基于多项式回归随机梯度优化转换器学习的慢性神经病理性疼痛检测模型研究

《Scientific Reports》：EEG based brain computer interface using multinomial regressive transformer learning for chronic neuropathic pain detection

　　

摘要

慢性神经病理性疼痛是由神经系统功能障碍引起的一种具有压力的健康问题，严重影响了患者的生活。早期慢性神经病理性疼痛检测模型利用了深度学习和机器学习技术。然而，传统方法在实现准确及时的检测方面面临挑战。为了提高慢性神经病理性疼痛检测的准确性，开发了一种新的多项式回归随机梯度优化转换器学习（MRSGOTL）模型。使用Hilbert-Huang变换进行脑电（EEG）信号预处理，以提高信号质量。然后，进行深度转换器学习以检测慢性神经病理性疼痛。转换器学习使用多层感知机（MLP）分类器模型，通过随机梯度蝗虫优化算法，以较少的误差对不同程度的神经病理性疼痛严重程度进行分类。该模型取得了优异的性能指标，包括96%的准确率、0.97的精确率、0.98的召回率、0.97的F1分数，以及151秒的处理时间，显著优于传统模型。研究结果强调，所提出的模型支持临床医生进行早期诊断和制定有效治疗决策。