《Forensic Science International》：Analysis of Passive Bloodstain Morphology Across Surface Textures and Drop Heights Using Deep Learning
编辑推荐：
血迹形态学受基底类型和落高影响，冲击角度仍可准确测定，MobileNet模型有效区分不同高度血迹。
Sneha Jomon | Blossom Treesa Bastian | Manu M. Joseph
生命科学系，CHRIST大学，班加罗尔，560029，卡纳塔克邦，印度
摘要
血迹图案分析（BPA）是重建犯罪现场事件的关键法医科学工具。在这项研究中，我们在受控实验室条件下考察了基底类型和滴落高度对被动血迹形态的影响。血液样本从三个不同的高度以90°角垂直滴落，并允许血液滴落在五种不同的表面上，包括弯曲的杯子、压碎的图表纸、黄麻布、软糖石和混凝土。选择这些基底是为了模拟犯罪现场常见的多孔、半多孔、非多孔、有纹理和弯曲的材料。基底的特性会影响血迹的形态，包括形状的不规则性和卫星斑点的形成，但不会影响测量的撞击角度。这些发现验证了使用BPA确定撞击角度的一致性，其中基底的性质主要影响血迹的形态，但不一定影响角度的准确性。通过深度学习方法对大量图像数据集进行了测试，有效地区分了由不同坠落高度产生的血迹图案。MobileNet模型利用预训练的ImageNet特征，实现了更高的准确性和泛化能力，突显了迁移学习在小型法医数据集中的价值。未来工作的扩展将包括多个撞击角度、与运动相关的效应以及温度控制条件，以模拟实际的犯罪现场情况。基于深度学习的这些数据分析可能会提高对血迹形态的理解，并增强法医应用的可靠性。
引言
法医科学在刑事调查中发挥着重要作用，它提供了分析物证和重建犯罪现场事件序列的科学方法。遇到的物证类型之一是与血迹相关的证据。这一点很重要，因为血迹可以提供关于犯罪事件的关键信息，包括人员的位置、施加的力的性质以及事件发生的顺序[1]。通过系统地分析和解释血迹图案，可以重建犯罪现场。因此，血迹图案分析（BPA）仍然是调查人员的重要工具，因为它有助于确定犯罪现场事件的发展过程[2]、[3]。与血迹形态和大小、血迹直径分布以及接触线不规则性和方向相关的记录使法医专家能够研究运动序列、受害者和犯罪者的相对位置，以及可能导致流血的假设机制。这些信息可能成为正确解释的关键证据。BPA的科学基础包括流体力学、物理学和生物学的原理，其中血液被视为一种具有特定特性的非牛顿流体，这些特性会影响其与表面相互作用时的运动和行为[4]、[5]、[6]。被动血迹是由自由落下的血液形成的，没有额外的力，是犯罪现场最简单的血迹图案[7]。虽然这些血迹非常适合研究影响血迹形成的物理和环境参数，但它们与受力血迹不同，因为它们排除了外部力量或速度作为混淆变量。人血是一个复杂的混合物，由红细胞、白细胞、血小板、血浆蛋白和多种血清白蛋白组成[8]。血迹图案受多种物理参数的影响，包括粘度和表面张力，而目标表面的特性在血迹形成中起着关键作用。基底的孔隙率、粗糙度和润湿性等参数显著影响血迹的大小、形状和分布[5]、[9]、[10]、[11]。出于伦理和实际原因，在实验性BPA研究中通常用人血替代动物血。特别是山羊血，在细胞组成和流体特性上与人血非常相似，并且在沉积在各种表面上时会产生相似的血迹形态[12]、[13]。
血迹的形态和相关特征受多种变量的影响，包括滴落高度、撞击角度、表面纹理以及温度和湿度等环境条件。理论上，滴落高度的增加可以提高下落液滴的动能，扩大血迹直径并促进卫星斑点的形成[9]。同样，基底的粗糙度、孔隙率、吸水性和表面能等特性也会改变血迹的边界、边缘的不规则性和二次飞溅。例如，像玻璃或瓷砖这样的非多孔光滑表面通常会产生边缘清晰的圆形血迹，而像织物或纸张这样的粗糙或多孔基底则会产生形状不规则的血迹和不稳定的卫星斑点模式[4]、[14]、[15]。从血迹几何形状确定撞击角度通常是可靠和准确的。但是，血迹大小和形状的解释要复杂得多，因为这些变量可能高度依赖于表面类型和液滴动力学。许多研究单独关注了高度或表面效应，但在受控条件下同时考虑这两个变量的系统研究相对较少。尽管法医实践倾向于假设可预测的关系，例如更高的高度会产生更大的血迹，但在受控实验室设置中这些关系在不同基底上的维持程度尚未得到充分探索。仅凭圆形血迹图案无法指示撞击高度，但聚类分析可能提供距离或来源的间接指示[16]。尽管BPA被广泛使用，但其分析结论的准确性和可重复性仍然存在显著不确定性[17]。
