banner
Centro de Noticias
Atención posventa superior

Medición de vibraciones en un cerebro biofidélico utilizando un nanogenerador de ferroelectret

May 17, 2023

Scientific Reports volumen 13, Número de artículo: 8975 (2023) Citar este artículo

233 Accesos

2 Altmetric

Detalles de métricas

Nuestro conocimiento de la lesión cerebral traumática ha crecido rápidamente con la aparición de nuevos marcadores que apuntan a varios cambios neurológicos que sufre el cerebro durante un impacto o cualquier otra forma de conmoción cerebral. En este trabajo, estudiamos la modalidad de las deformaciones en un sistema cerebral biofidélico cuando se somete a impactos contundentes, destacando la importancia del comportamiento dependiente del tiempo de las ondas resultantes que se propagan a través del cerebro. Este estudio se lleva a cabo utilizando dos enfoques diferentes que involucran óptico (velocímetro de imagen de partículas) y mecánico (sensores flexibles) en el cerebro biofidélico. Los resultados muestran que el sistema tiene una frecuencia mecánica natural de \(\sim \) 25 oscilaciones por segundo, lo cual fue confirmado por ambos métodos, mostrando una correlación positiva entre sí. La coherencia de estos resultados con la patología cerebral informada anteriormente valida el uso de cualquiera de las técnicas y establece un mecanismo nuevo y más simple para estudiar las vibraciones cerebrales mediante el uso de parches piezoeléctricos flexibles. La naturaleza viscoelástica del cerebro biofidélico se valida observando la relación entre ambos métodos en dos intervalos de tiempo diferentes, utilizando la información de la tensión y el estrés dentro del cerebro de la velocimetría de imagen de partículas y el sensor flexible, respectivamente. Se observó una relación tensión-deformación no lineal y se justificó para sustentar la misma.

