开发了一种计算框架，可利用图像和/或视频数据自动重建包含士兵三维虚拟形象的虚拟场景。这些虚拟场景有助于估算武器训练期间的爆炸超压暴露情况。该工具能够在多种场景下的爆炸暴露模拟中实现对人体姿态的真实再现。
本文内容
摘要
摘要
参与武器训练的军事人员会反复暴露于低强度爆炸环境中。目前估算爆炸负荷的主流方法是使用可穿戴式爆炸测量仪。然而 利用可穿戴传感器数据， 头部或其他器官的冲击负荷 若不了解军人的身体姿势，则无法准确估计相关参数。本研究开发了一种结合图像/视频的互补性实验-计算平台，用于开展更安全的武器训练。本文描述了从视频数据自动生武器训练场景以进行爆炸暴露模拟的实验方案。从视频数据中提取的武器击发瞬间的爆炸场景，包含军人身体虚拟体、武器、地面及其他结构。该计算方案利用这些数据重建军人的位置与姿势。通过提取军人身体轮廓的图像或视频数据，生成解剖学骨架及关键人体测量数据。这些数据用于生成分割为各个身体部位的三维体表虚拟体，并通过几何变换以匹配提取出的军人姿势。最终的虚拟武器训练场景可用于对军人虚拟体进行武器爆炸冲击波载荷的三维计算模拟。该武器训练场景生成器已用于从不同方位和姿势的图像或视频中构建个体军人身体的三维解剖虚拟体。本文展示了基于肩射式突击武器系统和迫击炮武器系统的图像数据生成训练场景的结果。爆轰超压（BOP）工具利用虚拟武器训练场景对军人虚拟体进行爆炸冲击波载荷的三维模拟。本文展示了武器发射后爆炸波传播的三维计算模拟结果，以及训练中军人所受相应爆炸载荷的分析。
引言
在军事训练中，军人和教官经常暴露于轻型和重型武器产生的低强度爆炸环境中。近期研究表明，爆炸暴露可能导致神经认知功能下降1,2以及血液生物标志物的改变3,4,5,6。反复的低强度爆炸暴露给维持最佳作战表现和降低受伤风险带来了挑战7,8。传统的可穿戴式压力传感器方法存在局限性，尤其是在精确测定头部所受爆炸压力方面9。已知反复低强度爆炸暴露对人类表现（例如在训练和实战任务中）产生的不良影响进一步加剧了这一问题。美国国会授权条款（第734条和第717条）已明确规定，必须对训练和作战中的爆炸暴露进行监测，并将相关数据纳入军人的医疗记录中10。
可穿戴传感器可用于监测这些作战训练过程中的爆炸超压。然而，由于爆炸冲击波与人体相互作用的复杂性，这些传感器会受到身体姿势、方向以及与爆炸源距离等因素的影响9。以下因素会影响压力分布和传感器测量结果9：
与爆炸源的距离：随着爆炸冲击波的扩散和衰减，压力强度随距离而变化。距离爆炸源较近的传感器记录到的压力更高，这会影响数据的准确性和一致性。
身体姿势：不同的姿势会使身体的不同表面暴露于爆炸冲击中，从而改变压力分布。例如，站立与蹲伏会导致不同的压力读数9,11。
方向：身体相对于爆炸源的角度会影响冲击波与身体的相互作用方式，从而导致测量结果出现差异9。基于物理原理的数值模拟能够通过系统地考虑这些变量，提供更准确的评估，相较于可穿戴传感器而言，可实现更受控且全面的分析，因为后者 inherently 受这些因素的影响。
针对这些挑战，人们已共同努力开发出更为复杂的工具。在此背景下，研制了爆炸超压（BOP）工具。该工具旨在估算不同军职人员姿势和在武器系统周围不同位置时所受到的超压暴露。BOP工具包含两个不同的模块11：(a) BOP工具SCENE模块和(b) BOP工具SITE模块。这些模块用于估算武器发射过程中的爆炸超压12。BOP SCENE模块用于估算参与训练场景的单个军职人员或教官所经历的爆炸超压，而BOP SITE模块则重建训练场地的俯视图，描绘由多个射击阵地产生的爆炸超压区域。图1展示了这两个模块的示意图。