在关节治疗中使用LSTM模型的持续短期疼痛评估,使用由热诱导疼痛数据模式支持的LSTM模型

科学领域:

• 生物医学工程 生物医学工程
• 疼痛管理 疼痛管理
• 信号处理 信号处理

背景情况:

• 在关节 (TMJ) 治疗中持续评估疼痛存在挑战.
• 现有的方法往往缺乏实时,客观的疼痛水平测量能力.
• 电皮活动 (EDA) 显示出疼痛检测的潜力,但需要强大的模型.

研究的目的:

• 设计和验证TMJ治疗的时间连续疼痛水平评估系统.
• 探索电皮活动 (EDA) 特性和动力表数据对于疼痛识别的实用性.
• 开发一个强大的分类模型,用于临床环境中的短期疼痛评估.

主要方法:

• 使用热刺激和TMJ治疗期间收集的疼痛数据.
• 提取了36个电皮活动 (EDA) 特征,用于二进制分类.
• 开发了一个初始模型,使用实验数据伪标签临床数据.
• 训练了一种最终的长期短期记忆 (LSTM) 模型,其中包含了新的多变量损失与动力表数据.

主要成果:

• 在疼痛和无疼痛事件期间,从实验和临床数据集中观察到EDA特征之间的显著差异.
• 最终的LSTM模型实现了0.89的平均精度和0.85的F1得分,用于分类四秒.
• 动力表数据被成功整合为一种新的疼痛感知指标.

结论:

• 开发的系统为TMJ治疗中临床使用提供了第一个时间连续的短期疼痛评估.
• 动力表数据的整合解决了数据采集和患者限制方面的挑战.
• 这种方法提供了一种更客观,更可靠的方法来监测治疗期间的疼痛.