综述：基于机器学习模型的疼痛检测研究：叙述性综述

（推荐语）这篇综述系统梳理了自动化疼痛评估领域的最新进展，重点探讨了面部表情（FACS）、生理信号（EDA/HRV）和音频等多模态检测方法，揭示了机器学习（ML）在解决传统疼痛量表（VAS/NRS）局限性方面的潜力，同时指出临床数据匮乏和个体差异等关键挑战。

　　

背景

疼痛作为人类寻求医疗救助的首要原因，已成为重要的社会健康问题。国际疼痛研究协会（IASP）将其定义为"与实际或潜在组织损伤相关的不愉快感觉和情感体验"。随着生物-心理-社会医学模式的发展，疼痛机制研究逐渐从单纯的神经生理学扩展到多维度交互作用领域。根据持续时间可分为急性疼痛（短时）和慢性疼痛（持续>3个月），后者在美国成年人中患病率达20%，每年造成约5.6亿美元的经济负担。

疼痛机制

疼痛本质是大脑产生的心理状态，其传导涉及复杂的神经通路：伤害性刺激激活外周伤害感受器后，信号经脊髓背角传递至脑干，最终由大脑皮层形成痛觉感知。急性疼痛主要通过C纤维（慢痛）和Aδ纤维（快痛）传导，而慢性疼痛机制更为复杂，国际疾病分类第11版（ICD-11）将其分为肌肉骨骼痛、神经病理性痛等亚型。交感神经系统（SNS）通过释放儿茶酚胺类物质引发心率加快、血压升高等生理反应，这些变化为客观疼痛评估提供了生物标志物基础。

疼痛数据集发展

研究疼痛检测需依赖高质量数据集。实验性疼痛数据集如BioVid（含87名健康受试者的热痛数据）和UNBC-McMaster（25名肩痛患者的面部视频）通过标准化刺激诱发疼痛。临床数据集则更具挑战性，如NPAD-IA收录了40名婴儿术后疼痛的多模态数据。值得注意的是，新生儿疼痛评估数据库（如iCOPE）通过面部照片标注疼痛状态，而EmoPain则创新性地整合了表面肌电（sEMG）和运动捕捉数据。

自动疼痛评估技术

面部表情分析

作为疼痛评估的"黄金标准"，面部动作编码系统（FACS）识别出与疼痛相关的特定动作单元（AUs），包括皱眉（AU4）、眯眼（AU6/7）等。Prkachin提出的PSPI公式（AU4+AU6/7+AU9/10+AU43）量化了疼痛强度。计算机视觉技术从空间特征（HOG/LBP）发展到时空特征（3D-CNN），最新研究如Barua的"百叶窗模型"通过局部面部区域分析达到95%准确率。新生儿疼痛识别面临特殊挑战，Zamzmi开发的级联CNN在婴儿数据集上实现91%的AUC值。

生理信号检测

1. 脑电信号（EEG）：Panavaranan团队利用功率谱密度特征和SVM分类器，在热痛识别中取得96.97%准确率。
2. 功能磁共振（fMRI）：Wager团队通过LASSO回归分析脑区激活模式，建立了疼痛的神经特征图谱。
3. 心电信号（ECG）：Jiang等从心率变异性（HRV）提取LF/HF频段特征，在电刺激疼痛分类中AUC达0.82。
4. 皮肤电活动（EDA）：BioVid研究显示皮肤电导峰值与疼痛强度显著相关（r=0.68，P<0.01）。

可穿戴设备如Empatica E4腕带和BioHarness胸带实现了生理信号的实时采集，为临床监测提供便利。

多模态融合策略

早期融合（特征级）和晚期融合（决策级）是两种主要策略。Werner在BioVid数据集上结合面部与生理信号，使疼痛耐受检测准确率提升至80.6%。Thiam提出的分层融合架构通过伪逆映射优化多模态数据整合，而Bellmann的"主导通道融合"则创新性地动态调整模态权重。

挑战与展望

当前面临三大瓶颈：临床数据稀缺（仅38%研究使用真实患者数据）、个体差异（疼痛阈值变异系数达35%），以及模型泛化能力不足（跨数据集准确率下降约22%）。未来方向包括：

1. 开发微型化边缘计算设备（如Raspberry Pi部署TinyML模型）
2. 探索注意机制（如Transformer）处理多模态时序数据
3. 建立标准化临床疼痛数据库（建议纳入至少500例慢性疼痛患者的多中心研究）

伦理问题同样不容忽视，需确保数据匿名化（符合HIPAA标准）和算法透明度（SHAP值解释模型决策）。随着5G远程医疗发展，实时疼痛监测系统有望在术后护理和ICU病房率先实现临床应用，为精准医疗提供新范式。