一个CrossMod-Transformer深度学习框架,通过EDA和ECG融合进行多模式疼痛检测
Jaleh Farmani1, Ghazal Bargshady2, Stefanos Gkikas3
1University of Rome 'La Sapienza', Department of Computer, Control & Management Engineering, Rome, 00185, Italy.
Scientific reports
|August 12, 2025
概括
这项研究引入了一种新的深度学习框架,将皮电活动和心电图信号结合起来,用于客观识别疼痛. 交叉式转换器模型表现出高精度,增强了自动疼痛评估系统.
科学领域:
- 生物医学工程 生物医学工程
- 人工智能的人工智能
- 疼痛医学 医学 疼痛医学
背景情况:
- 客观的疼痛评估对于有效的疼痛管理和医疗保健效率至关重要.
- 由于微妙的生理和行为指标以及个体变异性,准确评估疼痛是具有挑战性的.
- 自动疼痛评估系统提供技术解决方案,以提高疼痛评估过程.
研究的目的:
- 为自动疼痛识别提出一个新的多模组合深度学习框架.
- 为了客观评估疼痛,将皮电活动 (EDA) 和心电图 (ECG) 信号结合起来.
- 评估关于独立数据集的拟议框架的可通用性和性能.
主要方法:
- 开发了一种单模方法 (FCN-ALSTM-变压器),集成完全卷积网络,基于注意力的LSTM和变压器块.
- 引入了一种多模式方法 (CrossMod-Transformer),使用专门的变压器架构来融合EDA和ECG信号.
- 在使用AI4PAIN 2025数据集对BioVid数据集和交叉数据集验证进行实验.
主要成果:
- 在BioVid数据集上,CrossMod-Transformer实现了87.52%的准确性.
- 该模型在AI4PAIN数据集上显示出强大的通用性,准确度为75.83%.
- 拟议的框架超过了一些最先进的单模和多模方法.
结论:
- 新的多模模式深度学习框架显示了可靠的自动疼痛识别的巨大潜力.
- 交叉模式转换器通过有效地融合生理生物信号来提高客观疼痛评估.
- 这项研究支持开发更客观,更具包容性的临床疼痛评估工具.
