可解释的AI对疼痛感知:使用DeepSHAP和CNNs进行主体独立的EEG解码
Feyzi Alkım Aktaş1, Aykut Eken2, Osman Erogul3
1TOBB University of Economics and Technology, Söğütözü, Söğütözü Cd. No:43, 06510 Çankaya/Ankara, Ankara, 06560, TURKEY.
Biomedical physics & engineering express
|January 7, 2026
概括
这项研究使用可解释的深度学习来从脑电图 (EEG) 信号中解码疼痛水平,准确度为95.85%. 该方法识别了与不同疼痛强度相关的特定脑波模式,使客观的疼痛监测成为可能.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 生物医学工程 生物医学工程
背景情况:
- 准确的疼痛评估对于患者护理至关重要,特别是对于有沟通障碍的人来说.
- 目前的疼痛监测方法通常依赖于主观报告,限制了它们在某些临床群体中的有效性.
研究的目的:
- 通过使用可解释的深度学习模型,研究从脑电图 (EEG) 信号中解码疼痛水平的可行性.
- 为客观疼痛评估开发一个独立于主体的方法.
主要方法:
- 从50名经历低和高疼痛刺激的受试者收集了EEG数据.
- 一个1D卷积神经网络 (CNN) 通过离开一个主体 (LOSO) 交叉验证进行了训练,以进行主体独立分类.
- 使用DeepSHAP (夏普利添加式扩展) 来识别导致疼痛分类的频率特定EEG特征.
主要成果:
- 该CNN模型实现了高分类准确率95.85%,超过了传统的机器学习分类器.
- 可解释性分析显示,增高的β频段活动 (14-15 Hz) 与高疼痛相关.
- 阿尔法 (11-12赫兹),和三角带活动与下部疼痛状态有关.
结论:
- 可解释的深度学习提供了一个有希望的实时方法,从EEG解码主体独立的疼痛.
- 这些发现支持将可解释的人工智能 (XAI) 技术集成到基于EEG的大脑计算机接口 (BCI) 系统中,以客观监测疼痛.
