利用会话内连续真实标签分数提升机器学习性能:客观骨骼肌痛觉强度预测的初步研究
机器学习
2023-08-03 v1 人工智能
软件工程
信号处理
摘要
在主观自我报告分数上训练的机器学习(ML)模型难以准确客观地对疼痛进行分类,因为实时疼痛体验与事后记录分数之间存在显著方差。本研究开发了两种设备,用于采集实时、会话内连续疼痛分数以及收集由自主神经系统调制的皮电活动(EDA)。实验招募了 N = 24 名受试者,他们接受了运动后循环阻断(PECO)伴拉伸,以诱发不适。受试者数据存储于自定义疼痛平台,便于提取时域 EDA 特征与会话内真实标签分数。此外,还收集了每位受试者实验后的视觉模拟量表(VAS)分数。机器学习模型,即多层感知机(MLP)和随机森林(RF),分别使用相应的客观 EDA 特征结合会话内分数和会话后分数进行训练。在 10 折交叉验证下,宏平均几何平均分数显示,使用客观 EDA 特征和会话内分数训练的 MLP 和 RF 模型取得了更优性能(75.9% 和 78.3%),而使用会话后分数训练的模型分别为(70.3% 和 74.6%)。这项开创性研究表明,使用会话内连续真实标签分数显著增强了 ML 在疼痛强度表征中的性能,克服了真实标签稀疏相关问题、数据不平衡和高方差。本研究为未来基于客观的 ML 疼痛系统训练提供了参考。
引用
@article{arxiv.2308.00886,
title = {Enhancing Machine Learning Performance with Continuous In-Session Ground Truth Scores: Pilot Study on Objective Skeletal Muscle Pain Intensity Prediction},
author = {Boluwatife E. Faremi and Jonathon Stavres and Nuno Oliveira and Zhaoxian Zhou and Andrew H. Sung},
journal= {arXiv preprint arXiv:2308.00886},
year = {2023}
}
备注
18 pages, 2-page Appendix, 7 figures