机器学习（ML），特别是深度学习（DL），最近已成为法医模式识别的强大工具，与传统图像分析方法相比具有许多优势。它们能够感知复杂、微妙且往往不直观的模式，这些模式可能无法通过传统的视觉和单纯的统计分析精确区分。与基于手工特征的经典统计方法不同，深度神经网络可以从原始数据中以端到端的方式学习层次化表示。这使它们特别适合处理复杂和异构的法医图像[18]、[19]。在BPA中，ML可以提供一种数据驱动的、客观的、可重复的替代方法，减少人为偏见并提高证据的可靠性。当由于伦理、实际和物流挑战导致数据集稀缺时，这种模型架构和参数的有效使用在BPA的分类性能中起着关键作用。然而，在法医科学中，DL的采用相对较新，部分原因是获取大型高质量注释数据集存在困难[20]。理论上，定制的卷积神经网络（CNN）模型和MobileNet迁移学习模型都可以捕捉复杂的空间特征，以实现高准确性和精确度。
解决法医科学中的研究空白对于提高BPA在现实世界中的准确性和可靠性至关重要。因此，本研究结合了滴落高度和基底特性对被动血迹形态的影响，使用山羊血作为模型系统。血液样本从三个受控高度以90°角垂直滴落在五种不同的基底上，这些基底代表了不同的纹理和吸水性，包括弯曲的杯子、压碎的图表纸、黄麻布、软糖石和混凝土，以模拟现实世界的场景。软糖石是一种光滑、非多孔的人造石表面。选择了20厘米、40厘米和60厘米的高度，以代表室内犯罪现场常见的低到中等垂直距离，同时确保在受控实验条件下液滴形成的稳定性[4]、[5]。这五种基底涵盖了常见法医案例中的所有纹理和吸水性，从光滑、非多孔的表面到粗糙和高度吸水的表面[10]、[14]。每个组收集了400多张图像，并使用ImageJ软件分析血迹直径和形状不规则性以及卫星斑点的形成。此外，还使用大量图像数据集进行了深度学习，以测试区分不同坠落高度产生的血迹图案的有效性。这项研究旨在提供基于证据的评估，说明滴落高度和基底特性如何共同影响被动血迹形态的塑造，同时评估撞击角度计算的稳健性。通过加强角度确定的可靠性并突出基底依赖性的变化，本研究旨在为法医调查中更一致、客观和基于科学的BPA解释做出贡献（图1）。
样本收集与准备
使用山羊血作为替代品，因为其在受控实验条件下的粘度、表面张力和凝固行为产生的血迹形态与人血相似，尽管它不会像人血那样形成卷状结构。山羊血样本经常用于法医测试中模拟血迹图案[21]。新鲜血液是在屠宰后几小时内从当地肉铺取得的，以避免由于储存等原因导致的血液特征变化
山羊血作为血迹图案分析的替代模型
在研究中使用山羊血可以在受控的实验室条件下生成可重复的血迹图案。山羊血的粘度、表面张力和凝固特性与人血非常相似，这些都是决定血迹形态的重要因素[5]。许多实验研究表明，山羊血是法医血迹图案分析的合适替代品，重复测试结果相似，且没有使用直接人血的伦理问题
结论
本研究在受控实验室条件下研究了被动血迹图案的形成。选择山羊血是因为其在粘度、表面张力和凝固行为上与人血非常相似。此外，这种方法避免了与人血样本相关的伦理限制，同时提供了可靠的实验可重复性。尝试在30°和60°的不同撞击角度下研究飞溅形成并未成功，原因多种多样
CRediT作者贡献声明
Blossom Treesa Bastian： 方法论、数据管理。
Joseph Manu M： 写作——审稿与编辑、监督、项目管理、概念化。
Sneha Jomon： 写作——初稿撰写、方法论、调查、数据管理。
利益冲突声明
作者声明以下可能被视为潜在利益冲突的财务利益/个人关系：Manu M. Joseph报告称获得了CHR（被视为大学）的财务支持。如果有其他作者，他们声明没有已知的财务利益或个人关系可能影响本文所述的工作。