目前，BOP工具模块包含了美国国防部（DoD）定义的四种一级（Tier-1）武器系统的爆炸超压特性（等效爆炸源项），包括M107型0.50英寸特种用途狙击步枪（SASR）、M136肩射式突击武器、M120间接火力迫击炮以及破障炸药。武器爆炸核（weapon blast kernel）这一术语指的是为复现实际武器周围相同爆炸场而开发的等效爆炸源项。有关BOP工具开发所用计算框架的更详细描述可参阅进一步参考资料11。超压模拟由CoBi-Blast求解器引擎运行，该引擎是一种用于模拟爆炸超压的多尺度、多物理场工具。该引擎的爆炸建模能力已通过文献中的实验数据进行了验证12。目前，该BOP工具正被集成到射程管理工具包（RMTK）中，以用于不同的武器训练射程。RMTK是一套多军种桌面工具套件，旨在通过自动化射程运行、安全和现代化流程，满足陆军、海军陆战队、空军和海军射程管理人员的需求。
图 1：BOP 工具 SCENE 模块与 BOP 工具 SITE 模块的图形用户界面（GUI）。 BOP SCENE 模块用于估算爆炸超压对服役人员和教员人体模型的影响，而 BOP SITE 模块则用于估算代表训练场地平面上的超压等值线。用户可选择该平面相对于地面的高度。请点击此处查看此图的放大版本。
现有BOP工具SCENE模块的一个局限性在于其使用手动估算的数据来构建虚拟服役人员身体模型，包括人体测量学参数、姿势和位置。以适当姿势手动生成虚拟服役人员的过程费力且耗时11,12。传统的BOP工具（传统方法）依赖一个预配置姿势的数据库，基于图像数据（如果可用）构建武器训练场景。此外，由于这些姿势是通过视觉评估手动近似确定的，因此在复杂的姿态设置下可能无法准确捕捉正确的姿势。结果，该方法在估算个体服役人员的超压暴露水平时引入了不准确性（因为姿势的改变可能影响更易受损区域的超压暴露）。本文介绍了对现有计算框架所做的改进，以实现利用当前最先进的姿态估计算法快速、自动地生成服役人员模型。本文重点讨论了BOP工具的增强，特别是开发了一种新颖且高效的计算流程，用于利用视频和图像数据重建爆炸场景。改进后的工具还能够在武器发射瞬间重建服役人员和教官的详细身体模型，相较于传统方法，利用视频数据生成个性化的虚拟化身。这些虚拟化身能够准确反映服役人员的实际姿势。本研究简化了爆炸场景的生成过程，并促进了更多武器系统相关爆炸场景的快速纳入，显著减少了武器训练场景创建所需的时间和工作量。图2展示了本文所述增强型计算框架的示意图。
图 2：计算框架中整体流程的示意图。 各步骤包括图像/视频数据处理、虚拟作战人员生成、爆炸场景重建以及爆炸超压模拟。 请点击此处查看此图的放大版本。
本文介绍了正在集成到BOP工具中的自动化方法，该方法在计算工具方面实现了显著改进，可用于评估训练和操作期间的超压暴露。该工具通过快速生成个性化虚拟人体和训练场景而脱颖而出，从而实现沉浸式的爆炸超压模拟。这标志着与传统依赖人群平均人体模型的方法有了显著区别，提供了一种更精确、更个性化的分析方法。
自动化过程中使用的计算工具
虚拟服务成员模型生成的自动化是一个多步骤过程，利用先进的计算工具将原始图像或视频数据转换为详细的三维表示。整个过程实现了自动化，但可根据需要进行调整，以允许手动输入已知的测量数据。
三维姿态估计工具：自动化流程的核心是三维姿态估计工具。这些工具分析图像数据，以识别受试者身体各个关节的位置和方向，从而构建出一个数字化的骨骼结构。目前，该流程支持 Mediapipe 和 MMPose，二者均提供 Python API。然而，系统在设计上具有灵活性，允许集成其他工具（例如深度相机），只要这些工具能够输出所需的三维关节和骨骼数据即可。
