Traumatic brain injury (TBI) remains a significant concern in automotive safety, necessitating accurate injury metrics for predicting brain tissue deformation under impact conditions. Traditional kinematics-based injury criteria provide measurable indicators of head motion but do not directly quantify internal brain strain. In contrast, strain-based metrics derived from finite element (FE) simulations offer a more detailed assessment of brain tissue responses. However, the extent to which kinematics-based metrics accurately predict strain-based injury risk remains unclear. 

This study evaluates the correlation between kinematics-based and strain-based injury metrics using a dataset of 498 head impact cases from the National Highway Traffic Safety Administration (NHTSA) and previous research. Finite element simulations were conducted using the KTH head model to estimate brain strain. Statistical analyses, including linear regression, were applied to assess the predictive capabilities of various kinematics-based metrics. 

The results indicate that certain kinematics-based metrics, particularly DAMAGE and UBrIC, exhibit the strongest correlations with strain-based metrics, suggesting their potential suitability for estimating brain tissue deformation in automotive impacts. In contrast, traditional regulatory metrics such as HIC, HIP, and GAMBIT showed weaker correlations, highlighting their limitations in predicting diffuse brain injuries. The findings underscore the need to refine injury prediction models by incorporating rotational kinematics and strain-based assessments. 

This study contributes to the ongoing development of more accurate head injury criteria and highlights the potential for integrating strain-based modeling into regulatory crash testing frameworks. Future research should explore nonlinear predictive models, machine learning-based injury risk assessment, and expanded datasets covering a broader range of impact conditions. By improving the understanding of brain injury mechanisms, this research supports the development of safer vehicles and enhances injury prevention strategies in automotive safety.

 Traumatiska hjärnskador är en betydande utmaning inom trafiksäkerhet och kräver tillförlitliga skadekriterier för att förutsäga hjärnvävnadens deformation vid kollisioner. Traditionella kinematikbaserade skadeindikatorer ger mätbara parametrar för huvudets rörelse men kvantifierar inte direkt den interna belastningen på hjärnvävnaden. I kontrast till detta ger de belastningsbaserade metoderna, härledda från finita element-simuleringar en mer detaljerad analys av hjärnans respons vid yttre krafter. Hur väl kinematikbaserade skadekriterier kan förutsäga belastningsbaserade skador är dock fortfarande oklart.

Denna studie undersöker korrelationen mellan sex kinematikbaserade och två belastningsbaserade skadekriterier genom analys av 498 huvudkollisioner hämtade från National Highway Traffic Safety Administration (NHTSA) och tidigare forskning. Finita element-simuleringar genomfördes med KTHs huvudmodell för att beräkna hjärnans belastning, medan statistiska analyser, inklusive linjär regression, användes för att utvärdera de kinematikbaserade kriteriernas förmåga att förutsäga belastningsbaserade skador.

Resultaten visar att vissa kinematikbaserade skadekriterier, särskilt DAMAGE och UBrIC, uppvisar starkast korrelation med belastningsbaserade mått, vilket tyder på att dessa kan vara bättre lämpade för att förutsäga hjärnvävnadsdeformation vid bilolyckor. Däremot visade traditionella regleringskriterier, såsom HIC, HIP, och GAMBITsvagare korrelationer, vilket belyser deras begränsningar i att förutsäga diffusa hjärnskador. Dessa resultat understryker behovet av att förbättra skademodeller genom att inkludera rotationskinematik och belastningsbaserade analyser.

Denna studie bidrar till den pågående utvecklingen av mer exakta skadekriterier för huvudtrauma och betonar vikten av att integrera belastningsbaserade metoder i regulatoriska krocktester. Framtida forskning bör undersöka icke-linjära prediktionsmodeller, maskininlärningsbaserade skadebedömningar samt utökade dataset som täcker en bredare variation av kollisionstyper. Genom att förbättra förståelsen av hjärnskademekanismer stöder denna forskning utvecklingen av säkrare fordon och effektivare skadeförebyggande åtgärder inom trafiksäkerhet.