开发机器学习算法使用EEG数据来检测慢性疼痛的存在

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
• 数据科学数据科学数据科学

背景情况:

• 慢性疼痛影响了超过20%的美国成年人,造成了巨大的经济成本.
• 目前的慢性疼痛诊断依赖于主观的自我报告,缺乏客观的措施.
• 对疼痛的客观评估对于有效的诊断和治疗至关重要.

研究的目的:

• 开发和验证使用脑电图 (EEG) 数据进行客观慢性疼痛检测的机器学习算法.
• 通过使用定量EEG (qEEG) 测量来区分经历慢性疼痛的人与无疼痛的人.
• 通过数据分析识别与慢性疼痛相关的神经特征.

主要方法:

• 从186名参与者 (151名慢性疼痛患者,35名健康对照) 获取了19个频道的EEG数据,这些患者处于休息状态.
• 应用信号处理来隔离无噪声的EEG段,并计算了每个主题的6375个qEEG测量.
• 利用机器学习,特别是弹性网,构建分类模型,区分疼痛状态.

主要成果:

• 弹性网分类器使用34个EEG特征,在区分疼痛和无疼痛组时,达到79.6%的准确性.
• 该分类器显示灵敏度为82.2%和特异性为66.7%.
• 在慢性疼痛群体中,确定了与已知的神经变化相关的qEEG特征.

结论:

• 对EEG数据的机器学习分析可以客观地将慢性疼痛患者与健康对照者区分开来.
• 开发的算法显示承诺作为一个客观的疼痛评估工具,补充主观报告.
• 对qEEG特征的进一步研究可能会提高对慢性疼痛的理解和管理.