人体测量模型生成器（AMG）：在估计出三维姿态后，AMG 随即开始工作。该工具利用姿态数据创建与受测人员独特身体尺寸相匹配的三维皮肤表面模型。AMG 工具支持人体测量数据的自动或手动输入，并将这些数据与工具内的主成分相关联，从而相应地调整三维人体网格形态。
OpenSim 骨骼建模：下一步涉及使用开源的 OpenSim 平台13，在此平台上调整骨骼模型以与三维姿态数据对齐。姿态估计算法不会强制骨骼中保持一致的骨长，这可能导致身体出现不真实的不对称性。使用解剖结构准确的 OpenSim 骨骼可生成更真实的骨骼结构。在 OpenSim 骨骼上放置标记点，使其与姿态估计算法识别出的关节中心相对应。然后使用标准的动画技术将该骨骼模型绑定到三维皮肤网格上。
逆向运动学与 Python 脚本：为了确定虚拟军人姿态的最终位置，采用了一种逆向运动学算法。该算法调整 OpenSim 骨骼模型，以最大程度匹配估计的三维姿态。整个姿态生成流程已完全自动化，并使用 Python 3 实现。通过整合这些工具，生成虚拟军人模型的过程显著加快，所需时间从数天缩短至数秒或数分钟。这一进步在武器训练场景的模拟与分析中实现了跨越式发展，能够快速重建通过图像或视频记录的特定场景。
方案
本研究中使用的图像和视频并非作者直接从人类受试者获取。其中一张图像来自维基共享资源（Wikimedia Commons）的免费资源，可在公共领域许可下使用。另一张图像由沃尔特·里德陆军研究所（WRAIR）的合作研究人员提供。从WRAIR获得的数据为匿名数据，并依照其机构规定进行共享。对于WRAIR提供的图像，相关方案遵循了WRAIR人类研究伦理委员会的指导原则，包括获得所有必要的批准和知情同意。
1. 访问 BOP 工具 SCENE 模块
- 通过点击 BOP Tool SCENE Module 按钮，从 BOP Tool 界面打开 BOP Tool SCENE 模块。
- 点击 Scenario Definition，然后点击 Scenario Detail 选项卡。
2. 图像数据的读取与处理
- 在 BOP 工具的 SCENE 模块中点击 POSETOOL IMPORT 按钮。此时将弹出一个窗口，提示用户选择相应的图像或视频。
- 通过鼠标操作浏览至目标文件夹，并选择相应的图像或视频。
- 选择图像后，在弹出窗口中点击 Open。
注意：此操作将读取图像或视频文件，若选择的是视频，则会生成图像帧，随后在后台运行姿态估计算法，生成参与武器训练场景的虚拟人员模型，并将其加载到 BOP 工具 SCENE 模块中的相应位置。
3. 配置武器和射击者
- 在场景名称下方的文本框中为该场景选择一个名称。此名称由用户自定义。针对本文讨论的场景，开发人员已将场景命名为 BlastDemo1。
- 在武器定义部分的“名称”字段下选择一个自定义名称。这同样由用户决定。针对本文讨论的场景，开发人员已将武器命名为 120Mortar。
- 从下拉菜单的选项列表中选择适当的武器类别，例如 HEAVY MORTAR。
- 从下拉菜单的选项中选择武器（本例中为 M120）。选择武器系统后，相应的爆炸核将自动加载到 GUI 的“装药”子选项卡下。
注意：下拉菜单中将显示与上述所选武器类别相对应的不同可用武器系统。 - 使用下拉选项为所选武器系统选择弹药弹壳（全射程训练弹）。
- 在射手定义部分的“人体测量学、姿势、头盔和防护装甲”字段下，从下拉选项中选择无射手。有关已配置的射手和服务人员，请参见图 3。
注意：由于射手将通过第 4 步导入的场景包含在内，因此在射手定义中未选择任何射手。
图3：从图像数据导入的爆炸场景。 该爆炸场景可在GUI工具右侧的可视化窗口中看到。请点击此处查看此图的放大版本。
4. 配置服务成员
