Messung von Schwingungen an einem biofidelen Gehirn mithilfe eines Ferroelektret-Nanogenerators

Wissenschaftliche Berichte Band 13, Artikelnummer: 8975 (2023) Diesen Artikel zitieren

233 Zugriffe

2 Altmetrisch

Details zu den Metriken

Unser Wissen über traumatische Hirnverletzungen ist mit der Entstehung neuer Marker, die auf verschiedene neurologische Veränderungen hinweisen, die das Gehirn während eines Aufpralls oder einer anderen Form von Gehirnerschütterung erfährt, schnell gewachsen. In dieser Arbeit untersuchen wir die Modalität von Deformationen auf ein biofideles Gehirnsystem, wenn es stumpfen Stößen ausgesetzt ist, und heben die Bedeutung des zeitabhängigen Verhaltens der resultierenden Wellen hervor, die sich durch das Gehirn ausbreiten. Diese Studie wird mit zwei unterschiedlichen Ansätzen durchgeführt, die optische (Particle Image Velocimetry) und mechanische (flexible Sensoren) im biofidelen Gehirn umfassen. Die Ergebnisse zeigen, dass das System eine mechanische Eigenfrequenz von \(\sim \) 25 Schwingungen pro Sekunde aufweist, was durch beide Methoden bestätigt wurde und eine positive Korrelation zueinander zeigt. Die Übereinstimmung dieser Ergebnisse mit zuvor berichteten Hirnpathologien bestätigt die Verwendung beider Techniken und etabliert einen neuen, einfacheren Mechanismus zur Untersuchung von Gehirnschwingungen mithilfe flexibler piezoelektrischer Pflaster. Die viskoelastische Natur des biofidelen Gehirns wird validiert, indem die Beziehung zwischen beiden Methoden in zwei verschiedenen Zeitintervallen beobachtet wird, indem die Informationen über die Belastung und Spannung im Gehirn aus der Particle Image Velocimetry bzw. dem flexiblen Sensor verwendet werden. Es wurde eine nichtlineare Spannungs-Dehnungs-Beziehung beobachtet und begründet, um diese zu stützen.

