基于 fNIRS 脑信号的疼痛检测：一种利用小波变换与带狄利克雷过程先验的贝叶斯分层建模的个性化机器学习方法
图像与视频处理
2019-07-31 v1 机器学习
神经元与认知
摘要
目前自我报告疼痛评分是临床疼痛评估的金标准。然而，客观的自动疼痛测量方法的发展可大幅辅助疼痛诊断与治疗。近期神经影像研究表明功能性近红外光谱（fNIRS）在疼痛检测中的潜力。这是一种提供皮层血红蛋白浓度变化之无创、长期测量的脑成像技术。本研究中，我们聚焦于仅从前额叶皮层获取的 fNIRS 信号（其可被无干扰地接入），并推导了一种利用带小波特征的贝叶斯分层建模检测疼痛是否存在的算法。该方法通过考虑被试间疼痛反应的变异性来实现推断过程的个性化。我们的工作凸显了采用个性化方法的重要性，并支持使用 fNIRS 进行疼痛评估。
引用
@article{arxiv.1907.12830,
title = {Pain Detection with fNIRS-Measured Brain Signals: A Personalized Machine Learning Approach Using the Wavelet Transform and Bayesian Hierarchical Modeling with Dirichlet Process Priors},
author = {Daniel Lopez-Martinez and Ke Peng and Arielle Lee and David Borsook and Rosalind Picard},
journal= {arXiv preprint arXiv:1907.12830},
year = {2019}
}