在电皮活动记录中探索深度学习,以持续检测疼痛强度水平
概括
这项研究引入了一种新的混合CNN-LSTM模型,用于使用皮电活动 (EDA) 持续,客观地检测疼痛强度. 该模型显示了改善疼痛管理和患者结果的前景.
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.
- 机器学习 机器学习
背景情况:
- 客观的疼痛评估对于有效的阿片类药物治疗和成预防至关重要.
- 电皮活性 (EDA) 显示出疼痛检测的潜力,但通过间歇性测量受到限制.
- 目前的方法缺乏持续的,客观的疼痛强度监测.
研究的目的:
- 开发和评估混合卷积神经网络-长期短期记忆 (CNN-LSTM) 模型,用于使用EDA检测持续疼痛强度.
- 分析EDA的各种特征,以提高客观的疼痛评估.
- 建立一种非侵入性实时疼痛监测方法.
主要方法:
- 实施五种并行混合CNN-LSTM模型.
- 分析EDA信号,包括相位组件和交感活动.
- 根据BioVid热痛数据集与37名独立受试者进行验证.
主要成果:
- 一个平行1D CNN与堆叠的双向和单向LSTM实现了最佳性能.
- 该模型在检测四个疼痛强度水平方面表现出高准确性 (M-RMSE:0.925,R-平方:0.498).
- 在独立实验对象中证实了强大的性能 (M-RMSE:0.957,R-平方:0.495).
结论:
- 混合CNN-LSTM架构可以分析连续的EDA信号以客观检测疼痛强度.
- 这种方法提供了一种可靠的,非侵入性的方法,用于持续监测疼痛.
- 研究结果支持改善诊断,疼痛管理和慢性疼痛患者的治疗结果.