Traumatische Hirnverletzungen (TBI) sind weltweit eine der Hauptursachen für Tod oder Behinderung1. Bei High-School-Footballspielern kann die Inzidenz von Schädel-Hirn-Trauma doppelt so hoch sein, da sie aufgrund mangelnden Bewusstseins oder des Wunsches, weiterzuspielen, zu wenig gemeldet werden2. Selbst eine mildere Form des Schädel-Hirn-Trauma (auch Gehirnerschütterung genannt) gilt aufgrund ihrer langfristigen Auswirkungen3 und ihres Zusammenhangs mit chronischer traumatischer Enzephalopathie (CTE), Alzheimer und Parkinson4 als ernstes Gesundheitsrisiko. Dadurch ist ein dringender Bedarf entstanden, diese Art von Verletzungen besser zu verstehen und zu verhindern. Das Center of Diseases Control and Prevention (CDC)5 definiert eine Gehirnerschütterung als eine Art traumatischer Hirnverletzung (TBI), die durch einen Stoß, einen Schlag oder einen Stoß auf den Kopf oder durch einen Schlag auf den Körper verursacht wird, der zu Kopfverletzungen führt Das Gehirn bewegt sich schnell hin und her. Selbst Stöße geringer Stärke können schwere Hirnschäden verursachen, wenn die sich durch das Gehirn ausbreitende Welle Frequenzkomponenten im Bereich von 20 und 40 Hz aufweist6. Daher ist es wichtig, die Auswirkungen der Stärke des Aufpralls sowie seines zeitabhängigen Verhaltens – also der Frequenzkomponenten der durch den Aufprall erzeugten Druckwellen – zu verstehen. Das Gehirn kann als viskoelastisches Medium mit komplexer und komplizierter Geometrie betrachtet werden. Ein Aufprall auf den Schädel erzeugt Wanderwellen, die sich mit unterschiedlichen Frequenzen und Geschwindigkeiten ausbreiten, da die Zusammensetzung inhomogen ist. Dadurch kann es zu örtlich begrenzten und zeitabhängigen Belastungskonzentrationen in bestimmten Regionen des Gehirns kommen. Daher ist das Verständnis der zeitlichen Dynamik des Gehirns beim Aufprall von entscheidender Bedeutung für die Bestimmung der Schwere einer Kollision und ihrer langfristigen Folgen. Zu diesem Zweck wird die Modellierung des Gehirns seit den 1940er Jahren erforscht, als Holbourn vorschlug, dass das Gehirn als mechanisches System mit Eingaben in Form von Kopfbewegungen und Gehirnverschiebungen als Ausgabe modelliert werden kann7. Er gibt außerdem an, dass das Verhalten nach einem Schlag anhand der Newtonschen Bewegungsgesetze untersucht werden kann, wenn man die physikalischen Eigenschaften des Gehirns kennt. Seitdem werden Hirnverletzungen durch die kinematischen Signaturen des Kopfes charakterisiert, wie zum Beispiel die Arbeit von Ommaya und Gennarelli, die darauf hindeutet, dass Hirnverletzungen proportional zur Spitzenbeschleunigung und der Dauer der Spitze sind8. Dies führte zur Entwicklung von Metriken wie der Wayne State Tolerance Curve (WSTC)9, dem Gadd Severity Index (GSI)10 und den Head Injury Criteria (HIC)11. Jüngste Fortschritte bei bildgebenden Verfahren wie der Diffusions-Tensor-Bildgebung (DTI) haben gezeigt, dass es auch bei wiederholten kleineren (d. h. nicht erschütternden) Stößen zu Veränderungen der weißen Substanz im Gehirn kommt12. Diese Veränderungen sind nachweislich das Ergebnis einer übermäßigen Dehnung der Axone, die diese wiederum schädigt13. Es gibt auch Hinweise darauf, dass Belastungen in tiefen Hirnregionen mit einer hohen Dichte an Axonfasern stark mit kognitiven Beeinträchtigungen oder Gehirnerschütterungen korrelieren14. Studien haben gezeigt, dass die Verformungen (Beanspruchung) des Gehirns stark von der Frequenz der Eingangsbelastung abhängen15, wobei Scherwellen bei niedrigeren Frequenzen tiefer in das Gehirn eindringen. Kürzlich haben Laksari et al. veröffentlichte ein kadaverbasiertes Aufprallexperiment, das die maximale relative Gehirnbewegung bei etwa 20 Hz identifizierte6 und auch die räumlich-zeitlichen Eigenschaften des Gehirns während Kopfaufprallen mithilfe von Modenzerlegungstechniken ableitete16. Dies beinhaltete die Verwendung einer dynamischen Modenzerlegung auf Gehirnknotenverschiebungen, wobei festgestellt wurde, dass die Modalverschiebungsamplituden und Spitzenbelastungen im Gehirn Frequenzen im Bereich von 20–40 Hz aufweisen. Diese relativ große Bandbreite ist auf die Inhomogenität des Gehirns zurückzuführen, da verschiedene Teile des Gehirns unterschiedliche physikalische Eigenschaften haben. Diese Arbeit nutzt auch die Modalanalyse, um den Hauptunterschied zwischen Fällen von Kopfaufprall, die zu Bewusstlosigkeit führen, und solchen, bei denen dies nicht der Fall ist, zu verstehen. Das Hauptinteresse dieser Arbeit besteht darin, die Schwingungsfrequenz zu verstehen, die bei einem stumpfen Aufprall im menschlichen Gehirn entsteht. Um die Frequenz der Vibrationen zu untersuchen, die bei einem stumpfen Aufprall im Gehirn ausgelöst werden, verwenden wir einen Gehirnersatz, der von einem Forscherteam der Michigan State University17 entwickelt wurde. Dieses biofidele Gehirnsystemmodell, auch Phantom genannt, wurde in mehreren Experimenten verwendet, um mögliche Verletzungsmechanismen eines Schädel-Hirn-Traumas zu untersuchen. Das Phantom wurde erstmals von Miller et al. konzipiert. Dort führten sie Computersimulationen am Modell durch, um die Zusammenhänge zwischen Explosionsüberdruck und TBI zu untersuchen. Ihre dreidimensionale Darstellung besteht aus einem vereinfachten und idealisierten Modell eines menschlichen Gehirns, wie in Abb. 1b und c dargestellt. Dieses Modell demonstriert die Gesamtgrößeneigenschaften des menschlichen Gehirns mit den Wechselwirkungen der Sulci und Gyri (Falten und Rillen). Dieses Phantom wurde von einem staatlich geprüften Neurologen überprüft und verifiziert, der die phänomenologische Ähnlichkeit mit einem echten Gehirn bestätigte18. Das Rechenmodell konnte höhere Belastungen innerhalb der Gehirnschnittstellen und -falten zeigen, was die Hypothese stützt, dass Explosions-TBI mehr Schäden in Sulci und Gyri verursacht18. Um ein für Experimente geeignetes Gehirnphantom zu bauen, haben Wermer et al. untersuchte verschiedene Materialien, um den besten biofidelen Vertreter der Gehirnmasse zu ermitteln. Ihre Studie umfasste Polyacrylamid (PAA), Rinderhaut/-knochen und ballistische Gelatine, an denen sie mechanische Tests auf Spannung, Druck und Scherung durchführten. Diese mechanischen Eigenschaften wurden mit Literaturwerten für menschliches und Schweinehirngewebe verglichen. PAA erwies sich aufgrund seiner vielfältigen Materialeigenschaften und der einfachen Herstellung als vorteilhafter für die Simulation von Hirngewebe19. Unter Verwendung dieser Gelatine und der oben genannten Geometrie haben Kerwin et al. führten eine experimentelle Studie durch, bei der der Kopfersatz in eine flexible Platte gelegt und einem stumpfen Aufprall ausgesetzt wurde und vermutlich Kavitation (Erzeugung und Zusammenbruch von Dampfblasen in der Flüssigkeit) zwischen den Sulci des Gehirns beobachtet wurde. Dies war der erste Anblick von Kavitation in einem Experiment außerhalb von Computermodellen aufgrund eines Kopftraumas. Diese Beobachtung war aufgrund der gedrehten Geometrie dieses Phantoms möglich, etwas, das andere experimentelle Modelle nicht reproduzieren konnten17. Obwohl das in dieser Arbeit verwendete Gehirnphantom ein echtes Gehirn mit Ventrikelhöhlen, Lappenunterschieden und anderen anatomischen Faktoren nicht vollständig simuliert, hat seine aktuelle Geometrie Experimente mit der Visualisierung der Gehirnmechanik ermöglicht, die zum Wissen über TBI-Mechanismen beitragen.

(a) Fallturm zusammen mit der Platzierung des Phantoms und der Halsanordnung. (b) MRT eines 35-jährigen gesunden Mannes und (c) extrudierter Schnitt für Computerdesign. Adaptiert vom 18. (d) Form, die zur Herstellung des Gehirnphantoms verwendet wurde. (e) Gehirnphantom mit eingebetteten endlichen Sandpartikeln.

