使用机器学习技术从血容量脉搏 (BVP) 信号中自动识别疼痛
机器学习
2023-03-21 v1 人机交互
摘要
疼痛的生理反应在研究人员中受到越来越多的关注，以用于开发自动疼痛识别传感系统。尽管探索较少，血容量脉搏 (BVP) 仍是可能有助于客观疼痛评估的候选生理指标之一。在本研究中，我们将机器学习技术应用于 BVP 信号，以设计一种用于疼痛感知的非侵入性模态。三十二名健康受试者参与了本研究。首先，我们研究了一组可能对疼痛敏感的新型时域、频域和非线性动力学特征。这些特征包括来自 BVP 信号的 24 个特征，以及来自从同一 BVP 信号导出的心动间期 (IBIs) 的 20 个附加特征。利用这些特征，我们构建了用于检测疼痛存在及其强度的机器学习模型。我们探索了不同的机器学习模型，包括 Logistic Regression、Random Forest、Support Vector Machines、Adaptive Boosting (AdaBoost) 和 Extreme Gradient Boosting (XGBoost)。其中，我们发现 XGBoost 在疼痛分类和疼痛强度估计任务中均提供了最佳的模型性能。以无痛为基线，XGBoost 模型检测低疼痛、中度疼痛和重度疼痛的 ROC-AUC 分别为 80.06 %、85.81 % 和 90.05 %。此外，XGBoost 分类器区分中度疼痛与重度疼痛的 ROC-AUC 为 91%。在三个疼痛等级的多类分类中，XGBoost 提供了最佳性能，平均 F1 分数为 80.03%。我们的结果表明，BVP 信号结合机器学习算法是一种很有前景的用于自动疼痛评估的生理测量方法。这项工作将对准确的疼痛评估、有效的疼痛管理、减少患者的药物寻求行为以及应对国家阿片类药物危机产生全国性影响。
引用
@article{arxiv.2303.10607,
title = {Automatic pain recognition from Blood Volume Pulse (BVP) signal using machine learning techniques},
author = {Fatemeh Pouromran and Yingzi Lin and Sagar Kamarthi},
journal= {arXiv preprint arXiv:2303.10607},
year = {2023}
}