机器可以识别疼痛效应吗? 一个机器学习的概念验证,以识别EMG疼痛签名
Klaus Becker1,2, Franciele Parolini1,3, Venicius de Paula Silva4
1Porto Biomechanics Laboratory, University of Porto, 4200-450 Porto, Portugal.
Bioengineering (Basel, Switzerland)
|February 27, 2026
概括
机器学习通过使用电肌图 (EMG) 来识别肌肉活动中的疼痛特征. 这种客观的方法有助于个性化的疼痛管理和肌肉骨健康监测.
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.
- 疼痛研究 疼痛研究
背景情况:
- 评估急性疼痛往往依赖于患者的主观报告.
- 对疼痛的客观生物标志物是需要补充主观措施的.
- 了解疼痛期间的神经肌肉适应对于诊断和治疗至关重要.
研究的目的:
- 开发和验证一种机器学习模型,用于从电肌图 (EMG) 数据中识别疼痛特征.
- 为了研究特定的EMG特征预测急性疼痛状态.
- 探索基于EMG的疼痛特征对客观疼痛评估的有用性.
主要方法:
- 使用XGBoost算法分析EMG特征 (变量,平均绝对偏差,积分,峰值,).
- 收集了15名参与者在痛苦和无痛条件下执行肘部曲任务的EMG数据.
- 根据分析的EMG模式将肌肉收缩分类为疼痛或无痛.
主要成果:
- 电肌图学峰值和整体活动被确定为疼痛状态的关键预测因素.
- 机器学习模型在区分疼痛和无痛条件方面获得了73%的灵敏度.
- 安慰剂诱导的疼痛反应显示了与实际疼痛相似的肌肉适应,但不那么明显.
结论:
- 机器学习提供了一种非语言的客观方法来分析与疼痛相关的神经肌肉适应.
- 这种方法有可能提高疼痛评估和肌肉骨健康的监测.
- 这些发现支持基于客观生理数据的个性化疼痛管理策略的开发.