Der Schwerpunkt dieser Arbeit liegt auf der Untersuchung zweier verschiedener Methoden zur Ermittlung der Schwingungsfrequenz beim Aufprall auf das Gehirn. Einer von ihnen verwendet einen flexiblen Ferroelektret-Nanogenerator (FENG) als invasiven Sensor, der als Reaktion auf ausgeübten Druck (oder Stress) ein elektrisches Signal liefert, und der andere nutzt die Partikelbildverfolgung, um die Spannung zu ermitteln. Das FENG wurde in der Vergangenheit von Li et al.20 und Dsouza et al.21 als Mikrofon validiert, und in Druckmessanwendungen von Cao et al.22 ähneln diese Anwendungsfälle denen in dieser Arbeit. Um sowohl PIV als auch FENG zu validieren, wird der flexible Sensor in einer Gehirnregion platziert, die derjenigen ähnelt, in der die Partikelbilder verfolgt werden. Die Ergebnisse beider Ansätze werden normalisiert und im Frequenzbereich mithilfe einer schnellen Fourier-Transformation (FFT) verglichen, um die Schwingungsfrequenzen hervorzuheben. Diese Informationen liefern zeitabhängige Informationen über eine Welle, die sich durch das Gehirn ausbreitet, und spielen eine Schlüsselrolle bei der Identifizierung der Schwere eines bestimmten Aufpralls und helfen so bei der Beurteilung und Diagnose.

Der Aufbau besteht aus drei Hauptkomponenten: (1) einem biofidelen Testobjekt (im Folgenden als „Phantom“ bezeichnet), das das menschliche Gehirn darstellt; (2) ein FENG-Gerät, das als invasiver Vibrationssensor dient; und (3) ein Datenerfassungsaufbau, der zur Überwachung der elektrischen Signalausgabe des FENG-Geräts beim Aufprall sowie zur Aufnahme von Bildern von im Phantom eingebetteten Partikeln verwendet wird. Die Experimente wurden in einem speziell angefertigten Fallturm durchgeführt, wie in Abb. 1a dargestellt. Das System soll das Phantom mit einer frei fallenden Last (2,5 kg, die in 0,5 m Entfernung vom Subjekt freigesetzt wird) belasten und so einen linearen Beschleunigungsaufprall erzeugen, der eine bessere Kontrolle über die gewünschte Kinematik ermöglicht. Eine frei fallende Last führt zu einem erheblichen Aufprall, der dennoch mehrere Tests ermöglicht, ohne die strukturelle Integrität des Phantoms zu beeinträchtigen. Da sich die Masse ursprünglich in Ruhe befand, wurden Energieerhaltungsberechnungen durchgeführt, um diese potenzielle Energie beim Aufprall in kinetische Energie umzuwandeln. Theoretische Werte sind in Tabelle 1 dargestellt, wobei Reibungs- und Widerstandsverluste vernachlässigt werden.

Das in dieser Studie verwendete Thema besteht aus dem in Abb. 1b und c gezeigten Modell eines menschlichen Gehirns, das im vorherigen Abschnitt vorgestellt wurde. Die Querschnittsansicht in der Axialebene des Gehirns wird extrudiert, um das gesamte Gehirnvolumen zu simulieren, wodurch ein computergestützter Entwurf erstellt wurde, der zur Erstellung einer Form verwendet wurde, wie in Abb. 1d dargestellt. Um das Gehirngewebe zu simulieren, wurde das Hydrogel PAA in einer Gewichtskonzentration von 10 % verwendet, das die weiße Substanz des Gehirns darstellt. Der Proband wurde ausgehend von 60 g Acrylamid (Reinheit \(\ge \) 98 %, Gaschromatographie, Sigma-Aldrich, USA) erstellt, gelöst in 600 ml entionisiertem (DI) Wasser. Dann wurden 2 g N,N'-Methylenbis (MBA, Reinheit 99 %, Sigma-Aldrich, USA) zugegeben und unter gelegentlichem Rühren homogenisieren gelassen. Nach dem Auflösen wurden 0,52 g Ammoniumpersulfat (APS, Reinheit \(\ge \) 98 %, Sigma-Aldrich, USA) eingemischt. Die Polymerisationszeit wurde durch Zugabe von 0,6 ml N,N,N',N' beschleunigt. -Tetramethylethylendiamin (TEMED, ReagentPlus, 99 %, Sigma-Aldrich, USA). Diese Lösung wurde dann etwa zur Hälfte der Extrusionsbreite in die Formfüllung gegossen und dort erstarren gelassen. Nach dem Aushärten wird zur Visualisierung eine Schicht mikrometergroßer Sandpartikel zufällig verteilt. Abschließend wurde eine weitere Lösung von 600 ml zubereitet und darüber gegeben, um das in Abb. 1e gezeigte Gehirngewebemodell zu erhalten.

Schließlich wird das PAA-Gehirnmodell in einen 3D-gedruckten Schädel aus Poly(milchsäure) (PLA) mit 50 % geradliniger Füllung platziert, der die Schädelknochenzusammensetzung eines schwammigen Knochens (diploë) zwischen zwei Schichten kompakten Knochens darstellt. Die Seiten dieses PLA-Schädels sind mit Acrylfenstern versiegelt, um eine Bildgebung zu ermöglichen, und das PAA-Modell kann sich frei im mit DI-Wasser gefüllten Schädel bewegen, um die Gehirn-Rückenmarks-Flüssigkeit (CSF) zu simulieren23. Das Kopfmodell wurde fertiggestellt, indem der PLA-Schädel an einem Hybrid-III-Hals mit einer speziell angefertigten Ecke befestigt wurde, wie in Abb. 1a gezeigt. Aufgrund des Herstellungsprozesses berücksichtigt dieses Phantom nicht die einzelnen Lappen und die Spannungen, die zwischen ihnen auftreten könnten. Darüber hinaus wird die ventrikuläre Physiologie nicht berücksichtigt, ein Konzept, das für zukünftige Phantomdesigns in Betracht gezogen wird. Der 3D-gedruckte Schädel mit 50 % Füllung weist im Vergleich zu einem menschlichen Schädel ähnliche physiologische Eigenschaften auf, da er über ein poröses Zentrum verfügt, das von äußeren festen Schalen umgeben ist. Es wurde jedoch eine einzige Größen- und Volumengeometrie verwendet, die das 50. Perzentil für einen biologischen männlichen Menschen darstellt.

