机器学习对使用EEG主动查看疼痛和非疼痛图像的分类不超过外部验证样本中的机会
Tyler Mari1, S Hasan Ali2, Lucrezia Pacinotti2
1Department of Psychology, Institute of Population Health, Faculty of Health and Life Sciences, University of Liverpool, Bedford Street South, Liverpool, L69 7ZA, UK. tyler.mari@liverpool.ac.uk.
Cognitive, affective & behavioral neuroscience
|February 18, 2025
概括
使用脑电图 (EEG) 数据主动查看疼痛刺激并没有改善机器学习 (ML) 在解码疼痛同情感方面的表现. 这项研究发现,积极参与未能比以前的被动观察方法提高ML准确性.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 认知科学 认知科学
背景情况:
- 之前的研究表明,在被动观察期间,机器学习 (ML) 很难从脑电图 (EEG) 中解码疼痛同理心.
- 目前的研究调查了主动观看是否提高了识别疼痛刺激的ML性能.
研究的目的:
- 为了确定刺激呈现期间积极参与者的参与是否改善了中性与疼痛图像的ML分类.
- 评估随机森林 (RF) 模型的有效性,这些模型在与事件相关的潜力 (ERP) 上受过训练,以解码疼痛同理心.
主要方法:
- 开发了三种RF模型,使用62名参与者的ERP数据进行图像分类 (面部/场景,中性/疼痛场景,中性/疼痛表情).
- 采用了两种替代的强制选择模式来进行主动观看.
- 在27名受试者的单独时间验证样本上验证模型.
主要成果:
- 射频模型准确地分类图像类别 (面孔/场景),交叉验证准确率为78%,外部验证准确率为66%.
- 虽然交叉验证显示了对同理心分类 (61-67%) 的潜力,但模型未能在外部验证上超过机会表现.
- 在之前的研究中,主动观察与被动观察相比,并没有显著改善ML性能.
结论:
- 使用EEG衍生ERP对疼痛同理心等复杂状态进行分类仍然具有挑战性.
- 主动观看范式似乎没有增强基于ML的疼痛同理心检测超出被动观察.
- 未来的研究需要专注于提高ML模型的性能,以实现实际实用性的超级准确性.