- 点击Service Members选项卡。该选项卡用于控制从图像数据导入的服务成员的位置和朝向；可通过X、Y、Z坐标及旋转选项进行调整。对于对应于助理炮手的虚拟人物，作者已将Y坐标从2.456调整为2，以获得更合理的位置。
- 在Service Members选项卡下的Name字段中，为所有导入到图形用户界面中的虚拟服务成员模型设置自定义名称。此处将所有自动导入的服务成员模型分别命名为S1、S2、S3、S4和S5。
注意：针对本场景，仅使用了S1和S2。其他字段将自动填充，用户可根据需要修改这些字段，以优化系统自动估算的位置/姿态。 - 使用Delete 按钮删除S2、S4和S5。在本示例场景中，射击发生时仅存在射手和助理炮手。
注意：此操作旨在演示用户可根据需要，从现有场景中删除或添加服务成员模型的自定义功能。
5. 配置虚拟传感器
- 进入Sensors选项卡，通过点击Add Sensor添加一个新的虚拟传感器。
- 在名称字段中选择一个自定义名称。本文中开发人员以V1作为示例。
- 在传感器类型字段下，点击Drop-down菜单并将类型选择为Virtual。
- 通过编辑X、Y和Z字段下的文本框，将传感器位置设置为(-0.5, 2, 0.545)。针对本文讨论的场景，开发人员出于演示目的，在四个不同位置创建了四个不同的传感器，并将额外的传感器命名为V2、V3和V4。
- 重复步骤5.1至5.4，在(-0.5, 1, 0.545)、(-0.5, 0.5, 0.545)和(-0.5, 0, 0.545)位置创建其他传感器。旋转值保持为零。
注意：用户也可选择平面传感器，在此情况下，可通过旋转调整传感器相对于爆炸装药的方向。
6. 保存并运行程序
- 通过点击顶部图形用户界面中的保存场景按钮，保存武器训练场景。
- 通过点击底部的运行场景按钮，执行M120武器训练场景的爆炸超压模拟。模拟进度将通过底部的进度条显示。
7. 结果的可视化
- 转到“模型视图”选项卡，以查看爆炸超压暴露模拟。
- 点击 当前 按钮，将已完成的模拟加载到可视化窗口中。
- 模拟加载完成后，使用屏幕底部的 播放 按钮来查看模拟过程。
- 用户可在导航栏中选择不同选项，以不同速度播放或暂停模拟。下方播放控件的截图展示了更多选项。用户可使用鼠标控制交互窗口：右键拖动以旋转模型，左键拖动以平移模型，中键滚动以放大/缩小。
- 查看模拟后，点击 爆炸载荷指标 选项卡进行切换。
- 点击 当前 按钮，加载虚拟传感器位置处的超压曲线。
注意：这将在不同图表中加载各传感器位置的超压信息。 - 导航至“显示序列”下拉菜单，并通过 勾选对应传感器的复选框 ，绘制该虚拟传感器记录的超压数据（见 图4）。
图4：不同时刻不同虚拟传感器处超压的曲线图控制。 用户可通过勾选或取消勾选不同的传感器来选择要显示的曲线系列。 请点击此处查看该图的放大版本。
结果
虚拟军人及爆炸场景的自动重建
通过BOP工具的自动化功能，实现了虚拟军人人体模型和武器训练场景模型的自动生成。图5展示了从图像数据生成的虚拟训练场景。如图所示，生成的场景能够较好地还原原始图像数据。图5中用于演示的图像来自Wikimedia Commons。
图5：基于图像数据的虚拟武器训练场景。 左侧图像显示了与AT4武器发射相对应的图像数据，右侧图像展示了虚拟自动生成的武器训练场景。本图取自Wikimedia Commons。请点击此处查看该图的放大版本。
此外，该方法还被应用于重建M120武器发射场景。该图像由WRAIR采集，作为M120迫击炮武器压力数据采集工作的一部分。图6下方展示了重建的虚拟武器发射场景与原始图像的对比。在虚拟重建中，观察到副炮手的位置存在偏差。该偏差可通过BOP GUI的用户选项调整副炮手位置进行校正。此外，教官的骨盆姿态显得不准确，可能是由于图像中木桩的遮挡所致。将该方法与其他深度成像方式结合，将有助于解决这些偏差问题。