Das Gerät besteht aus FENG, das aus einer flexiblen, dünnen Piezoelektretfolie aus Polypropylen (PP) mit mikrometergroßen „Quasi-Dipolen“ über die gesamte Dicke und Elektroden an beiden Oberflächen besteht, wie in Abb. 2a dargestellt. Einzelheiten zur Herstellung und zum Betrieb dieser FENG-Geräte finden Sie an anderer Stelle24. Kurz erklärt: Durch die Anwendung einer mechanischen Spannung werden interne Dipole in Makrogröße umgeformt, wodurch eine Ladungsansammlung in den Elektroden erzeugt wird, was zu einem elektrischen Ausgang in Form einer elektrischen Potentialdifferenz zwischen den Elektroden oder des Ladungsflusses über eine zwischen diesen angeschlossene Last führt Elektroden (d. h. Spannung oder Strom)25. Dieses Phänomen wird allgemein als „Quasi-Piezoelektrizität“ bezeichnet, und diese Geräte haben sich nachweislich in einer Vielzahl von Anwendungen als nützlich erwiesen, beispielsweise bei Lautsprechern, Mikrofonen20,26, der Überwachung des strukturellen Zustands27 und der Energiegewinnung28. Der FENG wurde auch bei der Entwicklung eines flexiblen, selbstangetriebenen Pflasters verwendet, um die Kinematik der Kopfrotation abzuschätzen und so die Vorhersage einer Gehirnerschütterung zu unterstützen29. Die mechanische Nachgiebigkeit, die Gesamtgröße und die höhere Empfindlichkeit im Vergleich zu anderen flexiblen Sensoren machen FENG-Geräte zu geeigneten Kandidaten für die Messung von Vibrationen im Phantom.

Die Oberfläche des in dieser Arbeit verwendeten FENG beträgt 2 cm x 2 cm, mit einer Dicke von \(\sim \) 100 μm. Das FENG und die elektrischen Anschlüsse müssen isoliert werden, um es vor der Gehirn-Rückenmarks-Flüssigkeit zu schützen, die in diesen Experimenten durch Wasser repräsentiert wird. Dies wird erreicht, indem das FENG mit handelsüblichem flüssigem Isolierband beschichtet und emaillierter Kupferdraht verwendet wird, um Anschlüsse mit sehr niedrigem Profil zu gewährleisten, wie in Abb. 2b dargestellt. Das isolierte FENG wird dann sorgfältig in die PAA-Gelatine eingebettet, wie in Abb. 2b gezeigt, die mit dem im vorherigen Abschnitt erläuterten Verfahren erstellt wurde. Dieser Standort wurde auf der Grundlage der von Okamoto et al.15 durchgeführten Untersuchungen ausgewählt. Diese Studie zeigt, dass die AP-Wellenverschiebung (Anterior-Posterior) in dieser Region am höchsten war, wie in 2b gezeigt. Die Anschlüsse werden aus dem Phantom herausgezogen und stellen gleichzeitig sicher, dass das Phantom beim Aufprall dicht bleibt.

(a) FENG nach der Metallelektrodenabscheidung und dem Querschnitt, der die Hohlräume und die Silberelektrode zeigt, und (b) nach der Beschichtung mit flüssigem Isolierband und der Platzierung im Gehirnphantom. (c) Ladungsmodus-Verstärkerschaltung, der der FENG-Ausgang zugeführt wird.

In diesem Experiment wurden zwei Sätze Datenerfassungshardware verwendet. Elektrische Signale vom FENG wurden mit einem Datenerfassungssystem von National Instruments (NI-DAQ 6003) in Verbindung mit LabVIEW bei 50.000 SPS (Samples pro Sekunde) aufgezeichnet. Die Spannungsantwort vom FENG wird zunächst dem Ladungsmodusverstärker zugeführt, wie in Abb. 2c gezeigt, und der Ausgang dieses Ladungsmodusverstärkers wird zur Datenaufzeichnung an den NI-DAQ gesendet. Dieser Prozess isoliert die Spannungsreaktion (Verstärkung) des Systems von parasitären Kapazitäten, wie sie beispielsweise durch Instrumentenverbindungen und Kabel entstehen. Alle gemessenen Daten liegen im Zeitbereich vor, für die Frequenzanalyse wird jedoch eine schnelle Fourier-Transformation verwendet.

Bilder des biofidelen Phantoms werden mit einer Ultrahochgeschwindigkeitskamera (Phantom V2512-Serie) mit 25.000 Bildern pro Sekunde (fps) und voller Auflösung (1280 \(\times \) 800 Pixel) aufgenommen. Ein Array aus einer hochintensiven LED (LaVision VI-Strobe LED 120W v2, Göttingen, Deutschland), einer konkaven Linse und einer Diffusionsfolie wurde verwendet, um für die Hintergrundbeleuchtung zu sorgen und die Bilder für die Dauer des Aufpralls aufzunehmen (Abb. 3a). ). Der Kamerarahmen deckt einen Bereich von etwa 100 mm Breite und 60 mm Höhe ab, der den Großteil des Phantoms umfasst, wie in Abb. 3b zu sehen ist. Die Bildauflösung der Kamera betrug 0,08 mm/Pixel in Real-to-Machine-Einheiten. Die Verarbeitung der Bilder mittels Particle Image Velocimetry (PIV) wird im folgenden Abschnitt „Implementierung der Particle Image Velocimetry“ beschrieben.