La lesión cerebral traumática (TBI) ha sido una de las principales causas de muerte o discapacidad en todo el mundo1. La incidencia de TBI en los jugadores de fútbol americano de la escuela secundaria puede ser el doble debido a la falta de informes debido a la falta de conciencia o al deseo de seguir jugando2. Incluso una forma más leve de TBI (también conocida como conmoción cerebral) ha sido reconocida como un problema de salud grave debido a sus efectos a largo plazo3 y su relación con la encefalopatía traumática crónica (ETC), el Alzheimer y la enfermedad de Parkinson4. Esto ha creado una necesidad apremiante de comprender mejor y prevenir este tipo de lesiones. El Centro de Control y Prevención de Enfermedades (CDC, por sus siglas en inglés)5 define una conmoción cerebral como un tipo de lesión cerebral traumática (o TBI, por sus siglas en inglés) causada por un golpe, golpe o sacudida en la cabeza o por un golpe en el cuerpo que hace que la cabeza y cerebro para moverse rápidamente de un lado a otro. Incluso los impactos de baja magnitud podrían causar daño cerebral severo, si la onda que se propaga a través del cerebro tiene componentes de frecuencia dentro del rango de 20 y 40 Hz6. Por lo tanto, es importante comprender las implicaciones de la magnitud del impacto, así como su comportamiento dependiente del tiempo, es decir, los componentes de frecuencia de las ondas de presión generadas por el impacto. El cerebro puede verse como un medio viscoelástico con una geometría compleja e intrincada. Un impacto en el cráneo crea ondas viajeras que se propagan a diferentes frecuencias y velocidades ya que la composición no es homogénea. Esto puede crear concentraciones de tensión localizadas y dependientes del tiempo en ciertas regiones del cerebro. Por lo tanto, la comprensión de la dinámica temporal del cerebro en el momento del impacto es vital para determinar la gravedad de una colisión y sus consecuencias a largo plazo. Con este fin, se ha investigado el modelado del cerebro desde la década de 1940, cuando Holbourn propuso que el cerebro se puede modelar como un sistema mecánico con entrada en forma de movimiento de la cabeza y desplazamiento del cerebro como salida7. También afirma que al conocer las propiedades físicas del cerebro se puede estudiar el comportamiento después de un golpe usando las leyes del movimiento de Newton. Desde entonces, las lesiones cerebrales se han caracterizado por las firmas cinemáticas de la cabeza, como el trabajo realizado por Ommaya y Gennarelli que indica que la lesión cerebral es proporcional a la aceleración máxima y la duración del pico8. Esto condujo al desarrollo de métricas como la curva de tolerancia del estado de Wayne (WSTC)9, el índice de gravedad de Gadd (GSI)10 y los criterios de lesiones en la cabeza (HIC)11. Avances recientes en las técnicas de imagen, como la imagen con tensor de difusión (DTI), han demostrado que hay cambios en la sustancia blanca del cerebro, incluso en el caso de impactos repetitivos más pequeños (es decir, sin conmoción cerebral)12. Se muestra que estos cambios son el resultado de un estiramiento excesivo de los axones que, a su vez, los daña13. También hay evidencia que sugiere que la tensión en las regiones profundas del cerebro con una alta densidad de fibras axónicas se correlaciona fuertemente con el deterioro cognitivo o la conmoción cerebral14. Los estudios han demostrado que las deformaciones cerebrales (tensión) tienen una fuerte dependencia de la frecuencia de la carga de entrada15, con ondas transversales que penetran más profundamente en el cerebro a frecuencias más bajas. Recientemente, Laksari et al. publicó un experimento de impacto basado en cadáveres que identifica el movimiento cerebral relativo máximo a alrededor de 20 Hz6 y también derivó las características espaciotemporales del cerebro durante los impactos en la cabeza utilizando técnicas de descomposición de modo16. Esto implicó el uso de descomposición de modo dinámico en los desplazamientos nodales del cerebro, donde se encontró que las amplitudes de desplazamiento modal y las tensiones máximas en el cerebro tienen frecuencias en el rango de 20 a 40 Hz. Este rango relativamente amplio se debe a la falta de homogeneidad del cerebro, ya que diferentes partes del cerebro tienen diferentes propiedades físicas. Este trabajo también utiliza el análisis modal para comprender la principal diferencia entre los casos de impacto en la cabeza que conducen a la pérdida del conocimiento y los que no. El principal interés de este trabajo es comprender la frecuencia de las vibraciones establecidas en el cerebro humano ante un impacto contundente. Para estudiar la frecuencia de las vibraciones que se desencadenan en el cerebro ante un impacto contundente, utilizamos un sustituto del cerebro desarrollado por un equipo de investigadores de la Universidad Estatal de Michigan17. Este modelo de sistema cerebral biofidélico, también llamado fantasma, se ha utilizado en múltiples experimentos para estudiar los posibles mecanismos de lesión de una lesión cerebral traumática. El fantasma fue conceptualizado por primera vez por Miller et al. donde realizaron simulaciones computacionales en el modelo para estudiar las correlaciones de sobrepresión de explosión con TBI. Su representación tridimensional consiste en un modelo simplista e idealizado de un cerebro humano como se muestra en las Fig. 1b y c. Este modelo demuestra las características de tamaño general del cerebro humano con las interacciones de los surcos y circunvoluciones (pliegues y surcos). Este fantasma fue revisado y verificado por un neurólogo certificado por la junta que confirmó la similitud fenomenológica con un cerebro real18. El modelo computacional pudo mostrar tensiones más altas dentro de las interfaces y los pliegues del cerebro, lo que respalda la hipótesis de que la explosión TBI causa más daño en los surcos y las circunvoluciones18. Para construir un cerebro fantasma adecuado para experimentos, Wermer et al. estudió diferentes materiales para determinar el mejor representante biofidélico de la materia cerebral. Su estudio incluyó poliacrilamida (PAA), piel/hueso bovino y gelatina balística sobre la que realizaron pruebas mecánicas de tensión, compresión y cizallamiento. Estas propiedades mecánicas se compararon con los valores de la literatura para tejido cerebral humano y porcino. Se encontró que el PAA era preferible para simular el tejido cerebral debido a sus múltiples propiedades materiales y su fácil fabricación19. Utilizando esta gelatina y la geometría antes mencionada, Kerwin et al. realizó un estudio experimental en el que el sustituto de la cabeza se colocó en una placa flexible y se sometió a un impacto contundente y se observó una supuesta cavitación (creación y colapso de burbujas de vapor en el líquido) entre los surcos del cerebro. Esta fue la primera vista de cavitación en un experimento fuera de los modelos computacionales debido a un traumatismo craneal. Esta observación fue posible gracias a la geometría giratoria de este fantasma, algo que otros modelos experimentales no han podido replicar17. Aunque el cerebro fantasma utilizado en este trabajo no simula completamente un cerebro real con cavidades ventriculares, diferencias entre lóbulos y otros factores anatómicos, su geometría actual ha hecho posibles experimentos con visualización de la mecánica cerebral que contribuyen al conocimiento de los mecanismos de TBI.

(a) Torre de caída junto con la colocación del arreglo fantasma y del cuello. (b) resonancia magnética de un hombre sano de 35 años y (c) sección extruida para diseño por computadora. Adaptado de 18. (d) Molde utilizado para crear el cerebro fantasma. (e) Fantasma cerebral con partículas finitas de arena incrustadas.

