基于 EEG 的慢性颈痛治疗疗效预测的机器学习框架
定量方法
2026-05-19 v1 人工智能
机器学习
信号处理
摘要
慢性颈痛是全球致残的主要原因之一，当前的治疗选择仍主要依赖试错。我们提出一种机器学习框架，用于预测慢性颈痛患者对治疗的疗效，以支持个体化治疗并减少医疗系统负担。该框架以严格的数据预处理阶段为中心，针合每种 EEG 录制类型的特征进行处理。对于静息状态 EEG，预处理流程包括基线信号去除、坏频道识别与排除、重新参考、带通和陷波滤波、独立成分分析以及功率谱密度分析。对于运动执行和运动想象录音，应用相同的初始步骤后，将信号对齐到触发事件，以便量化事件相关失同步（ERD）和事件相关同步（ERS）。同步记录的肌电图数据进行带通滤波和移动平均平滑，然后与相应的 EEG 通道相关联，以刻画 attempted movement 期间的 EEG-EMG 关系。在此基础上，我们进行了对临床 EEG 应用的机器学习模型的广泛文献综述（初始筛选 763 条记录，保留 16 项患者研究和 47 项健康对照研究），以信息论进步措施。通过这种组合的预处理和综述努力，我们旨在开发出能够支持慢性疼痛管理中个性化医疗策略的稳健预测模型。
引用
@article{arxiv.2605.16326,
title = {A Machine Learning Framework for EEG-Based Prediction of Treatment Efficacy in Chronic Neck Pain},
author = {Xiru Wang and Aiden Li and Hongzhao Tan and Stevie Foglia and Aimee Nelson and Zhen Gao},
journal= {arXiv preprint arXiv:2605.16326},
year = {2026}
}
备注
15 pages, 7 figures