面向 EEG 基于疼痛感知识别的通用学习模型
信号处理
2025-08-19 v1 人工智能
机器学习
摘要
基于机器学习的 EEG 分析揭示了大脑如何通过识别由无痛刺激引起的神经模式来编码疼痛。然而，一个仍然存在的主要挑战是机器学习模型在个体之间之间的泛化能力，鉴于 EEG 信号本身的高跨个体变异性以及当前研究中对直接疼痛感知识别的有限关注。本研究系统性地评估了跨个体泛化性能广泛模型，包括传统分类器和深度神经分类器，用于从 EEG 记录中识别热疼痛和令人不适的听觉刺激的感觉模态。我们使用来自 108 名受试者的新型 EEG 数据集，对模型在 within- 和 cross-participant 评估设置下的性能进行基准测试。我们的发现表明，传统模型从 within- 到 cross-participant 性能下降幅度最大，而深度学习模型则更具韧性，这凸显了其在主体无关 EEG 解码方面的潜力。尽管性能变异仍然较大，基于图的模型的优异结果凸显了其捕捉 EEG 信号中主体无关结构的潜力。另一方面，我们也分享了本研究使用的预处理数据集，为在相同的泛化约束下评估未来算法提供了标准化基准。
引用
@article{arxiv.2508.11691,
title = {Towards Generalizable Learning Models for EEG-Based Identification of Pain Perception},
author = {Mathis Rezzouk and Fabrice Gagnon and Alyson Champagne and Mathieu Roy and Philippe Albouy and Michel-Pierre Coll and Cem Subakan},
journal= {arXiv preprint arXiv:2508.11691},
year = {2025}
}
备注
6 pages, 2 figures, 2 tables, MLSP IEEE conference