(a) Seitenansicht des Aufbaus mit Schwerpunkt auf dem LED-Array und der Kamera. (b) Beispielbild, das die Kamera aufnimmt. Die feinen Partikel sind auf diesem Bild deutlich zu erkennen.

PIV wird typischerweise zur Berechnung des Geschwindigkeitsfeldes in Flüssigkeitsströmen verwendet. Zu diesem Zweck verwendet PIV einen FFT-basierten Algorithmus, um die Kreuzkorrelation zwischen entsprechenden Regionen aufeinanderfolgender Bilder zu berechnen30,31. Dieser Algorithmus wird hier auf Bilder von Tracerpartikeln angewendet, die in ein viskoelastisches Material eingebettet sind32. Nach der Normierung durch die Gittergröße ist dieses Geschwindigkeitsfeld eine direkte Messung des momentanen Dehnungsratenfeldes. Die für diese Messung des Dehnungsratenfeldes verwendete Bildrate betrug 2500 Bilder pro Sekunde. Diese Bildrate wurde so gewählt, dass die interessierenden Parameter für ein bestimmtes Abfragefenster zuverlässig aufgelöst werden. Die PIV-Analyse wurde in derselben allgemeinen Region von Interesse (ROI) durchgeführt, in die das FENG eingebettet war. Dieser ROI wird durch den blauen quadratischen Bereich in Abb. 4 abgegrenzt; und die Zeit in der Box stellt die Zeit dar, die seit dem Abwurf des Gehirnphantoms vergangen ist. Alles außerhalb des ROI wurde mit einer Binärmaske aus der Figur entfernt.

(a) Rahmen des Phantoms nach dem Aufprall mit darüberliegendem Verschiebungsvektorfeld, dargestellt durch grüne Pfeile. (b) Momentane durchschnittliche Massengeschwindigkeit des Phantoms, zerlegt in u- und v-Komponenten. (c) Der interessierende Bereich (blau schattiert) verfolgt die Massenbewegung.

Das Tool wurde auf ein anfängliches Abfragefenster von 256 \(\times \) 256 Pixel angewendet und dann um 50 % verringert, bis ein 16 Pixel \(\times \) 16 Pixel großes Fenster erreicht wurde. Obwohl ein anfängliches Abfragefenster normalerweise kleiner ist, ermöglichte die gewählte Größe die Verfolgung von Partikeln, selbst wenn der Ersatzkopf erheblich verschoben wurde. Störvektoren innerhalb der interessierenden Region wurden mithilfe einer bildbasierten Validierung herausgefiltert, die Merkmale wie den Kontrast innerhalb einer bestimmten Region berücksichtigt, und einer geschwindigkeitsbasierten Validierung, bei der herausragende fehlerhafte Geschwindigkeitsvektoren ignoriert werden können. Die Dehnungsrate zwischen aufeinanderfolgenden Frames wurde aus der PIVLab-Anwendung extrahiert und zur rechnerischen Analyse in eine Datenbank importiert (siehe Methode 1 im Zusatzmaterial).

Da der Kopfersatz an einem flexiblen mechanischen Hals befestigt ist, kann er sich frei aus seiner Ausgangsposition im Sichtfeld der Kamera bewegen. Um dieses Problem anzugehen, wurde ein hauseigener Code verwendet, um die lokalen Deformationen einer bestimmten Region im Gehirn zu verfolgen. Der ausgewählte Interessenbereich bewegt sich in jedem Frame entsprechend dem Mittel der u- und v-Geschwindigkeitskomponenten und wird im Abschnitt „Ergebnisse“ näher erläutert. Diese Informationen wurden verwendet, um die durchschnittliche Dehnungsrate innerhalb dieser interessierenden Region zu berechnen.

Um die Dehnung mittels PIV-Analyse zu ermitteln, ist es wichtig, die Massenbewegung des Phantoms zu verfolgen, um die Dehnung aus einem konstanten interessierenden Bereich zu erhalten.

Dies wird mit Hilfe der durchschnittlichen „v-Geschwindigkeit“ und „u-Geschwindigkeit“ durchgeführt, die über den gesamten Rechenbereich ermittelt wurden, wie durch den schwarzen Bereich in Abb. 4a dargestellt (der rot schattierte Bereich wird vernachlässigt). Diese Geschwindigkeiten sind in Abb. 4b dargestellt. Abbildung 4c zeigt die erfassten Bilder aus verschiedenen Zeitpunkten mit überlagertem blauen Bereich, der die Verfolgung der Massenbewegung anhand von Durchschnittsgeschwindigkeiten hervorhebt. Die Dehnungsrate aus diesem interessierenden Bereich wird für jeden Frame ermittelt und ist in Abb. 5a zusammen mit der Dehnung, die aus der Dehnungsrate berechnet wird, dargestellt. Diese Dehnung wird später zur Analyse der Modalität der Verformungen verwendet. Die Niederfrequenz- und Hochfrequenz-Zeitintervalle werden im selben Diagramm hervorgehoben.

(a) Dehnung und Dehnungsrate abgeleitet aus der PIV-Analyse. (b) (oben) Dehnung aus PIV und Spannungsintegral aus FENG. (0–6 ms) unten) FFT der Dehnung aus PIV und Spannungsintegral aus FENG. (c) (oben) Normalisierte Dehnungs- und Spannungsreaktion des FENG zwischen 160 und 260 ms nach dem Aufprall. bot) FFT der normalisierten Dehnung und Spannung.