图6：基于图像数据生成的虚拟武器训练场景。 左侧图像显示与M120武器射击相对应的图像数据，右侧图像显示由系统自动生成的虚拟武器训练场景。请点击此处查看该图的放大版本。
自动化场景生成方法的验证
本研究中采用的人体模型生成器已通过 ANSUR II 人体扫描数据库14 进行验证，该数据库包含来自医学影像数据的人体测量学参数。一种利用该人体模型生成器的自动化重建方法也已针对现有数据进行了定性验证。该验证过程通过将重建模型与实验数据（图像）进行叠加比对来完成。图7 展示了三维虚拟人体模型与实验数据之间的对比结果。然而，对该方法的进一步全面验证仍有必要，这需要从训练场景中获取更多实验数据，包括参与训练的不同人员的精确位置、姿态和朝向信息。
图7：基于图像生成的虚拟人体模型的定性比较。 左侧面板显示原始图像，中间面板显示生成的虚拟人体模型，右侧面板显示虚拟模型与原始图像的叠加结果。请点击此处查看该图的放大版本。
典型的爆炸超压模拟
在设置好爆炸场景后，作者得以进入运行爆炸超压（BOP）模拟的关键阶段。这将使我们能够理解在武器射击场景中，不同军事人员所承受的爆炸载荷分布情况。图8展示了AT4武器射击事件期间这些BOP模拟的结果。模拟结果详细可视化了在不同时刻，场景中虚拟军事人员所受超压载荷的情况。综上所述，结果不仅证明了该方案在构建精确且具有分析价值的武器训练场景重建中的可行性，也验证了其有效性，从而为军事训练安全性和效率的更深入研究奠定了基础。
图8：射击者暴露于爆炸冲击过压的情况。（A、B、C 和 D）这四个图示展示了模型预测的虚拟军事人员在M120迫击炮发射过程中不同时间点所受到的爆炸冲击过压。图示（C）和（D）显示了由于地面反射引起的过压传播情况。请点击此处查看该图的放大版本。
讨论
与以往使用视觉评估的手动方法相比，本文提出的计算框架显著加快了爆炸武器训练场景的生成速度。该方法展示了该框架快速捕捉和重建多种军事姿态的能力。
当前方法的优势
在特定姿态和位置下创建虚拟人体模型是一项具有挑战性的任务，目前可用于此目的的工具十分有限。传统方法在早期BOP工具中采用的是CoBi-DYN14,15,16,17，该方法需要手动创建包含服装、头盔、防护装甲和靴子的虚拟人体模型，模型的生成依赖于近似的视觉估计，缺乏系统性。在早期BOP工具中，CoBi-DYN被用于构建一个可在“场景配置”步骤中调用的人体模型数据库。用户需手动选择近似姿态并将其大致定位到特定武器系统上以运行BOP场景。尽管从现有服役人员数据库（通过BOP工具下拉菜单访问）进行爆炸场景重建相对快速，但初始构建虚拟服役人员模型数据库的过程耗时较长，每个场景约需16–24小时，原因在于该过程依赖人工且为近似操作。相比之下，新方法利用成熟的姿态估计算法，实现了更自动化和快速的虚拟人体模型创建。这些工具可自动利用视频和图像数据，快速重建带有虚拟服役人员化身的爆炸场景，显著缩短了人体模型数据库的构建时间。新方法仅需单击一个按钮，即可从成像数据生成或重建完整的虚拟场景，无需额外软件支持。整个过程现在每个场景仅需约5–6秒（在读取图像数据后，视频中将予以演示），相较于传统方法在效率上实现了显著提升。该方法并非旨在取代原有方法，而是作为补充，以加速虚拟服役人员模型的生成（未来可将其添加至服役人员身体模型数据库中）。它简化了不同复杂程度新配置的添加，并有助于未来集成新型武器系统，从而增强了BOP工具的可扩展性。与传统方法相比，所提出的方法显然提供了一种更高效、更自动化的解决方案，在减少人工投入和时间消耗的同时，提高了虚拟人体模型创建的准确性和系统性，凸显了该方法在本领域的优势与创新性。