El objetivo de este trabajo es estudiar dos métodos diferentes para obtener la frecuencia de vibración al impactar en el cerebro. Uno de ellos utiliza un nanogenerador de ferroelectret flexible (FENG) como sensor invasivo, que proporciona una señal eléctrica en respuesta a la presión (o tensión) aplicada, y el otro utiliza el seguimiento de imágenes de partículas para obtener tensión. El FENG ha sido validado en el pasado como micrófono por Li et al.20 y Dsouza et al.21 y en aplicaciones de detección de presión por Cao et al.22, estos casos de uso son similares al aplicado en este trabajo. Para validar tanto el PIV como el FENG, el sensor flexible se coloca en una región del cerebro similar a aquella en la que se rastrean las imágenes de partículas. Los resultados de ambos enfoques se normalizan y comparan en el dominio de la frecuencia utilizando una transformada rápida de Fourier (FFT) para resaltar las frecuencias de vibración. Esta información proporcionará información dependiente del tiempo de una onda que viaja a través del cerebro y desempeñará un papel clave en la identificación de la gravedad de un impacto determinado, lo que ayudará en la evaluación y el diagnóstico.

La configuración consta de tres componentes principales: (1) un objeto de prueba biofidélico (en lo sucesivo, el "fantasma"), que representa el cerebro humano; (2) un dispositivo FENG, que sirve como sensor de vibración invasivo; y (3) una configuración de adquisición de datos utilizada para monitorear la salida de la señal eléctrica del dispositivo FENG en el momento del impacto, así como para capturar imágenes de partículas incrustadas en el fantasma. Los experimentos se realizaron en una torre de caída hecha a la medida como se muestra en la Fig. 1a. El sistema está diseñado para impactar al fantasma con una carga en caída libre (2,5 kg liberados a 0,5 m del sujeto), produciendo un impacto de aceleración lineal que permite un mayor control sobre la cinemática deseada. Una carga en caída libre da como resultado un impacto significativo que aún permite múltiples pruebas sin dañar la integridad estructural del fantasma. Dado que la posición inicial de la masa estaba en reposo, se realizaron cálculos de conservación de energía para convertir esa energía potencial en energía cinética en el momento del impacto. Los valores teóricos se muestran en la Tabla 1, donde se desprecian las pérdidas por fricción y arrastre.

El tema utilizado en este estudio consiste en el modelo de un cerebro humano que se muestra en la Fig. 1b y c como se presentó en la sección anterior. La vista transversal en el plano axial del cerebro se extruye para simular el volumen total del cerebro, creando un diseño asistido por computadora que se utilizó para crear un molde como se muestra en la Fig. 1d. Para simular el tejido cerebral, se utilizó el hidrogel PAA a una concentración ponderal del 10 %, que representa la sustancia blanca del cerebro. El sujeto se creó a partir de 60 g de Acrilamida (pureza \(\ge \) 98%, cromatografía de gases, Sigma-Aldrich, EE. UU.) disueltos en 600 ml de agua desionizada (DI). Luego se agregaron 2 g de N,N'-metilenbis (MBA, pureza 99%, Sigma-Aldrich, EE. UU.) y se dejó homogeneizar mientras se agitaba ocasionalmente. Una vez disuelto, se mezcló con 0,52 g de Persulfato de Amonio (APS, pureza \(\ge \) 98%, Sigma-Aldrich, EE. UU.). El tiempo de polimerización se aceleró agregando 0,6 ml de N,N,N',N' -tetrametiletilendiamina (TEMED, ReagentPlus, 99%, Sigma-Aldrich, EE. UU.). A continuación, esta solución se vertió en el molde llenando aproximadamente la mitad del ancho de extrusión y se dejó solidificar. Una vez curado, una capa de partículas de arena del tamaño de una micra se dispersa aleatoriamente para fines de visualización. Finalmente, se preparó otra solución de 600 ml y se agregó encima para obtener el modelo de tejido cerebral que se muestra en la Fig. 1e.

Finalmente, el modelo de cerebro PAA se coloca dentro de un cráneo de poli(ácido láctico) (PLA) impreso en 3D con un 50 % de relleno rectilíneo que representa la composición ósea del cráneo de un hueso esponjoso (diploë) entre dos capas de hueso compacto. Los lados de este cráneo PLA están sellados con ventanas acrílicas para permitir la obtención de imágenes, y el modelo PAA puede moverse libremente dentro del cráneo lleno de agua DI para simular el líquido cefalorraquídeo (LCR)23. El modelo de la cabeza se finalizó uniendo el cráneo PLA a un cuello Hybrid-III con una esquina hecha a la medida, como se muestra en la Fig. 1a. Debido al proceso de fabricación, este fantasma no tiene en cuenta los lóbulos individuales ni las tensiones que pueden producirse entre ellos. Además, no se tiene en cuenta la fisiología ventricular, un concepto que se está considerando para futuros diseños de fantasmas. El cráneo impreso en 3D con un relleno del 50 % tiene características fisiológicas similares a las de un cráneo humano al tener un centro poroso rodeado por capas exteriores sólidas. Sin embargo, se utilizó una geometría de tamaño y volumen único, que representa el percentil 50 para un humano biológico masculino.