Um die Ergebnisse des PIV zu validieren, beobachten wir die Belastungen, die durch die Stoßwelle entstehen, die sich beim Aufprall ausbreitet. Dies ist in Abb. 6 dargestellt. Den Belastungsverlauf des Hirngewebes finden Sie in den Zusatzvideos 2 und 3.

Vier Bilder und ihr entsprechendes Oberflächendiagramm zur Interpretation des Verlaufs der Stoßwelle. t = 0 stellt den Moment des Aufpralls dar und verläuft im Uhrzeigersinn.

Die viskoelastische Natur des Gehirns führt zu einer nichtlinearen, frequenzabhängigen Beziehung zwischen Stress und Belastung33. Das FENG-Gerät liefert Spannungssignale als Reaktion auf Stress, während die PIV-Analyse die Belastung erfasst. Daher wird die Untersuchung der Ergebnisse beider Ansätze nützliche Einblicke in die nichtlineare Spannungs-Dehnungs-Beziehung des Gehirns liefern. Ein viskoelastisches Kelvin-Voigt-Material kann elektrisch als Konstantstromquelle in Reihe mit einer parallelen Widerstands-Kondensator-Schaltung (RC) modelliert werden34. In dieser Analogie repräsentiert die Stromquelle die angelegte Spannung und die Spannung am Kondensator die Spannung.

Wenn sich die Spannung langsam ändert, also mit relativ niedriger Frequenz eingegeben wird, folgt die Dehnung der Spannung. Dies ähnelt der Spannung an einem Kondensator in einer RC-Schaltung, die phasengleich mit dem Eingang ist. Wenn sich die Spannung jedoch schneller ändert, verzögert sich die Dehnung, was wiederum dem Verhalten einer RC-Schaltung folgt. Dies kann auch als Integratorschaltung angenähert werden, bei der ein Rechteckwelleneingang in die RC-Schaltung einen Dreieckwellenausgang erzeugt. Die hochfrequenten Komponenten der Wanderwelle entstehen in der Anfangsphase des Aufpralls, wenn sich das Gehirn überwiegend wie ein viskoses Medium verhält. Dies wird durch die positive Korrelation des Zeitbereichs und der FFT der aus PIV erhaltenen Dehnung und der numerischen Integration der FENG-Reaktion gestützt, wie in Abbildung 5b dargestellt. Die FFTs korrelieren mit 0,795 (Pearson's R). In ähnlicher Weise kann der Niederfrequenzbereich nach \(\sim 160 ms\) nach dem Aufprall beobachtet werden, wenn das Gehirn beginnt, um seine Eigenfrequenz zu schwingen. Die normalisierte Spannung und Dehnung nach diesem Zeitrahmen sowie die entsprechenden FFTs sind in Abb. 5c dargestellt. In beiden Frequenzspektren können wir erkennen, dass die dominanten Frequenzen zwischen 15 Hz und 60 Hz liegen, mit einem Peak bei etwa 25 Hz. Es gibt noch andere höhere Frequenzen im Spannungsverhalten des FENG, die durch die lokalen Schwingungen des Kreisels erzeugt werden könnten. Dennoch weisen die Spektren eine Korrelation von 0,82 (Pearson's R) auf. Dies spricht dafür, dass das Gehirn ein elastischeres Verhalten zeigt.

Diese hohe positive Korrelation unterstützt, dass FENG, obwohl invasiv, zur Untersuchung der Frequenzen von Gehirnvibrationen bei jeder Form von stumpfem Aufprall eingesetzt werden kann. Das FENG umfasst kleinere Signalaufbereitungsschaltungen und Datenerfassungshardware, um die verschiedenen Metriken rund um die Wirkungsstudien zu erfassen. Das PIV ist nicht-invasiv, aber der Aufbau ist komplexer, erfordert mehr Ausrüstung (z. B. Hochgeschwindigkeitskamera) und ist anfälliger für Testparameter (z. B. Beleuchtung). Außerdem ist es darauf angewiesen, dass das Motiv nur eine minimale Verschiebung aufweist, damit es nicht über die Rahmengrenzen hinaus gerät. eine Situation, die vor allem bei größeren Einwirkungsgrößen auftritt.

Der Bereich des Verständnisses traumatischer Hirnverletzungen hat sich ständig weiterentwickelt. Bisher wurden mit Hilfe von kadaverbasierten Studien, Finite-Elemente-Simulationen und biofidelen Gehirnersatzmodellen mehrere Hypothesen aufgestellt, wobei jedes Experiment zu einer Verbesserung bei der Definition von Markern führte, um die Art und das Ausmaß der Hirnverletzung zuverlässig zu identifizieren. In diesem Sinne stellt diese Arbeit zwei Methoden zum Verständnis der Modalität von Gehirnvibrationen vor, die in einem Gehirnphantom ausgelöst werden, wenn es einem stumpfen Aufprall ausgesetzt wird. PIV, ein nicht-invasiver, aber umfangreicherer Aufbau, und FENG, ein invasiver, aber einfacher Aufbau, zeigen großes Potenzial für Studien dieser Art. Diese vorgeschlagenen Methoden können verwendet werden, um eine Reihe stumpfer Stöße mit unterschiedlichen Intensitäten, Orten und Aufprallwinkeln in Bezug auf die Modalität der Verformungen, die im Phantom angeregt werden, zu charakterisieren. Obwohl das aktuelle Phantom die vielfältige Gehirnphysiologie nicht berücksichtigt, werden zukünftige Versionen individuelle lappenspezifische Eigenschaften berücksichtigen. Diese Ergebnisse werden in Verbindung mit bestehenden Theorien das Verständnis hinter traumatischen Hirnverletzungen fördern.

