PainDECOG：基于机器学习的sEEG信号疼痛生物标志物识别
信号处理
2025-03-06 v3
摘要
本研究提出了一种系统化的机器学习方法，用于从原始电生理信号中对急性疼痛进行分类。我们解决了二分类和三分类任务，利用功率带内（Power-In-Band, PIB）和信号相干性作为判别特征。该方法评估了传统机器学习算法在来自经颅电生理信号（iEEG）的手动精选电生理数据集上的有效性，为疼痛检测提供了宝贵的模型性能见解。此外，我们确定了与急性疼痛相关的关键电极配对，为理解不同疼痛状态的神经标记提供了更清晰的认识。该工作突显了针对性特征工程在推进疼痛分类方面的潜力，为未来的实时和个性化疼痛评估工具奠定了基础。此外，这些发现在神经调制和深部脑刺激（DBS）方面具有前景的应用，后者可以利用已识别的疼痛标记来调制疼痛相关脑区，从而为慢性疼痛管理提供更好的治疗选项。
引用
@article{arxiv.2502.10621,
title = {PainDECOG: Machine Learning-Based Identification of Pain Biomarkers from sEEG Signals},
author = {Sidharth Sidharth and Vishwas Sathish and Shweta Bansal and Samantha Sun and Timmy Pham and Kurt Weaver and Rajesh P. N. Rao and Jeffrey Herron},
journal= {arXiv preprint arXiv:2502.10621},
year = {2025}
}
备注
14 pages