自动场景生成的验证
通过将重建的场景叠加到图像数据上，对本方法进行了定性验证。然而，由于缺乏这些图像对应的定位与姿态数据，定量验证尚不可行。作者认识到更全面验证的重要性，并计划在未来的工作中加以解决。为此，作者设想开展一项全面的数据采集工作，以获取精确的定位和姿态信息。这将使我们能够进行详细的定量验证，最终提升该方法的稳健性与准确性。
爆炸暴露模拟的验证
武器爆炸核是利用武器发射期间收集的探针数据开发并验证的。有关武器爆炸核及相关暴露的更多细节将在即将发表的论文中提供。这方面的部分信息也可在以往的出版物中找到11,12。这一持续进行的工作将有助于提高爆炸超压模拟的精确性和有效性，进一步增强该工具的可靠性。
本文介绍的方法还可用于生成服役人员的虚拟化身，随后可将其纳入数据库，供BOP工具进行选择。尽管当前流程尚不能自动将模型保存至数据库，但作者计划在未来版本的BOP工具中加入此功能。此外，作者拥有内部工具，可在从图像数据自动生成姿态和三维模型后，手动调整姿态。目前，该功能独立存在，尚未集成到BOP工具中，因为用户界面仍需进一步开发。尽管如此，相关工作正在进行中，作者计划将其整合至未来版本的BOP工具中。
爆炸载荷数据还可以以ASCII文本文件的形式导出，并进行进一步的后处理，以更详细地研究不同武器系统的爆炸剂量模式。目前，研究人员正在开发先进的后处理工具，用于分析诸如冲量、强度等输出参数，这些工具可帮助用户理解和探究此类场景中更复杂的重复爆炸载荷。此外，这些工具在设计时注重计算效率，能够实现快速仿真。因此，这些工具使我们能够开展逆向优化研究，以确定武器射击场景中的最佳姿势和位置。此类改进增强了该工具在不同武器训练场优化训练方案中的适用性。爆炸剂量估算结果还可用于构建针对不同易损解剖区域（如大脑、肺部等）18,19,20的更精细的高分辨率宏观计算模型以及微观损伤模型20,21。需要说明的是，模型中所包含的头盔和护甲仅用于视觉展示，在这些仿真中不会影响爆炸剂量。这是因为这些结构被视为刚性体，其存在不会改变或影响爆炸超压仿真的结果。
本文利用现有的开源姿态估计算法，在武器训练场景中估计人体姿态。请注意，本文开发和讨论的框架与姿态估计算工具无关，即随着技术的不断进步，作者可以将现有工具替换为新的工具。总体测试表明，尽管现代软件工具功能强大，但基于图像的姿态检测仍是一项具有挑战性的任务。然而，有若干建议可用于提升姿态检测性能。当目标人物处于摄像头清晰视野中时，这些工具的表现最佳。尽管在武器训练过程中并不总能实现这一条件，但在布置摄像头时考虑此因素可改善姿态检测结果。此外，参与训练的军事人员通常穿着与周围环境融为一体的迷彩服，这使得他们既难以被人眼察觉，也难以被机器学习（ML）算法识别。尽管存在增强机器学习算法对穿着迷彩人员检测能力的方法23，但这些方法的实施并不简单。在条件允许的情况下，选择高对比度背景的场所采集武器训练图像，有助于提升姿态检测效果。
此外，从图像中估算三维参数的传统方法是采用多相机角度的摄影测量技术。通过多个角度拍摄图像或视频也可用于提升姿态估计的准确性。融合来自多个相机的姿态估计结果相对直接24。另一种可改善结果的摄影测量技术是使用棋盘格或其他已知尺寸的物体作为各相机的共同参考点。使用多台相机的一个挑战在于实现相机之间的时间同步。可以开发定制训练的机器学习模型，用于检测头盔等面部以外的特征，或识别穿着军用特制服装和装备（如靴子、背心、防弹衣）的人员。现有的姿态估计工具可通过定制训练的机器学习模型进行增强。尽管这一过程耗时且繁琐，但可显著提升姿态估计模型的性能。
