通过脑电图的个人识别模型验证跨个体疼痛评估

科学领域:

• 神经科学是一个神经科学.
• 生物医学工程 生物医学工程
• 人工智能的人工智能

背景情况:

• 评估非沟通性个体的疼痛,例如不反应的患者,对于他们的护理至关重要.
• 脑电图 (EEG) 提供了一个客观疼痛评估的潜在方法.
• 大脑对疼痛反应的个体变化对开发基于EEG的通用疼痛评估模型构成重大挑战.

研究的目的:

• 开发和验证使用脑电图 (EEG) 的跨个体疼痛评估模型,以考虑个体大脑反应变化.
• 调查使用卷积神经网络 (CNN) 进行疼痛预测和从EEG信号进行个体识别的有效性.
• 探索改善基于EEG的疼痛评估模型在不同个体中的通用性的方法.

主要方法:

• 开发了两个具有共享编码器的CNN:一个用于疼痛预测,另一个用于个人识别.
• 采用一个离开一个失败 (LOO) 交叉验证策略与证据积累用于疼痛预测模型验证.
• 采用个体识别模型来识别训练主体智能疼痛预测模型中最相似的主体.

主要成果:

• 疼痛预测模型的平均准确率为57.81% (LOO) 和69.75% (证据积累).
• 个人识别模型在识别独特的主题方面表现出高准确性 (99.63%).
• 使用最相似的主体进行训练的对象智能疼痛预测模型,在新型主体中产生了53.73%的低准确率.

结论:

• 虽然CNN可以识别EEG信号中的个体变异,但直接利用这些特征进行跨个体疼痛评估需要进一步细化.
• 目前的方法是利用个人识别来对患者进行疼痛预测,需要更多的研究来提高准确性.
• 未来的研究应该专注于先进的方法来提取和利用特定主体的特征,以便在不响应的患者中进行基于EEG的强大和可泛化的疼痛评估.