应用机器学习用于使用EEG光谱特征进行感知性疼痛检测

科学领域:

• 神经科学是一个神经科学.
• 疼痛研究 疼痛研究
• 生物医学工程 生物医学工程

背景情况:

• 传统的疼痛量表有局限性,原因是疼痛耐受性的个体间变化.
• 客观地测量 nociceptive 疼痛是一个挑战.
• 脑电图 (EEG) 为客观疼痛评估提供了一个潜在的途径.

研究的目的:

• 开发一种更可靠的方法来使用EEG信号测量激光诱导的感知性疼痛.
• 为了比较数据标记策略 (反应时间与激光强度) 和EEG通道配置用于疼痛预测.
• 通过结合主观疼痛变化来解决固定疼痛尺度的局限性.

主要方法:

• 利用公开的EEG记录数据库从51名受试者接触到受控激光刺激.
• 从EEG信号中提取六个频段 (α,β,gamma) 的功率.
• 应用机器学习算法来预测疼痛水平,比较反应时间和激光强度标记,以及62频道与20频道EEG配置.

主要成果:

• 脑电图频段功率和机器学习以86%的准确度区分了前刺激和刺激条件.
• 疼痛水平分类在二进制歧视 (高与低疼痛) 中达到最多63%的准确性.
• 基于反应时间的标签显著优于基于强度的标签 (p < 0.001).

结论:

• 与刺激强度相比,反应时间是预测 nociceptive 疼痛水平的优越标记系统.
• 疼痛感知是主观的,仅仅依靠刺激强度进行分类可能是不可靠的.
• 脑电图和机器学习显示出客观,个性化的疼痛测量有前途.