总之，本文有效地概述了增强型爆炸超压框架的各个组成部分。在此，作者也认识到，通过更无缝地整合并实现整个流程的完全自动化，有望进一步提升该框架的适用性和有效性。例如，利用AMG工具生成缩放的三维人体网格等环节正在实现自动化，以减少人工操作。目前，相关功能正在被集成到BOP工具的SCENE模块中。随着该技术的发展，其将向所有美国国防部利益相关方和实验室开放。此外，当前的持续工作还包括针对更多武器系统开展武器核函数的表征与验证。这种持续 改进和验证方法学的努力，确保了作者所开发的工具始终处于技术发展的前沿，为军事训练演习的安全性和有效性做出重要贡献。未来的出版物将详细介绍这些进展，进一步推动军事训练与安全领域的整体发展。
披露
作者无任何利益冲突需要披露。
致谢
本研究由美国国防部爆炸伤研究协调办公室资助，项目编号为MTEC-22-02-MPAI-082。作者同时感谢Hamid Gharahi在武器爆炸核函数方面的贡献，以及Zhijian J Chen在开发武器发射爆炸超压模拟建模能力方面的支持。本报告中表达的观点、意见和/或研究成果均为作者个人观点，不代表美国陆军部或美国国防部的官方政策或立场。
材料
| 姓名 | 公司 | 目录编号 | 评论 |
|---|---|---|---|
| 人体测量模型生成器（AMG） | CFD Research | N/A | 用于生成具有不同人体测量特征的三维人体模型。该工具为美国国防部开源。 |
| BOP 工具 | CFD Research | N/A | 用于设置爆炸场景和超压模拟。该工具为美国国防部开源。 |
| BOP 工具 SCENE 模块 | CFD Research | N/A | 用于设置爆炸场景和超压模拟。该工具为美国国防部开源。 |
| Mediapipe | 版本 0.9 | 开源姿态估计算法库。 | |
| MMPose | OpenMMLab | 版本 1.2 | 开源姿态估计算法库。 |
| OpenSim | 斯坦福大学 | 版本 4.4 | 开源肌肉骨骼建模与仿真平台。 |
| Python 3 | Anaconda Inc | 版本 3.8 | 包含 Python 3.8 及预安装软件包的开源个人版，用于视频处理及连接姿态估计工具。 |
参考文献
- LaValle, C. R., et al. Neurocognitive performance deficits related to immediate and acute blast overpressure exposure. Front Neurol. 10, (2019).
- Kamimori, G. H., et al. Longitudinal investigation of neurotrauma serum biomarkers, behavioral characterization, and brain imaging in soldiers following repeated low-level blast exposure (New Zealand Breacher Study). Military Med. 183 (suppl_1), 28-33 (2018).
- Wang, Z., et al. Acute and chronic molecular signatures and associated symptoms of blast exposure in military breachers. J Neurotrauma. 37 (10), 1221-1232 (2020).
