《评估爆炸超压相关的创伤性脑损伤的工具和过程》美国陆军ARL 2022最新53页技术报告（含代码）

爆炸超压研究（BOS）工作试图了解和减轻爆炸超压事件对军队的影响，特别是解决与脑部创伤有关的问题。这个特殊项目的目标是更好地理解数据分析，以改善军队在BOS方面的作战医学。同样令人感兴趣的是如何对这些数据进行编目，并提供给追求这一主题的研究人员。评估的数据通常包括血液中生物标志物的浓度、国防自动神经行为评估指标和参与者自我报告的症状。几个Python工具被用来重现文献中存在的分析，包括Spearman等级相关、方差分析和四分位数范围评估。还探索了机器学习中常见的其他分析方法，看是否能找到有用的关联。这项工作显示了拥有一个结构化的数据存储和访问方法的优势，同时也强调了普通的开源工具，如Python和各种统计和机器学习软件包，能够产生有意义的分析结果。

超压事件产生的压力波超过大气压力。暴露在爆炸超压下会对人和他们的认知健康产生严重的、累积的和长期的负面影响。例如，参与突破事件的士兵，如使用炸药在墙壁或栅栏等结构上打洞的士兵，通常会暴露在超压下。靠近武器系统的士兵也会遭遇超压。暴露在超压事件中往往会导致类似于脑震荡或轻度创伤性脑损伤（mTBI）的症状。

首先，由于在报告轻度创伤性脑损伤或脑震荡的症状以及诊断这种伤害时存在变异性和不确定性，有必要开发和探索分析，使这项任务更加容易。这个项目的第一个目标是创建一个用户可以加载、编辑和分析数据的单一平台。这样一个可以作为真理来源参考的系统将通过减少使用多个平台或在研究小组之间传输数据时可能发生的错误来提高研究的可重复性。此外，让数据接近高性能的计算资源，并能够轻松地将其用于大型分析工作流程，将促进以前不可行的新型研究。我们开发了一个软件栈，其中包含一个摄取工作流程、数据存储、数据处理引擎和一个用户界面（UI），使用湖心岛架构。一旦数据被摄取，以后就可以使用多种方式进行分析，包括基于标准查询语言（SQL）的探索，基于Python的探索，以及人工智能（AI）/机器学习（ML）算法。此外，所有的迭代、变化和新得出的数据都记录在资源库中，因此很容易看到数据是如何被改变的。归属和数据出处在这个模型中得到了加强。

第二，在这个研究过程中，离群点检测和移除的话题变得相当重要。多年来，有许多方法被研究和实施。在人类健康领域发表的许多论文都使用了一种自动方法，将人类对离群点识别的判断从这个过程中剔除。这种方法可以在一个商业软件包中找到，算法的作者在一篇论文中讨论了整个方法。我们用Python实现了这个方法，因为我们的研究表明它还没有在这种计算机语言中实现。有了这种方法，也就可以在大规模的超级计算机上对这种方法进行研究和应用的可重复性。

最后，这个项目的最后一个主要目标是表明Python和额外的统计和ML方法可以用来重现和扩展这个领域的常见分析。通过建立在数据科学界开发和测试的既定模型和程序上，解决问题的时间可以相对较快，而且可以沿途进行大量定制。

为了更好地了解这一研究领域所做的处理和分析类型，并确定应用和/或开发什么工具和程序来进行这种分析，我们专注于两个不同的数据集。第一个包括总共29个受试者，有血液生物标志物数据、人类神经认知性能数据和爆炸压力数据。这是我们使用mTBI社区的传统技术进行分析和关注的第一个数据集。这个分析也突出了识别和去除离群点的重要性，这对小数据集来说更为关键。如前所述，这就需要一种专门的方法，这种方法在市场上可以买到，但据我们所知，还没有一种更通用的软件方法可以使用或实施。本报告对这种方法进行了描述。

在此之后，通过与沃尔特-里德陆军研究所（WRAIR）的合作，我们获得了更多的数据，包括来自8个队列的218名受试者，这使我们能够更加专注于新兴的数据科学方法，如深度神经网络，以寻找模式和因果关系。我们对这个数据集的经验构成了本叙述的后半部分。这些方法的总和提供了一种使用开源工具和技术的方法，以便为创伤性脑损伤研究进行定制和深入的数据科学处理。