Die während der aktuellen Studie verwendeten und/oder analysierten Datensätze sind in der Excel-Datei verfügbar, die im Abschnitt „Ergänzendes Material“ enthalten ist.

Faul, M., Xu, L., Wald, M. & Coronado, V. Traumatische Hirnverletzung in den Vereinigten Staaten. Atlanta, GA: Zentren für Krankheitskontrolle und Prävention. Natl. Zentrumsverletzung Vorher. Control 16(1), 268 (2010).

Google Scholar

McCrea, M., Hammeke, T., Olsen, G., Leo, P. & Guskiewicz, K. Nicht gemeldete Gehirnerschütterung bei High-School-Footballspielern: Auswirkungen auf die Prävention. Klin. J. Sport Med. 14(1), 13–17 (2004).

Artikel PubMed Google Scholar

Lehman, EJ, Hein, MJ, Baron, SL & Gersic, CM Neurodegenerative Todesursachen bei pensionierten National-Football-League-Spielern. Neurology 79(19), 1970–1974. https://doi.org/10.1212/WNL.0b013e31826daf50 (2012).

Artikel PubMed PubMed Central Google Scholar

Sundman, MH, Hall, EE & Chen, N.-K. Untersuchung des Zusammenhangs zwischen Kopftrauma und neurodegenerativen Erkrankungen: Ein Überblick über Epidemiologie, Pathologie und Neuroimaging-Techniken. J. Alzheimers Dis. Parkinsonismus 4(1), 1–21. https://doi.org/10.4172/2161-0460.1000137 (2014).

Artikel Google Scholar

Was ist eine Gehirnerschütterung? Zentren für die Kontrolle und Prävention von Krankheiten (2019)

Laksari, K., Wu, LC, Kurt, M., Kuo, C. & Camarillo, DC Resonanz des menschlichen Gehirns unter Kopfbeschleunigung. JR Soc. Schnittstelle 12(108), 20150331 (2015).

Artikel PubMed PubMed Central Google Scholar

Holbourn, A. Mechanik von Kopfverletzungen. Lancet 242(6267), 438–441 (1943).

Artikel Google Scholar

Ommaya, AK & Gennarelli, T. Gehirnerschütterung und traumatische Bewusstlosigkeit: Korrelation experimenteller und klinischer Beobachtungen zu stumpfen Kopfverletzungen. Brain 97(4), 633–654 (1974).

Artikel CAS PubMed Google Scholar

Gurdjian, ES, Lange, WA, Patrick, LM & Thomas, ME: Aufprallverletzung und Unfallschutz. LWW (1970)

Gadd, CW Verwendung eines gewichteten Impulskriteriums zur Abschätzung des Verletzungsrisikos (Technischer Bericht, SAE Technical Paper, 1966).

Eppinger, R., Kuppa, S., Saul, R. & Sun, E. Ergänzung: Entwicklung verbesserter Verletzungskriterien für die Bewertung fortschrittlicher Kfz-Rückhaltesysteme: Ii. NHTSA (2000)

Narayana, PA Veränderungen der weißen Substanz bei Patienten mit leichter traumatischer Hirnverletzung: MRT-Perspektive. Gehirnerschütterung 2(2), 35 (2017).

Artikel Google Scholar

Bazarian, JJ et al. Anhaltende, langfristige Veränderungen der weißen Substanz des Gehirns nach wiederholten sportlichen Schlägen auf den Kopf. PLoS ONE 9(4), 94734 (2014).

Artikel ADS Google Scholar

Kleiven, S. Prädiktoren für traumatische Hirnverletzungen, bewertet durch Unfallrekonstruktionen. Stapp Car Crash J. 51(1), 81–114 (2007).

PubMed Google Scholar

Okamoto, RJ, Romano, AJ, Johnson, CL & Bayly, PV Einblicke in traumatische Hirnverletzungen durch MRT der harmonischen Gehirnbewegung. J. Exp. Neurosci. 13, 1179069519840444 (2019).

Artikel PubMed PubMed Central Google Scholar

Laksari, K., Kurt, M., Babaee, H., Kleiven, S. & Camarillo, D. Mechanistische Einblicke in die Aufpralldynamik des menschlichen Gehirns durch Modalanalyse. Physik. Rev. Lett. 120(13), 138101 (2018).

Artikel ADS CAS PubMed Google Scholar

Kerwin, J. et al. Sulkalkavitation bei linearer Kopfbeschleunigung: Möglicher Zusammenhang mit chronisch traumatischer Enzephalopathie. Vorderseite. Neurol. 13, 56 (2022).

Artikel Google Scholar

Miller, ST et al. Lokalisierung klinischer Muster explosionstraumatischer Hirnverletzungen durch Computermodellierung und Simulation. Vorderseite. Neurol.https://doi.org/10.3389/fneur.2021.547655 (2021).

Artikel PubMed PubMed Central Google Scholar

Wermer, A. et al. Materialcharakterisierung von Schädelsimulanzien für explosionsbedingte traumatische Hirnverletzungen. Mil. Med. 185(Supplement1), 205–213 (2020).

Artikel PubMed Google Scholar

Li, W. et al. Auf Nanogeneratoren basierender, dualfunktionaler und energieautarker dünner Patch-Lautsprecher oder -Mikrofon für flexible Elektronik. Nat. Komm. 8, 15310 (2017).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Dsouza, H., Wheeler, J. & Sepulveda, N.: Ferro-Elektret-Nanogeneratoren als flexible Mikrofone. Im Jahr 2019 IEEE SENSORS 1–4 (IEEE, 2019).