El dispositivo consta de FENG, que se forma a partir de una película piezoelectreteta de polipropileno (PP) delgada y flexible con "cuasi-dipolos" de escala micrométrica en todo su espesor y electrodos en ambas superficies, como se muestra en la Fig. 2a. Los detalles sobre la fabricación y el funcionamiento de estos dispositivos FENG se pueden encontrar en otros lugares24. Explicado brevemente, la aplicación de una tensión mecánica remodela los dipolos internos de tamaño macro, lo que genera una acumulación de carga en los electrodos, lo que da como resultado una salida eléctrica en forma de diferencia de potencial eléctrico entre los electrodos, o el flujo de carga a través de una carga conectada entre ellos. electrodos (es decir, voltaje o corriente)25. Este fenómeno se conoce comúnmente como "cuasi-piezoelectricidad", y se ha demostrado que estos dispositivos son útiles en una amplia variedad de aplicaciones, como altavoces, micrófonos20,26, monitoreo de salud estructural27 y recolección de energía28. El FENG también se utilizó en el desarrollo de un parche autoalimentado flexible para estimar la cinemática de rotación de la cabeza y, por lo tanto, asistir en la predicción de conmociones cerebrales29. El cumplimiento mecánico, el tamaño total y la mayor sensibilidad en comparación con otros sensores flexibles hacen que los dispositivos FENG sean candidatos adecuados para medir vibraciones dentro del fantasma.

La superficie del FENG utilizada en este trabajo es de 2 cm x 2 cm, con un espesor de \(\sim\) 100 μm. El FENG y las conexiones eléctricas deben aislarse para protegerlo del líquido cefalorraquídeo, que en estos experimentos está representado por el agua. Esto se logra recubriendo el FENG con cinta aislante líquida disponible en el mercado y usando alambre de cobre esmaltado para garantizar terminales de perfil muy bajo, como se muestra en la Fig. 2b. Luego, el FENG aislado se incrusta cuidadosamente en la gelatina PAA como se muestra en la Fig. 2b, creada con el procedimiento explicado en la sección anterior. Esta ubicación fue elegida con base en la investigación realizada por Okamoto et al.15. Este estudio muestra que el desplazamiento de la onda AP (Anterior-Posterior) fue el más alto en esta región como se muestra en 2b. Los terminales se extraen del fantasma mientras se asegura que el fantasma permanezca sellado durante el impacto.

(a) FENG después de la deposición de electrodos metálicos y la sección transversal que muestra los vacíos y el electrodo de plata, y (b) después de recubrirlos con cinta aislante líquida y colocarlos dentro del cerebro fantasma. (c) Circuito amplificador de modo de carga al que se alimenta la salida FENG.

En este experimento se utilizaron dos conjuntos de hardware de adquisición de datos. Las señales eléctricas del FENG se registraron utilizando un sistema de adquisición de datos de National Instruments (NI-DAQ 6003) junto con LabVIEW a 50000 SPS (muestras por segundo). La respuesta de voltaje del FENG se alimenta primero al amplificador de modo de carga como se muestra en la Fig. 2c y la salida de este amplificador de modo de carga se envía al NI-DAQ para la grabación de datos. Este proceso aísla la respuesta de voltaje del sistema (ganancia) de las capacitancias parásitas, como las creadas por las conexiones y los cables de los instrumentos. Todos los datos medidos están en el dominio del tiempo, pero se usa una transformada rápida de Fourier para el análisis de frecuencia.

Las imágenes del fantasma biofidélico se capturan con una cámara de ultra alta velocidad (Serie Phantom V2512) a 25000 cuadros por segundo (fps) con configuraciones de resolución completa (1280 \(\times \) 800 píxeles). Se utilizó una matriz compuesta por un LED de alta intensidad (LaVision VI-Strobe LED 120W v2, Göttingen, Alemania), una lente cóncava y una hoja de difusión para proporcionar retroiluminación y capturar las imágenes durante la duración del impacto (Fig. 3a ). El marco de la cámara cubre un área de aproximadamente 100 mm de ancho por 60 mm de alto, que abarca la mayor parte del fantasma como se ve en la Fig. 3b. La resolución de la imagen de la cámara fue de 0,08 mm/píxel en unidades reales a máquina. El procesamiento de las imágenes utilizando Velocimetría de imagen de partículas (PIV) se describe en la siguiente sección "Implementación de velocimetría de imagen de partículas".

(a) Vista lateral de la configuración que enfatiza la matriz de LED y la cámara. (b) Imagen de muestra que captura la cámara. Las partículas finas son claramente visibles en esta imagen.

