颅脑伤防护的参数研究 [J]. 中国机械工程, 2007, 18(9): 1125–1130. DOI: 10.3321/j.issn:1004-132X.2007.09.030.LI F, YANG J K. Parameter study on head protection in vehicle-pedestrian collision [J]. China Mechanical Engineering, 2007, 18(9): 1125–1130. DOI: 10.3321/j.issn:1004-132X.2007.09.030. [139] YANG J K. Investigation of brain trauma biomechanics in vehicle traffic accidents using human body computational models [M]//WITTEK A, NIELSEN P M F, MILLER K. Computational Biomechanics for Medicine. New York: Springer, 2011: 5–14. DOI: 10.1007/978-1-4419-9619-0_2. [140] PENG Y, HAN Y, CHEN Y, et al. Assessment of the protective performance of hood using head FE model in car-to-pedestrian collisions [J]. International Journal of Crashworthiness, 2012, 17(4): 415–423. DOI: 10.1080/13588265.2012.661659. [141] 柳占立, 杜智博, 张家瑞, 等. 颅脑爆炸伤致伤机制及防护研究进展 [J]. 爆炸与冲击, 2022, 42(4): 041101. DOI: 10.11883/bzycj-2021-0053.LIU Z L, DU Z B, ZHANG J R, et al. Progress in the mechanism and protection of blast-induced traumatic brain injury [J]. Explosion and Shock Waves, 2022, 42(4): 041101. DOI: 10.11883/bzycj-2021-0053. [142] LI Z J, DU Z B, YOU X C, et al. Numerical study on dynamic mechanism of brain volume and shear deformation under blast loading [J]. Acta Mechanica Sinica, 2019, 35(5): 1104–1119. DOI: 10.1007/s10409-019-00875-w. [143] 栗志杰, 由小川, 柳占立, 等. 爆炸冲击波作用下颅脑损伤机理的数值模拟研究 [J]. 爆炸与冲击, 2020, 40(1): 015901. DOI: 10.11883/bzycj-2018-0348.LI Z J, YOU X C, LIU Z L, et al. Numerical simulation of the mechanism of traumatic brain injury induced by blast shock waves [J]. Explosion and Shock Waves, 2020, 40(1): 015901. DOI: 10.11883/bzycj-2018-0348. [144] DU Z B, LI Z J, WANG P, et al. Revealing the effect of skull deformation on intracranial pressure variation during the direct interaction between blast wave and surrogate head [J]. Annals of Biomedical Engineering, 2022, 50(9): 1038–1052. DOI: 10.1007/s10439-022-02982-5. [145] DU Z B, LI Z J, WANG P, et al. Revealing the nonlinear mechanical behavior of white matter brain tissue by analyzing the asynchronous deformation and damage of matrix and axonal fibers [J]. International Journal of Solids and Structures, 2022, 242: 111554. DOI: 10.1016/j.ijsolstr.2022.111554. [146] DU Z B, WANG P, LUO P, et al. Mechanical mechanism and indicator of diffuse axonal injury under blast-type acceleration [J]. Journal of Biomechanics, 2023, 156: 111674. DOI: 10.1016/j.jbiomech.2023.111674. [147] DU Z B, ZHANG J R, WANG X H, et al. Unveiling human vulnerability and a new interspecies scaling law for brain injury under blast loading [J]. Extreme Mechanics Letters, 2024, 70: 102179. DOI: 10.1016/j.eml.2024.102179. [148] 王荡荡. 头部有限元模型脑神经耦合建模及应用 [D]. 重庆: 重庆理工大学, 2021: 13–20.WANG D D. Modeling and application of axonal fiber in finite element head model [D]. Chongqing: Chongqing University of Technology, 2021: 13–20. [149] REN L H, WANG D D, JIANG C Y, et al. Influence of foramen magnum boundary condition on intracranial dynamic response under forehead impact using human body finite element model [J]. International Journal of Computational Methods, 2020, 17(7): 1950029. DOI: 10.1142/S0219876219500294. [150] ZHAN X H, LIU Y Z, RAYMOND S J, et al. Rapid estimation of entire brain strain using deep learning models [J]. IEEE Transactions on Biomedical Engineering, 2021, 68(11): 3424–3434. DOI: 10.1109/TBME.2021.3073380. [151] LIU Y Z, DOMEL A G, YOUSEFSANI S A, et al. Validation and comparison of instrumented mouthguards for measuring head kinematics and assessing brain deformation in football impacts [J]. Annals of Biomedical Engineering, 2020, 48(11): 2580–2598. DOI: 10.1007/s10439-020-02629-3. [152] LIU Y Z, DOMEL A G, CECCHI N J, et al. Time window of head impact kinematics measurement for calculation of brain strain and strain rate in American football [J]. Annals of Biomedical Engineering, 2021, 49(10): 2791–2804. DOI: 10.1007/s10439-021-02821-z. [153] ZHAN