慢性疼痛分类使用PPG和ECG参数,通过混合特征选择选择选择
Jia-Hao Cai1, De-Fu Jhang1, Shih-Che Hung1
1Department of Biomedical Engineering, Chung Yuan Christian University, Taoyuan, Taiwan.
概括
这项研究开发了一个自动化系统,使用光电脉冲图 (PPG) 和心率变化 (HRV) 来分类慢性疼痛强度. 该系统达到74.6%的准确性,为无法自我报告疼痛的患者提供非语言评估方法.
科学领域:
- 生物医学工程 生物医学工程
- 疼痛医学 医学 疼痛医学
- 信号处理 信号处理
背景情况:
- 目前的慢性疼痛评估严重依赖于自我报告,这给非沟通患者带来了挑战.
- 医务人员经常承担评估缺乏沟通能力或意识的患者疼痛的负担.
- 需要客观的,自动化的方法来评估临床环境中的疼痛强度.
研究的目的:
- 利用生理信号开发一种自动化疼痛强度分类系统.
- 为了评估光电脉冲图 (PPG) 和心率变化 (HRV) 功能对疼痛评估的有效性.
- 建立一种可靠的方法来对无法自我报告的患者进行疼痛强度分类.
主要方法:
- 收集了43名慢性疼痛患者和20名健康志愿者的心电图 (ECG) 和PPG记录.
- 使用混合特征选择 (HFS) 方法来识别关键的PPG和HRV指标.
- 采用多类支矢量机 (SVM) 进行10倍的交叉验证,将疼痛分为四个级别:没有,低,中等和严重的疼痛.
主要成果:
- 在四个疼痛强度级别中,SVM模型实现了约74.6%的整体估计准确度.
- 混合特征选择确定了强大的PPG和HRV特征,能够区分疼痛强度.
- 分析揭示了PPG特征的新趋势,这些特征与临床疼痛评估有关.
结论:
- PPG和HRV特征,结合HFS,提供了足够的信息来区分肌性慢性疼痛患者的疼痛强度.
- 开发的系统提供了一种有前途的自动化方法,用于对非沟通性个体的疼痛评估.
- 这项研究为利用PPG信号趋势用于临床疼痛评估提供了新的视角.
