深度学习模型的设计和评估,用于基于相性皮肤电活动的持续急性疼痛检测
IEEE journal of biomedical and health informatics
|July 3, 2023
概括
研究人员开发了一种使用皮电活动 (EDA) 的深度学习模型,以客观地持续评估疼痛. 这种方法可以准确地检测疼痛的发作和程度,为主观疼痛量表提供了潜在的替代方案.
科学领域:
- 生物医学工程 生物医学工程
- 神经科学是一个神经科学.
- 机器学习 机器学习
背景情况:
- 目前的疼痛评估是主观的,依赖于自我报告的尺度,导致药物剂量和阿片类药物成的潜在问题.
- 电皮活性 (EDA) 已被证明是用于疼痛检测的客观生理信号.
- 现有的机器学习和深度学习方法在持续检测急性疼痛及其从EDA信号开始时存在局限性.
研究的目的:
- 通过使用皮电活动 (EDA) 信号,评估用于持续急性疼痛检测的深度学习模型.
- 为了准确地检测疼痛的开始,使用来自EDA的生理标志物.
- 开发一个客观的疼痛评估方法,以帮助准确的药物处方.
主要方法:
- 评估了1D-CNN,LSTM和混合CNN-LSTM架构,用于从相位EDA特征连续检测疼痛.
- 使用了36名健康志愿者的数据集,这些志愿者接受了热烧烤诱导的疼痛刺激.
- 提取并分析了相位EDA (TFS-phEDA) 的时间频谱作为一个关键的生理标志物.
主要成果:
- 结合时间卷积神经网络 (TCN) 和堆叠的双向/单向LSTM的并行混合架构实现了最佳性能.
- 最佳模型显示,在15秒间隔内检测持续疼痛的F1评分为77.8%.
- 在BioVid热痛数据库上的验证显示,与基线相比,识别高疼痛水平的准确性为91.5%.
结论:
- 深度学习模型,特别是混合架构,显示了使用EDA持续疼痛检测的可行性.
- TFS-phEDA特征是区分疼痛状态的高效生理标志物.
- 这种客观的方法可以导致更准确的疼痛管理和减少阿片类药物依赖.
