基于人工智能的双模融合系统用于自动化临床疼痛监测
Huibin Wang1, Sören Nienaber1, Laslo Dinges1
1Neuro-Information Technology Group, Institute for Information Technology and Communications, Otto-von-Guericke University Magdeburg, Universitätsplatz 2, Magdeburg, 39106, Germany.
Computers in biology and medicine
|November 5, 2025
概括
这项研究引入了一种保护隐私的疼痛监测系统,使用电皮活动 (EDA) 和电肌图 (EMG) 信号. 新的框架准确地分类疼痛强度,优于现有的方法.
科学领域:
- 生物医学工程 生物医学工程
- 神经科学是一个神经科学.
- 数据科学数据科学数据科学
背景情况:
- 疼痛评估对于康复至关重要,但由于其主观性质,仍然具有挑战性.
- 结合生理和行为信号的多模式方法显示出客观疼痛监测的前景.
- 像皮电活动 (EDA) 和肌电图 (EMG) 这样的生理信号为视频/音频数据提供了一种保护隐私的替代方案.
研究的目的:
- 开发和评估一个保护隐私的双模融合框架,用于使用EDA和EMG信号进行疼痛强度分类.
- 为了增强功能交互和时间依赖的捕获,在多式模式的疼痛监测系统.
- 解决阶级不平衡问题,提高疼痛分类模型的稳定性.
主要方法:
- 开发了一个双模融合框架,将长短期记忆 (LSTM) 与空间注意力机制集成在一起.
- 纳入了自适应权重模块,以优化模式间特征交互.
- 使用焦点损失和数据级跳跃减少策略来处理类不平衡.
主要成果:
- 与最先进的方法相比,拟议的框架在X-ITE疼痛数据库中的11个子数据集上取得了更高的性能.
- 观察到R-ETD子数据集的平均准确度提高了3.88%和7.12%.
- 该模型在少数群体和具有挑战性的课堂上表现出强的性能,并提高了计算效率.
结论:
- 使用EDA和EMG信号开发的双模融合框架为客观疼痛强度分类提供了一个有希望的,保护隐私的解决方案.
- 整合LSTM,空间注意力和自适应权重显著提高了疼痛监测能力.
- 该框架的稳定性和效率表明,在疼痛管理和康复方面,它有很大的潜力用于现实世界的临床应用.
