经验转换的能量模式:一种新的方法来捕捉fNIRS信号动态在疼痛评估

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
• 人工智能的人工智能

背景情况:

• 由于疼痛的主观性质,在临床环境中准确评估疼痛是很困难的.
• 功能近红外光谱 (fNIRS) 提供了一种通过血液氧化变化客观测量大脑活动的方法.
• 使用神经成像数据进行疼痛分类的现有方法存在局限性.

研究的目的:

• 使用fNIRS数据对疼痛水平进行分类 (没有疼痛,低疼痛,高疼痛).
• 开发和验证客观疼痛评估的新方法.
• 在临床环境中提高疼痛水平分类的准确性.

主要方法:

• 通过24个道收集了来自65名受试者的fNIRS数据.
• 提出了用于特征提取的新型经验转化能量模式.
• 使用了优化的集体分类器,用于分类的离开一个主体的交叉验证.

主要成果:

• 实现了91.41%的准确性对二元疼痛分类 (没有疼痛与高疼痛).
• 实现了多类疼痛分类的68.20%准确性 (没有疼痛,低疼痛和高疼痛).
• 显示出高灵敏度和特异性,性能优于传统分类器.

结论:

• 优化的机器学习模型与fNIRS数据相结合,可以精确地分类疼痛水平.
• 拟议的方法显示出在临床环境中提高客观疼痛评估的巨大潜力.
• 这种方法可能会导致改善疼痛管理策略和患者护理.