PIV se usa típicamente para calcular el campo de velocidad en flujos de fluidos. Con este fin, PIV utiliza un algoritmo basado en FFT para calcular la correlación cruzada entre regiones correspondientes de imágenes consecutivas30,31. Este algoritmo se aplica aquí a imágenes de partículas trazadoras incrustadas en un material viscoelástico32. Después de normalizar por el tamaño de la cuadrícula, este campo de velocidad es una medida directa del campo de tasa de deformación instantánea. La velocidad de fotogramas utilizada para esta medición del campo de velocidad de deformación fue de 2500 fotogramas por segundo. Esta velocidad de fotogramas se eligió para resolver fielmente los parámetros de interés para una ventana de interrogación dada. El análisis PIV se realizó en la misma región de interés general (ROI) en la que se incrustó el FENG. Este ROI está delimitado por la región cuadrada azul en la Fig. 4; y el tiempo dentro de la caja representa el tiempo transcurrido desde que se dejó caer el cerebro fantasma. Todo lo que estaba fuera del ROI se eliminó de la figura con una máscara binaria.

( a ) Marco del fantasma después del impacto con el campo del vector de desplazamiento superpuesto representado por flechas verdes. (b) Velocidad global promedio instantánea del fantasma descompuesta en componentes u y v. (c) La región de interés (sombreada en azul) rastrea el movimiento masivo.

La herramienta se aplicó a una ventana de interrogación inicial de 256 \(\times \) 256 píxeles, luego se redujo en un 50% hasta llegar a una ventana de 16 píxeles \(\times \) 16 píxeles. Aunque una ventana de interrogación inicial suele ser más pequeña, el tamaño elegido permitió el seguimiento de partículas incluso cuando la cabeza sustituta se desplazó significativamente. Los vectores espurios dentro de la región de interés se filtraron mediante una validación basada en imágenes que considera características como el contraste dentro de una región determinada y una validación basada en la velocidad en la que se pueden ignorar los vectores de velocidad erróneos sobresalientes. La tasa de deformación entre cuadros consecutivos se extrajo de la aplicación PIVLab y se importó a una base de datos para el análisis computacional (consulte el método 1 en el material complementario).

Dado que el sustituto de la cabeza está fijado a un cuello mecánico flexible, es libre de moverse fuera de su posición inicial en el campo de visión de la cámara. Para abordar esto, se utilizó un código interno para rastrear las deformaciones locales de una región específica del cerebro. La región de interés elegida mueve cada cuadro de acuerdo con la media de los componentes de velocidad u y v, y se explica con más detalle en la sección "Resultados". Esta información se usó para calcular la velocidad de deformación promedio dentro de esta región de interés.

Para obtener la deformación mediante el análisis PIV, es vital realizar un seguimiento del movimiento a granel del fantasma para obtener la deformación de una región de interés constante.

Esto se realiza con la ayuda de la "velocidad v" y la "velocidad u" promedio obtenidas en toda el área computacional, como se muestra en la región negra de la Fig. 4a (la región sombreada en rojo se ignora). Estas velocidades se muestran en la Fig. 4b. La figura 4c muestra los fotogramas capturados de diferentes instancias en el tiempo con una región azul superpuesta que resalta el seguimiento del movimiento masivo utilizando velocidades promedio. La tasa de deformación de esta región de interés se obtiene en cada cuadro y se muestra en la Fig. 5a, junto con la deformación, que se calcula a partir de la tasa de deformación. Esta deformación se utiliza posteriormente para analizar la modalidad de las deformaciones. Los intervalos de tiempo de baja y alta frecuencia se destacan en el mismo gráfico.

( a ) Deformación y velocidad de deformación derivadas del análisis PIV. (b) (arriba) Deformación obtenida de PIV y la integral de voltaje de FENG. (0–6 ms) abajo) FFT de tensión obtenida de PIV y la integral de voltaje de FENG. ( c ) (arriba) Respuesta normalizada de tensión y tensión del FENG entre 160 y 260 ms después del impacto. bot) FFT de tensión y tensión normalizados.

Para validar los resultados del PIV, observamos las deformaciones generadas por la onda de choque que se propaga al impactar. Esto se muestra en la Fig. 6. La progresión de la tensión en el tejido cerebral se puede encontrar en los videos complementarios 2 y 3.

Cuatro fotogramas y su correspondiente gráfico de superficie para interpretar la progresión de la onda de choque. t = 0 representa el momento del impacto y avanza en el sentido de las agujas del reloj.

La naturaleza viscoelástica del cerebro genera una relación no lineal, dependiente de la frecuencia, entre el estrés y la tensión33. El dispositivo FENG proporciona señales de voltaje en respuesta al estrés, mientras que el análisis PIV captura la tensión. Por lo tanto, el estudio de los resultados de estos dos enfoques proporcionará información útil sobre la relación tensión-deformación no lineal del cerebro. Un material viscoelástico de Kelvin-Voigt se puede modelar eléctricamente como una fuente de corriente constante en serie con un circuito de resistencia-capacitor (RC) en paralelo34. En esta analogía, la fuente de corriente representa la tensión aplicada y el voltaje a través del capacitor representa la tensión.

