特征提取和脊髓刺激的预测在人类中唤起了复合作用潜力

科学领域:

• 神经科学和生物医学工程
• 神经调节和疼痛管理

背景情况:

• 脊髓刺激 (SCS) 显示出通过闭环神经调节治疗慢性疼痛的前景.
• 唤起反应的个体间变异性需要强大的方法来个性化SCS.
• 自动移除文物,特征提取,分类和预测是关键的挑战.

研究的目的:

• 开发和验证一个自动化分析管道,用于在SCS过程中唤起化合物作用潜力 (ECAP).
• 为了比较不同波形特征 (AUC与P2P) 在区分ECAP中的有效性.
• 基于个性化疼痛管理的刺激参数来建模和预测SCS反应.

主要方法:

• 在外部化SCS试验期间,记录了八名慢性疼痛参与者的ECAP.
• 使用主要组件分析进行聚类和K-最近邻居用于波形的分类.
• 采用了通用的线性混合效应模型来预测唤起的响应特征和文物概率.

主要成果:

• 曲线下的面积 (AUC) 显示了ECAP和非ECAP之间的优异区别,而不是峰值到峰值幅度 (P2P).
• 大多数特征有效地区分ECAP和文物.
• 参与者特定的刺激极性降低了所需电流约1.25mA;N1延迟与阴极位置相关.

结论:

• 在SCS期间成功开发了一种用于分析个别ECAP的自动化管道.
• AUC是比P2P更有效的特征,用于描述SCS中引起的反应.
• 刺激参数的预测建模增强了个性化SCS治疗的潜力.