使用基于脑电图的机器学习,使用基于机器学习的行走过程中腿部血流限制引起的疼痛强度的分类准确性
Hirotatsu Imai1,2, Yuya Kanie3,4,5, Shusuke Yoshimoto2,6
1Department of Orthopedic Surgery, Graduate School of Medicine, Osaka University, 2-2 Yamadaoka, Suita, 565-0871, Osaka, Japan.
Scientific reports
|August 1, 2025
概括
这项研究开发了一种可穿戴的EEG设备,用于运动期间客观评估疼痛. 机器学习,特别是XGBoost与BrainRate,显著提高了疼痛分类的准确性,为更好的疼痛管理铺平了道路.
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
- 机器学习 机器学习
背景情况:
- 目前的疼痛评估依赖于患者的主观报告.
- 以前使用fMRI和EEG的客观疼痛评估仅限于休息状态.
- 评估运动期间的疼痛仍然是一个挑战.
研究的目的:
- 使用可穿戴EEG设备和机器学习来分类运动期间的疼痛水平.
- 评估机器学习算法对客观疼痛评估的有效性.
- 研究BrainRate (BR) 对疼痛分类准确性的影响.
主要方法:
- 使用带有三个额头电极的可穿戴设备,从25名健康参与者收集EEG数据.
- 在行走任务中使用带诱导疼痛,行走时间作为疼痛强度指数.
- 采用随机森林,XGBoost和光梯度增强机算法来对疼痛水平进行分类,比较带有和没有BrainRate指标的结果.
主要成果:
- XGBoost 显示了最高的分类性能.
- 包括BrainRate显著改善了分类准确度:二级 (0.82到0.96),三级 (0.60到0.75),五级 (0.40到0.47).
- 即使在动态运动任务中,也可以实现客观的疼痛分类.
结论:
- 开发的可穿戴EEG系统显示出在运动期间客观评估疼痛的前景.
- 脑速率是提高EEG数据疼痛分类准确性的关键指标.
- 这项技术可能会导致更可靠的疼痛管理策略.
更多相关视频
11:25Simultaneous Scalp Electroencephalography EEG, Electromyography EMG, and Whole-body Segmental Inertial Recording for Multi-modal Neural Decoding
Published on: July 26, 2013
43.5K
08:58Use of a Foot-Induced Digitally Controlled Resistance Device for Functional Magnetic Resonance Imaging Evaluation in Patients with Foot Paresis
Published on: July 7, 2023
356