Cuando la tensión cambia lentamente, es decir, entrada de una frecuencia relativamente baja, la deformación sigue a la tensión. Esto es similar a cómo el voltaje a través de un capacitor en un circuito RC está en fase con la entrada. Sin embargo, cuando la tensión cambia a un ritmo mayor, la deformación se retrasa, lo que de nuevo sigue el comportamiento de un circuito RC. Esto también se puede aproximar como un circuito integrador, donde una entrada de onda cuadrada al circuito RC produce una salida de onda triangular. Los componentes de alta frecuencia de la onda viajera ocurren durante la fase inicial del impacto, cuando el cerebro se comporta predominantemente como un medio viscoso. Esto está respaldado por la correlación positiva del dominio del tiempo y la FFT de la tensión obtenida de PIV y la integración numérica de la respuesta de FENG como se muestra en la figura 5b. La FFT tiene una correlación de 0,795 (R de Pearson). De manera similar, el dominio de baja frecuencia se puede observar después de \(\sim 160ms\) del impacto cuando el cerebro comienza a oscilar alrededor de su frecuencia natural. El voltaje y la tensión normalizados después de este marco de tiempo, y las FFT correspondientes se muestran en la Fig. 5c. En ambos espectros de frecuencia, podemos ver que las frecuencias dominantes están entre 15 Hz y 60 Hz, con un pico alrededor de los 25 Hz. Hay otras frecuencias más altas presentes en la respuesta de voltaje del FENG que podrían generarse a partir de las oscilaciones locales de las circunvoluciones. Sin embargo, los espectros tienen una correlación de 0,82 (R de Pearson). Esto respalda que el cerebro está exhibiendo un comportamiento más elástico.

Esta alta correlación positiva respalda que el FENG, aunque invasivo, puede usarse para estudiar frecuencias de vibraciones cerebrales bajo cualquier forma de impacto contundente. El FENG involucra circuitos de acondicionamiento de señales menores y hardware de adquisición de datos para capturar las diversas métricas en torno a los estudios de impacto. El PIV no es invasivo, pero la configuración es más compleja, involucra más equipo (por ejemplo, una cámara de alta velocidad) y es más susceptible a los parámetros de prueba (por ejemplo, la iluminación). Además, se basa en que el sujeto tenga un desplazamiento mínimo para que no se salga de los límites del encuadre; situación que se presenta principalmente con mayores magnitudes de impacto.

El área de comprensión de las lesiones cerebrales traumáticas ha evolucionado constantemente. Hasta ahora se han propuesto varias hipótesis con la ayuda de estudios basados ​​en cadáveres, simulaciones de elementos finitos y sustitutos cerebrales biofidélicos, y cada experimento conduce a una mejora en la definición de marcadores para identificar de manera confiable el tipo y la extensión de la lesión cerebral. En la misma línea, este trabajo presenta dos métodos para comprender la modalidad de las vibraciones cerebrales que se establecen en un cerebro fantasma cuando se somete a un impacto contundente. PIV, que es una configuración no invasiva pero más voluminosa, y FENG, una configuración invasiva pero simple, muestra un gran potencial para estudios de esta naturaleza. Estos métodos propuestos se pueden emplear para caracterizar una variedad de impactos contundentes en diferentes intensidades, ubicaciones y ángulos de impacto con respecto a la modalidad de deformaciones que se excitan en el fantasma. Aunque el fantasma actual no tiene en cuenta la diversa fisiología del cerebro, las versiones futuras se adaptarán a las propiedades específicas de cada lóbulo. Estos resultados, junto con las teorías existentes, mejorarán la comprensión de las lesiones cerebrales traumáticas.

Los conjuntos de datos utilizados y/o analizados durante el estudio actual están disponibles en el archivo de Excel incluido en la sección de material complementario.

Faul, M., Xu, L., Wald, M. y Coronado, V. Lesión cerebral traumática en los Estados Unidos. Atlanta, GA: Centros para el control y la prevención de enfermedades. nacional Lesión central anterior. Control 16(1), 268 (2010).

Google Académico

McCrea, M., Hammeke, T., Olsen, G., Leo, P. y Guskiewicz, K. Conmoción cerebral no informada en jugadores de fútbol americano de secundaria: implicaciones para la prevención. clin. J. Deporte Med. 14(1), 13–17 (2004).

Artículo PubMed Google Académico

Lehman, EJ, Hein, MJ, Baron, SL & Gersic, CM Causas neurodegenerativas de muerte entre jugadores retirados de la liga nacional de fútbol. Neurología 79(19), 1970–1974. https://doi.org/10.1212/WNL.0b013e31826daf50 (2012).

