深度学习模型对fNIRS疼痛解码的实证比较

科学领域:

• 神经科学是一个神经科学.
• 医疗技术 医疗技术 医学技术
• 人工智能的人工智能

背景情况:

• 对非语言患者来说,客观的疼痛评估至关重要,因为临床判断可能是主观的和不可靠的.
• 功能近红外光谱 (fNIRS) 为测量与疼痛相关的大脑活动提供了一种有前途的非侵入性方法.
• 之前的研究利用机器学习与手工制作的功能来评估fNIRS数据中的疼痛.

研究的目的:

• 探索深度学习模型 (CNN,LSTM,CNN-LSTM) 来自动从fNIRS数据中提取疼痛评估的特征.
• 将深度学习模型的性能与使用手工制作的功能的经典机器学习模型进行比较.
• 调查深度学习在开发客观的疼痛评估工具的潜力,为非语言的个人.

主要方法:

• 利用功能近红外光谱 (fNIRS) 在疼痛刺激期间收集大脑活动数据.
• 应用深度学习模型:卷积神经网络 (CNN),长期短期记忆 (LSTM) 和混合CNN-LSTM模型.
• 将深度学习模型与使用手工制作的功能的经典机器学习方法进行了比较.

主要成果:

• 深度学习模型使用fNIRS数据有效识别了不同类型的疼痛.
• 混合CNN-LSTM模型在疼痛评估中获得了最高的准确性 (91.2%).
• 统计分析证实,与基线方法相比,深度学习模型显著提高了准确性.

结论:

• 深度学习模型可以自动从fNIRS数据中学习相关特征,减少对手动特征工程的依赖.
• "CNN-LSTM模型为非语言患者的客观疼痛评估提供了一种可行的方法.
• 需要进一步的研究来验证这种方法在不同人群和现实世界临床环境中的通用性.