X H, LI Y H, LIU Y Z, et al. Predictive factors of kinematics in traumatic brain injury from head impacts based on statistical interpretation [J]. Annals of Biomedical Engineering, 2021, 49(10): 2901–2913. DOI: 10.1007/s10439-021-02813-z. [154] ZHAN X H, LIU Y Z, CECCHI N J, et al. Finding the spatial co-variation of brain deformation with principal component analysis [J]. IEEE Transactions on Biomedical Engineering, 2022, 69(10): 3205–3215. DOI: 10.1109/TBME.2022.3163230. [155] ZHAN X H, LI Y H, LIU Y Z, et al. Machine-learning-based head impact subtyping based on the spectral densities of the measurable head kinematics [J]. Journal of Sport and Health Science, 2023, 12(5): 619–629. DOI: 10.1016/j.jshs.2023.03.003. [156] ZHAN X H, LI Y H, LIU Y Z, et al. Piecewise multivariate linearity between kinematic features and cumulative strain damage measure (CSDM) across different types of head impacts [J]. Annals of Biomedical Engineering, 2022, 50(11): 1596–1607. DOI: 10.1007/s10439-022-03020-0. [157] ZHAN X H, LIU Y Z, CECCHI N J, et al. Brain deformation estimation with transfer learning for head impact datasets across impact types [J]. IEEE Transactions on biomedical Engineering, 2024, 71(6): 1853–1863. DOI: 10.1109/TBME.2024.3354192. [158] ZHAN X H, SUN J W, LIU Y Z, et al. Adaptive machine learning head model across different head impact types using unsupervised domain adaptation and generative adversarial networks [J]. IEEE Sensors Journal, 2024, 24(5): 7097–7106. DOI: 10.1109/JSEN.2023.3349213. [159] ZHAN X H, LIU Y Z, CECCHI N J, et al. AI-based denoising of head impact kinematics measurements with convolutional neural network for traumatic brain injury prediction [J]. IEEE Transactions on Biomedical Engineering, 2024, 71(9): 2759–2770. DOI: 10.1109/TBME.2024.3392537. [160] CAI Y L, WU S J, ZHAO W, et al. Concussion classification via deep learning using whole-brain white matter fiber strains [J]. PLoS One, 2018, 13(5): e0197992. DOI: 10.1371/journal.pone.0197992. [161] GHAZI K, WU S J, ZHAO W, et al. Instantaneous whole-brain strain estimation in dynamic head impact [J]. Journal of Neurotrauma, 2021, 38(8): 1023–1035. DOI: 10.1089/neu.2020.7281. [162] WU S J, ZHAO W, GHAZI K, et al. Convolutional neural network for efficient estimation of regional brain strains [J]. Scientific Reports, 2019, 9(1): 17326. DOI: 10.1038/s41598-019-53551-1. [163] WU S J, ZHAO W, JI S B. Real-time dynamic simulation for highly accurate spatiotemporal brain deformation from impact [J]. Computer Methods in Applied Mechanics and Engineering, 2022, 394: 114913. DOI: 10.1016/j.cma.2022.114913. [164] FAHLSTEDT M, ABAYAZID F, PANZER M B, et al. Ranking and rating bicycle helmet safety performance in oblique impacts using eight different brain injury models [J]. Annals of Biomedical Engineering, 2021, 49(3): 1097–1109. DOI: 10.1007/s10439-020-02703-w. [165] GIUDICE J S, ZENG W, WU T T, et al. An analytical review of the numerical methods used for finite element modeling of traumatic brain injury [J]. Annals of Biomedical Engineering, 2019, 47(9): 1855–1872. DOI: 10.1007/s10439-018-02161-5. [166] BOURDET N, DECK C, TROG A, et al. Deep learning methods applied to the assessment of Brain Injury Risk [C]// Proceedings of the IRCOBI Conference. 2021. [167] UPADHYAY K, JAGANI R, GIOVANIS D G, et al. Effect of human head shape on the risk of traumatic brain injury: a gaussian process regression-based machine learning approach [J]. Military Medicine, 2024, 189(S3): 608–617. DOI: 10.1093/milmed/usae199. [168] ZHANG L Y, YANG K H, KING A I. A proposed injury threshold for mild traumatic brain injury [J]. Journal of Biomechanical Engineering, 2004, 126(2): 226–236. DOI: 10.1115/1.1691446. [169] BASS C R, PANZER M B, RAFAELS K A, et al. Brain injuries from blast [J]. Annals of Biomedical Engineering, 2012, 40(1): 185–202. DOI: 10.1007/s10439-011-0424-0. -