休息状态前脑电图 (EEG) 生物标志物用于检测慢性神经病痛的严重程度
Seungjun Ryu1,2, Daeun Gwon3, Chanki Park4
1Department of Neurosurgery, School of Medicine, Eulji University, Daejeon, Republic of Korea.
Scientific reports
|August 30, 2024
概括
额头脑电图 (EEG) 信号,特别是像不对称性和阶段幅度合等复杂特征,可以客观地测量疼痛强度. 这项研究确定了用于疼痛评估和早期干预的潜在临床用途的关键EEG生物标志物.
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
- 疼痛研究 疼痛研究
背景情况:
- 客观的疼痛测量仍然是一个挑战,特别是在慢性疼痛条件下.
- 额头脑电图 (EEG) 信号为非侵入性疼痛评估提供了潜力.
- 频谱分析和相振幅合 (PAC) 是对EEG数据的先进信号处理技术.
研究的目的:
- 识别基于额头EEG的生物标志物,以量化疼痛严重程度.
- 调查各种EEG特征和机器学习算法的可行性,以预测疼痛强度.
- 探索复杂的EEG特征,包括不对称性和PAC在疼痛研究中的作用.
主要方法:
- 利用了36名慢性疼痛患者在休息状态下的公共EEG数据集.
- 从FP1和FP2道进行了疼痛评分和EEG特征 (带功率,PAC,不对称性) 之间的相关性分析.
- 采用机器学习模型 (线性回归,随机森林,支持向量回归) 来预测疼痛强度,用调整的R平方值测量性能.
主要成果:
- 在疼痛评分和β功率不对称 (r=-0.375),马功率不对称 (r=-0.433) 和低β与低马合 (r=-0.397) 之间发现了显著的相关性.
- 标准带功率特征没有与疼痛得分产生有意义的相关性.
- 使用多项式内核的支持向量回归实现了最高的预测性能 (R-squared=0.655),表明了临床可用的错误范围.
结论:
- 复杂的EEG特征,特别是不对称性和PAC,对于客观评估疼痛强度至关重要.
- 基于额头通道的EEG分析,结合这些先进的功能,证明了临床应用的可行性.
- 确定了潜在的早期疼痛管理干预的关键生物标志物 (马功率不对称,PAC不对称,低β与马合).
