Explainable Automated Pain Level Classification Using a Deep Neural Network with EEG Signals
本文提出了 PainNet-ST,这是一种新型可解释深度学习模型,它将原始 EEG 信号转换为多光谱地形图,在实现三分类疼痛强度 92.28% 的最先进准确率的同时,通过双层 XAI 可视化增强了临床信任度。
原始论文采用 CC BY 4.0 许可(https://creativecommons.org/licenses/by/4.0/)。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性,请参阅原始论文。 阅读完整免责声明
疼痛是一种极其私人化的体验,是一个告知身体出现问题的警告信号。对于医生和护士来说,长期以来测量这种信号的方法是让患者描述它,通常使用一个从零到十的简单量表。虽然这对许多人很有效,但对于无法言语的人群——如婴儿、重症监护室患者或痴呆症患者——则完全失效。在这些情况下,疼痛成了一个谜,导致治疗方案要么过弱,要么过强。科学家们一直希望大脑本身能提供答案。通过在头皮上放置传感器来倾听大脑的电信号交流,研究人员相信他们可以找到一种客观的疼痛衡量标准,这种标准不依赖于语言。然而,大脑的信号极其复杂且充满噪声,这使得将特定的疼痛模式从日常思维和运动的背景噪声中分离出来变得非常困难。
现在,一组研究人员开发出了一种聆听这些大脑信号的新方法,创建了一个能够自动区分低、中、高疼痛水平的系统。他们构建了一个计算机程序,它就像一个训练有素的观察者,能够发现人类会忽略的细微大脑活动模式。该系统不再询问患者疼痛程度,而是观察从头皮记录到的原始电波。研究人员在223名健康志愿者的实验数据上测试了这种方法,这些志愿者曾接受过针对手部的微小、受控的激光脉冲。这些脉冲旨在触发疼痛反应而不造成实际伤害。其目标是观察计算机是否能仅根据大脑对激光的反应,正确识别疼痛的感觉强度。
他们创建的这个名为 PainNet-ST 的系统通过两个维度同时观察大脑活动:横跨头皮表面以及随时间的变化。想象一下,大脑是一片广袤的景观,当疼痛袭来时,不同的区域会亮起。计算机首先绘制出哪些头皮区域最为活跃,重点关注疼痛信号最强的中央和后部区域。随后,它会观察这些信号在激光脉冲后的毫秒内是如何变化的,寻找一种以可预测节奏上升和下降的特定波形模式。这种双重方法使系统既能理解疼痛在哪里被处理,也能理解疼痛在每一瞬间是如何演变的。为了确保系统不仅仅是在死记硬背参与训练的人的大脑,研究人员在从未见过的新受试者身上对其进行了测试。这是至关重要的一步,因为它证明了该系统可以识别任何人的疼痛,而不仅仅是特定志愿者群体。
结果令人瞩目。当计算机分析大脑信号时,它在 92.28% 的案例中正确识别了疼痛等级。这比以往的方法有了显著提升,因为旧方法往往难以区分不同强度的疼痛,或者在面对新受试者时失效。该系统在识别高强度疼痛方面表现尤为出色,这对于确保危重患者获得所需帮助至关重要。它在识别“不存在疼痛”时也极少出错,这意味着它不会因虚假警报而导致医生进行不必要的治疗。为了确保该系统不是一个做出决策却毫无理由的“黑箱”,研究人员增加了一层透明度。他们构建了一个功能,可以高亮显示计算机做出决策时具体参考了大脑的哪些部分以及哪些时刻。这证实了系统确实是在观察已知的疼痛生物标志物,从而让医生对结果感到放心,并确信其结果是可靠且基于真实科学的。
这项工作代表了使疼痛评估变得客观且可靠的重要一步。通过证明计算机可以学会仅从大脑信号中识别疼痛,研究人员为那些无法为自己发声的人群开启了通往未来工具的大门。虽然目前的系统是在受控环境下针对健康志愿者进行的测试,但研究结果表明,这项技术最终可以被应用到现实世界的医院中。无需言语即可衡量疼痛的能力,可能会改变医疗团队护理脆弱患者的方式,确保疼痛得到像对待任何其他医疗状况一样的精准与细致的对待。这项研究表明,借助合适的工具,大脑的隐藏语言可以被转化为清晰、可用于临床实践的信息,从而助力康复。
您所在领域的论文太多了?
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要,使用您的语言。