Cao, Y., Shi, H., Tan, X. & Sepúlveda, N. Ermöglichen der Unterdruckmessung durch ein Ferroelektret-Gerät. IEEE Sens. Lett. 6(8), 1–4 (2022).

Artikel CAS Google Scholar

Kenner, VH & Goldsmith, W. Einfluss auf ein einfaches physikalisches Modell des Kopfes. J. Biomech. 6(1), 1–11. https://doi.org/10.1016/0021-9290(73)90032-8 (1973).

Artikel CAS PubMed Google Scholar

Li, W., Torres, D., Wang, T., Wang, C. & Sepúlveda, N. Flexibler und biokompatibler Polypropylen-Ferroelektret-Nanogenerator (FENG): Auf dem Weg zu tragbaren Geräten, die durch menschliche Bewegung angetrieben werden. Nano Energy 30, 649–657 (2016).

Artikel CAS Google Scholar

Pastrana, J. et al. Elektrodeneffekte auf flexible und robuste Polypropylen-Ferroelektret-Geräte für vollständig integrierte Energieernter. ACS-Appl. Mater. Schnittstellen 12(20), 22815–22824 (2020).

Artikel CAS PubMed Google Scholar

Dsouza, H. et al. Ferroelektret-Nanogeneratoren für Lautsprecheranwendungen: Eine umfassende Studie. J. Sound Vib. 468, 115091 (2020).

Artikel Google Scholar

Cao, Y. & Sepúlveda, N. Design eines flexiblen piezoelektrischen Gyroskops zur strukturellen Gesundheitsüberwachung. Appl. Physik. Lette. 115(24), 241901 (2019).

Artikel ADS Google Scholar

Cao, Y. et al. Flexibles Ferroelektret-Polymer für autarke Geräte und Energiespeichersysteme. ACS-Appl. Mater. Schnittstellen 11(19), 17400–17409 (2019).

Artikel CAS PubMed Google Scholar

Dsouza, H. et al. Flexible, energieautarke Sensoren zur Abschätzung der Kinematik des menschlichen Kopfes, die für Gehirnerschütterungen relevant ist. Wissenschaft. Rep. 12(1), 1–8 (2022).

Artikel Google Scholar

Grant, I. Partikelbild-Geschwindigkeitsmessung: Eine Übersicht. Proz. Inst. Mech. Ing. C J. Mech. Ing. Wissenschaft. 211(1), 55–76. https://doi.org/10.1243/0954406971521665 (1997).

Artikel Google Scholar

Willert, G. Digitale Teilchenbild-Geschwindigkeitsmessung. Exp. Flüssigkeiten 10(4), 181–193. https://doi.org/10.1007/BF00190388 (1991).

Artikel Google Scholar

Budday, S., Sommer, G., Holzapfel, GA, Steinmann, P. & Kuhl, E. Viskoelastische Parameteridentifizierung von menschlichem Gehirngewebe. J. Mech. Verhalten. Biomed. Mater. 74, 463–476. https://doi.org/10.1016/j.jmbbm.2017.07.014 (2017).

Artikel CAS PubMed Google Scholar

Budday, S., Sommer, G., Holzapfel, G., Steinmann, P. & Kuhl, E. Viskoelastische Parameteridentifizierung von menschlichem Gehirngewebe. J. Mech. Verhalten. Biomed. Mater. 74, 463–476 (2017).

Artikel CAS PubMed Google Scholar

Greene, PR & Medved, V. Elektrische Analoga für viskoelastische Kelvin- und Maxwell-Materialien: Anwendungen auf Hornhaut und Sklera

Referenzen herunterladen

Elektro- und Computertechnik, Michigan State University, 428 S Shaw Lane, East Lansing, MI, 48824, USA

Henry Dsouza, Ian Gonzalez Afanador, Gerardo Morales Torres und Nelson Sepúlveda

Maschinenbau, Michigan State University, East Lansing, MI, 48824, Vereinigte Staaten

Bianca M. Davila-Montero & Ricardo Mejia-Alvarez

State Key Laboratory of Industrial Control Technology, College of Control Science and Engineering, Zhejiang University, Hangzhou, 310027, Zhejiang, China

Yunqi Cao

Sie können diesen Autor auch in PubMed Google Scholar suchen

HD entwarf Experimente und analysierte die Ergebnisse, BD unterstützte beim Experimentdesign und der Datenerfassung, IG unterstützte bei der Datenanalyse, GM unterstützte bei der Instrumentierung für die Datenerfassung, YC unterstützte bei der Dateninterpretation und Analyse der Ergebnisse, RM und NS lieferten einen allgemeinen Überblick und Einblicke. und unterstützte bei der Datenanalyse. Jeder Autor trug zur Erstellung des Manuskripts bei (einschließlich der Datenbewertung) und überprüfte die endgültige Version des Manuskripts.

Korrespondenz mit Nelson Sepúlveda.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Ergänzende Informationen 1.

Ergänzende Informationen 2.

Ergänzende Informationen 3.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die Originalautor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Dsouza, H., Dávila-Montero, BM, Afanador, IG et al. Messung von Schwingungen an einem biofidelen Gehirn mithilfe eines Ferroelektret-Nanogenerators. Sci Rep 13, 8975 (2023). https://doi.org/10.1038/s41598-023-35782-5

Zitat herunterladen

Eingegangen: 02. Dezember 2022

Angenommen: 23. Mai 2023

Veröffentlicht: 02. Juni 2023

DOI: https://doi.org/10.1038/s41598-023-35782-5

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.