基于脑电图(EEG)的疼痛分类方法:通过样本选择削弱主观标签偏差
《IEEE Transactions on Neural Systems and Rehabilitation Engineering》:EEG-based Pain Classification via Sample Selection to Mitigate Subjective Label Bias
【字体:
大
中
小
】
时间:2026年05月15日
来源:IEEE Transactions on Neural Systems and Rehabilitation Engineering 5.2
编辑推荐:
摘要:
量化疼痛强度对于实现个性化疼痛管理至关重要。最近,基于脑电图(EEG)的方法被用于评估疼痛程度,特别是对于那些由于认知或神经损伤而无法表达疼痛的患者。然而,大多数现有方法都是使用自我报告的疼痛标签进行训练的,这些标签本质上具有主观性。这种主观性往往导致模型存在
摘要:
量化疼痛强度对于实现个性化疼痛管理至关重要。最近,基于脑电图(EEG)的方法被用于评估疼痛程度,特别是对于那些由于认知或神经损伤而无法表达疼痛的患者。然而,大多数现有方法都是使用自我报告的疼痛标签进行训练的,这些标签本质上具有主观性。这种主观性往往导致模型存在偏差,从而限制了预测的可靠性。为了解决这个问题,我们提出了一种新颖的方法,在训练过程中结合了可靠的样本筛选来进行基于EEG的疼痛程度分类。该方法量化了样本的信息量并估计了标签的可靠性。然后为每个样本分配一个优先级,将那些被认定为不可靠或无信息量的样本排除在外,以提高模型的鲁棒性。我们使用41名参与者在温暖、寒冷和热栅格错觉(TGI)刺激下的EEG数据对该方法进行了评估,疼痛标签是通过数值评分量表(NRS)收集的。采用5折交叉验证程序来确保定量和定性评估的可靠性。与基线模型相比,所提出的模型在多类分类任务中(分别有3类、6类和10类)取得了统计上显著的改进。此外,我们还证明了该方法能够很好地泛化到之前未见过的热刺激类型,这突显了其在非交流患者中进行客观疼痛评估的潜力。进一步的分析揭示了与疼痛相关的EEG特征,表明左右额颞电极(F7和F8)的δ波段活动与感知到的疼痛强度有很强的相关性。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号