Artículo PubMed PubMed Central Google Académico

Sundman, MH, Hall, EE y Chen, N.-K. Examen de la relación entre el traumatismo craneoencefálico y la enfermedad neurodegenerativa: una revisión de la epidemiología, la patología y las técnicas de neuroimagen. J. Enfermedad de Alzheimer. Parkinsonismo 4(1), 1–21. https://doi.org/10.4172/2161-0460.1000137 (2014).

Artículo Google Académico

¿Qué es una conmoción cerebral? Centros para el Control y la Prevención de Enfermedades (2019)

Laksari, K., Wu, LC, Kurt, M., Kuo, C. y Camarillo, DC Resonancia del cerebro humano bajo la aceleración de la cabeza. JR Soc. Interfaz 12(108), 20150331 (2015).

Artículo PubMed PubMed Central Google Académico

Holbourn, A. Mecánica de lesiones en la cabeza. Lancet 242 (6267), 438–441 (1943).

Artículo Google Académico

Ommaya, AK & Gennarelli, T. Conmoción cerebral e inconsciencia traumática: correlación de observaciones experimentales y clínicas sobre lesiones contusas en la cabeza. Cerebro 97 (4), 633–654 (1974).

Artículo CAS PubMed Google Académico

Gurdjian, ES, Lange, WA, Patrick, LM y Thomas, ME: Lesión por impacto y protección contra accidentes. LWW (1970)

Gadd, CW Uso de un criterio de impulso ponderado para estimar el riesgo de lesiones (Informe técnico, Documento técnico SAE, 1966).

Eppinger, R., Kuppa, S., Saul, R. y Sun, E. Suplemento: Desarrollo de criterios de lesiones mejorados para la evaluación de sistemas de sujeción automotrices avanzados: Ii. NHTSA (2000)

Narayana, PA Cambios en la materia blanca en pacientes con lesión cerebral traumática leve: perspectiva de resonancia magnética. Concusión 2(2), 35 (2017).

Artículo Google Académico

Bazarian, JJ et al. Cambios persistentes a largo plazo en la sustancia blanca cerebral después de impactos repetitivos en la cabeza relacionados con deportes. PLoS ONE 9(4), 94734 (2014).

Artículo ANUNCIOS Google Académico

Kleiven, S. Predictores de lesiones cerebrales traumáticas evaluadas a través de reconstrucciones de accidentes. Stapp Car Crash J. 51(1), 81–114 (2007).

Académico de Google de PubMed

Okamoto, RJ, Romano, AJ, Johnson, CL & Bayly, PV Perspectivas sobre la lesión cerebral traumática de la resonancia magnética del movimiento cerebral armónico. Exp. J. Neurosci. 13, 1179069519840444 (2019).

Artículo PubMed PubMed Central Google Académico

Laksari, K., Kurt, M., Babaee, H., Kleiven, S. y Camarillo, D. Perspectivas mecanicistas sobre la dinámica del impacto del cerebro humano a través del análisis modal. física Rev. Lett. 120(13), 138101 (2018).

Artículo ADS CAS PubMed Google Scholar

Kerwin, J. et al. Cavitación sulcal en la aceleración lineal de la cabeza: posible correlación con la encefalopatía traumática crónica. Frente. Neurol. 13, 56 (2022).

Artículo Google Académico

Miller, ST y col. Localización de patrones clínicos de lesiones cerebrales traumáticas por explosión a través de modelos y simulaciones computacionales. Frente. Neurol.https://doi.org/10.3389/fneur.2021.547655 (2021).

Artículo PubMed PubMed Central Google Académico

Wermer, A. et al. Caracterización de materiales de simuladores craneales para lesión cerebral traumática inducida por explosión. Mil. Medicina. 185 (Suplemento 1), 205–213 (2020).

Artículo PubMed Google Académico

Li, W. et al. Altavoz o micrófono de parche delgado de doble función y autoamplificado basado en nanogenerador para electrónica flexible. Nat. común 8, 15310 (2017).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Dsouza, H., Wheeler, J. & Sepulveda, N.: Nanogeneradores de ferroelectret como micrófonos flexibles. En 2019 SENSORES IEEE 1–4 (IEEE, 2019).

Cao, Y., Shi, H., Tan, X. & Sepúlveda, N. Habilitación de la detección de presión negativa a través de un dispositivo ferroelectret. IEEE Sens. Lett. 6(8), 1–4 (2022).

Artículo CAS Google Académico

Kenner, VH & Goldsmith, W. Impacto en un modelo físico simple de la cabeza. J. Biomech. 6(1), 1–11. https://doi.org/10.1016/0021-9290(73)90032-8 (1973).

Artículo CAS PubMed Google Académico

Li, W., Torres, D., Wang, T., Wang, C. & Sepúlveda, N. Nanogenerador de ferroelectrettos (FENG) de polipropileno flexible y biocompatible: en el camino hacia dispositivos portátiles impulsados ​​por el movimiento humano. Nano Energía 30, 649–657 (2016).

