基于视频信号的无接触多模态疼痛评估技术：面向外科手术的实时监测新方法

《IEEE Open Journal of Engineering in Medicine and Biology》：Continuous, Contactless, and Multimodal Pain Assessment during Surgical Interventions

本文推荐一种创新的无接触式疼痛评估技术，该研究针对临床中无法自我报告疼痛的患者群体，通过融合面部动作单元（AU）和远程光电容积描记（rPPG）提取的心率变异性（HRV）参数，开发了基于逻辑回归的二分类疼痛识别模型。在BioVid热痛数据库和真实手术数据（Individual Patient Data）中分别达到53%和48%的F1分数，为临床自动化疼痛监测提供了低延迟、多模态的技术框架。

　　

在临床医疗实践中，疼痛被称为"第五大生命体征"，但其客观评估始终是医学界的难点。传统依赖患者主观描述的数字评分法（NRS）或观察者疼痛量表（OPS），对于婴幼儿、痴呆患者或麻醉状态下的手术病人几乎失效。更棘手的是，疼痛评估的缺失可能导致镇痛不足引发慢性疼痛，或过度用药带来副作用风险。这种临床困境催生了对自动化、客观化疼痛监测技术的迫切需求。

发表于《IEEE Open Journal of Engineering in Medicine and Biology》的最新研究，提出了一种突破性的解决方案：通过普通摄像头实现无接触、连续多模态的疼痛评估系统。该技术的创新性在于首次将面部表情分析与心率变异性参数纯基于视频信号进行融合，为临床疼痛管理提供了可嵌入现有医疗流程的智能化工具。

研究团队采用三项核心技术方法：首先利用OpenFace 2.0工具从视频中提取17个面部动作单元（AU）强度数据；其次通过Viola-Jones算法定位面部区域，从皮肤像素的绿色通道信号中提取rPPG波形，进而计算7个关键HRV参数（包括HR_max、HR_min、SDNN等）；最后采用早期特征融合策略将AU与HRV参数整合，通过留一法交叉验证的逻辑回归模型进行分类。特别值得注意的是，团队同时采用传统短时程（300秒）和创新的超短时程（5.5秒）处理方案，以平衡分析精度与实时性需求。

HRV参数相关性验证

通过曼-惠特尼U检验与点二列相关性分析，从15个候选参数中筛选出7个与疼痛显著相关的HRV指标。如图1所示流程，确保所选参数在50%以上被试中呈现统计学显著性（p<0.05）且效应量R_pb>0.3。

rPPG与ECG信号对比

研究证实rPPG衍生的HRV参数与金标准ECG测量值具有中度至高度相关性（R_p≥29%）。如图2所示，除总频谱功率（TSP）外，其余参数相关性均超过30%阈值，验证了摄像头信号替代接触式传感器的可行性。

多模态分类性能

在实验室环境（BioVid数据库）中，超短时程处理展现出93%的高召回率，但精度仅43%，反映其敏感性强但特异性有待提升。而在真实手术场景（Individual Patient Data）中，虽然总体准确率仅48%，但超短时程处理相比单一模态提升37%的F1分数（5%→45%），证明多模态融合的临床价值。图3-4的箱线图清晰显示，超短时程处理在两类数据中均保持稳定表现。

该研究的核心突破在于建立了首个纯摄像头驱动的多模态疼痛评估框架，通过5.5秒超短时程分析实现近实时监测。尽管真实临床环境中的性能指标（48%准确率）看似不高，但考虑到手术室中摄像机角度变化、光线干扰以及长达数小时连续记录等挑战，该结果已显著优于传统单模态方法。研究者特别强调，未对临床数据进行人工筛选预处理，正是为了真实反映技术在实际应用中的鲁棒性。

技术局限主要源于临床环境的复杂性：手术台移动导致的面部遮挡、X光设备干扰下的光线突变、以及患者个体差异等因素均影响信号质量。未来研究将通过优化摄像头布局、结合深度学习算法提升特征提取鲁棒性，并探索将系统集成至现有患者监护设备的可行路径。

这项研究为疼痛管理的数字化转型提供了关键技术支撑。通过将普通摄像头转化为多模态生理信号采集器，不仅降低了设备成本和使用门槛，更使连续、无创的疼痛监测成为可能。随着技术迭代升级，这种方案或可广泛应用于术后监护、老年护理、儿科诊疗等场景，最终实现个性化、精准化的疼痛管理新范式。