- Gill, J., et al. Moderate blast exposure results in increased IL-6 and TNFα in peripheral blood. Brain Behavior Immunity. 65, 90-94 (2017).
- Carr, W., et al. Ubiquitin carboxy-terminal hydrolase-L1 as a serum neurotrauma biomarker for exposure to occupational low-Level blast. Front Neurol. 6, (2015).
- Boutté, A. M., et al. Brain-related proteins as serum biomarkers of acute, subconcussive blast overpressure exposure: A cohort study of military personnel. PLoS One. 14 (8), e0221036(2019).
- Skotak, M., et al. Occupational blast wave exposure during multiday 0.50 caliber rifle course. Front Neurol. 10, (2019).
- Kamimori, G. H., Reilly, L. A., LaValle, C. R., Silva, U. B. O. D. Occupational overpressure exposure of breachers and military personnel. Shock Waves. 27 (6), 837-847 (2017).
- Misistia, A., et al. Sensor orientation and other factors which increase the blast overpressure reporting errors. PLoS One. 15 (10), e0240262(2020).
- National Defense Authorization Act for Fiscal Year 2020. Wikipedia. , https://en.wikipedia.org/w/index.php?title=National_Defense_Authorization_Act_for_Fiscal_Year_2020&oldid=1183832580 (2023).
- Przekwas, A., et al. Fast-running tools for personalized monitoring of blast exposure in military training and operations. Military Med. 186 (Supplement_1), 529-536 (2021).
- Spencer, R. W., et al. Fiscal year 2018 National Defense Authorization Act, Section 734, Weapon systems line of inquiry: Overview and blast overpressure tool-A module for human body blast wave exposure for safer weapons training. Military Med. 188 (Supplement_6), 536-544 (2023).
- Delp, S. L., et al. OpenSim: open-source software to create and analyze dynamic simulations of movement. IEEE Trans Biomed Eng. 54 (11), 1940-1950 (2007).
- Zhou, X., Sun, K., Roos, P. E., Li, P., Corner, B. Anthropometry model generation based on ANSUR II database. Int J Digital Human. 1 (4), 321(2016).
- Zhou, X., Przekwas, A. A fast and robust whole-body control algorithm for running. Int J Human Factors Modell Simulat. 2 (1-2), 127-148 (2011).
- Zhou, X., Whitley, P., Przekwas, A. A musculoskeletal fatigue model for prediction of aviator neck manoeuvring loadings. Int J Human Factors Modell Simulat. 4 (3-4), 191-219 (2014).
- Roos, P. E., Vasavada, A., Zheng, L., Zhou, X. Neck musculoskeletal model generation through anthropometric scaling. PLoS One. 15 (1), e0219954(2020).
- Garimella, H. T., Kraft, R. H. Modeling the mechanics of axonal fiber tracts using the embedded finite element method. Int J Numer Method Biomed Eng. 33 (5), (2017).
- Garimella, H. T., Kraft, R. H., Przekwas, A. J. Do blast induced skull flexures result in axonal deformation. PLoS One. 13 (3), e0190881(2018).
- Przekwas, A., et al. Biomechanics of blast TBI with time-resolved consecutive primary, secondary, and tertiary loads. Military Med. 184 (Suppl 1), 195-205 (2019).
- Gharahi, H., Garimella, H. T., Chen, Z. J., Gupta, R. K., Przekwas, A. Mathematical model of mechanobiology of acute and repeated synaptic injury and systemic biomarker kinetics. Front Cell Neurosci. 17, 1007062(2023).
- Przekwas, A., Somayaji, M. R., Gupta, R. K. Synaptic mechanisms of blast-induced brain injury. Front Neurol. 7, 2(2016).
- Liu, Y., Wang, C., Zhou, Y. Camouflaged people detection based on a semi-supervised search identification network. Def Technol. 21, 176-183 (2023).
- Batpurev, T. Real time 3D body pose estimation using MediaPipe. , Available from: https://temugeb.github.io/python/computer_vision/2021/09/14/bodypose3d.html (2021).
重印与许可
标签
