在人类新生儿中,使用EEG信号和机器学习方法解读脚跟动期间的疼痛

科学领域:

• 神经科学和生物医学工程
• 临床疼痛评估 临床疼痛评估

背景情况:

• 准确的疼痛评估至关重要,特别是对于像新生儿这样的非语言个体.
• 使用脑电图 (EEG) 信号评估婴儿疼痛的现有方法存在局限性.

研究的目的:

• 用EEG信号和机器学习来评估新生儿的疼痛强度.
• 为了比较支持向量机 (SVM),K-最近邻居 (KNN) 和集体包装分类器的性能.

主要方法:

• 记录了107名婴儿的EEG信号,这些婴儿接受了3个疼痛级别 (没有,低,中等) 的脚跟矛刺激.
• 从大脑的时间频域中提取了特征.
• 使用K折交叉验证来训练SVM,KNN和Bagging分类器.

主要成果:

• 对于三类疼痛评估,准确度是:SVM (72.8±2%),KNN (84.4±1.3%),和包装 (82.9±1.6%).
• 在使用74名婴儿脑电图数据来区分疼痛与无疼痛时,Bagging实现了100%的准确性.
• 在两类疼痛评估任务中,KNN和SVM实现了98.6±0.1%的准确性.

结论:

• 机器学习,特别是Bagging分类器,显示出使用EEG对新生儿客观疼痛评估的巨大潜力.
• 这种方法可以帮助管理非语言婴儿的疼痛,改善临床护理.