Artículo CAS Google Académico

Pastrana, J. et al. Efectos de electrodos en dispositivos de ferroelectrettos de polipropileno flexibles y robustos para recolectores de energía totalmente integrados. Aplicación ACS. Mate. Interfaces 12(20), 22815–22824 (2020).

Artículo CAS PubMed Google Académico

Dsouza, H. et al. Nanogeneradores de ferroelectret para aplicaciones de altavoces: un estudio exhaustivo. J. Sonido Vibración. 468, 115091 (2020).

Artículo Google Académico

Cao, Y. & Sepúlveda, N. Diseño de giroscopio piezoeléctrico flexible para monitoreo de salud estructural. aplicación física Letón. 115(24), 241901 (2019).

Artículo ANUNCIOS Google Académico

Cao, Y. et al. Polímero ferroelectret flexible para dispositivos autoalimentados y sistemas de almacenamiento de energía. Aplicación ACS. Mate. Interfaces 11(19), 17400–17409 (2019).

Artículo CAS PubMed Google Académico

Dsouza, H. et al. Sensores autoalimentados flexibles para estimar la cinemática de la cabeza humana relevante para las conmociones cerebrales. ciencia Rep. 12(1), 1–8 (2022).

Artículo Google Académico

Grant, I. Velocimetría de imágenes de partículas: una revisión. proc. Inst. mecánico Ing. C J. Mech. Ing. ciencia 211(1), 55–76. https://doi.org/10.1243/0954406971521665 (1997).

Artículo Google Académico

Willert, G. Velocimetría de imágenes de partículas digitales. Exp. Fluidos 10(4), 181–193. https://doi.org/10.1007/BF00190388 (1991).

Artículo Google Académico

Budday, S., Sommer, G., Holzapfel, GA, Steinmann, P. & Kuhl, E. Identificación de parámetros viscoelásticos del tejido cerebral humano. J. Mec. Comportamiento biomedicina Mate. 74, 463–476. https://doi.org/10.1016/j.jmbbm.2017.07.014 (2017).

Artículo CAS PubMed Google Académico

Budday, S., Sommer, G., Holzapfel, G., Steinmann, P. & Kuhl, E. Identificación de parámetros viscoelásticos del tejido cerebral humano. J. Mec. Comportamiento biomedicina Mate. 74, 463–476 (2017).

Artículo CAS PubMed Google Académico

Greene, PR y Medved, V. Análogos eléctricos para materiales viscoelásticos de Kelvin y Maxwell: aplicaciones a la córnea y la esclerótica

Descargar referencias

Ingeniería eléctrica e informática, Universidad Estatal de Michigan, 428 S Shaw Lane, East Lansing, MI, 48824, EE. UU.

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

Ingeniería Mecánica, Universidad Estatal de Michigan, East Lansing, MI, 48824, Estados Unidos

Bianca M. Dávila-Montero & Ricardo Mejía-Álvarez

Laboratorio estatal clave de tecnología de control industrial, Facultad de ciencia e ingeniería de control, Universidad de Zhejiang, Hangzhou, 310027, Zhejiang, China

yunqi cao

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

HD diseñó experimentos y analizó los resultados, BD ayudó con el diseño de experimentos y la recopilación de datos, IG ayudó con el análisis de datos, GM ayudó con la instrumentación para la recopilación de datos, YC ayudó con la interpretación de datos y el análisis de los resultados, RM y NS proporcionaron una descripción general, ideas, y ayudó con el análisis de datos. Cada autor contribuyó a la preparación del manuscrito (incluida la evaluación de datos) y revisó la versión final del manuscrito.

Correspondencia a Nelson Sepúlveda.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a los reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Información complementaria 1.

Información complementaria 2.

Información complementaria 3.

Acceso abierto Este artículo tiene una licencia internacional Creative Commons Attribution 4.0, que permite el uso, el intercambio, la adaptación, la distribución y la reproducción en cualquier medio o formato, siempre que se otorgue el crédito correspondiente al autor o autores originales y a la fuente. proporcionar un enlace a la licencia Creative Commons e indicar si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la regulación legal o excede el uso permitido, deberá obtener el permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Dsouza, H., Dávila-Montero, BM, Afanador, IG et al. Medición de vibraciones en un cerebro biofidélico utilizando un nanogenerador de ferroelectret. Informe científico 13, 8975 (2023). https://doi.org/10.1038/s41598-023-35782-5

Descargar cita

Recibido: 02 Diciembre 2022

Aceptado: 23 de mayo de 2023

Publicado: 02 junio 2023

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

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, un enlace para compartir no está disponible actualmente para este artículo.

Proporcionado por la iniciativa de intercambio de contenido Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y Pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.