Accurate classification of pain experiences using wearable electroencephalography in adolescents with and without chronic musculoskeletal pain
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Objective We assessed the potential of using EEG to detect cold thermal pain in adolescents with and without chronic musculoskeletal pain. Methods Thirty-nine healthy controls (15.2 ± 2.1 years, 18 females) and 121 chronic pain participants (15.0 ± 2.0 years, 100 females, 85 experiencing pain ≥12-months) had 19-channel EEG recorded at rest and throughout a cold-pressor task (CPT). Permutation entropy, directed phase lag index, peak frequency, and binary graph theory features were calculated across 10-second EEG epochs (Healthy: 292 baseline / 273 CPT epochs; Pain: 1039 baseline / 755 CPT epochs). Support vector machine (SVM) and logistic regression models were trained to classify between baseline and CPT conditions separately for control and pain participants. Results SVM models significantly distinguished between baseline and CPT conditions in chronic pain (75.2% accuracy, 95% CI: 71.4%–77.1%; p < 0.0001) and control (74.8% accuracy, 95% CI: 66.3%–77.6%; p < 0.0001) participants. Logistic regression models performed similar to the SVM (Pain: 75.8% accuracy, 95% CI: 69.5%–76.6%, p < 0.0001; Controls: 72.0% accuracy, 95% CI: 64.5%–78.5%, p < 0.0001). Permutation entropy features in the theta frequency band were the largest contributor to model accuracy for both groups. Conclusions Our results demonstrate that subjective pain experiences can accurately be detected from electrophysiological data, and represent the first step towards the development of a point-of-care system to detect pain in the absence of self-report.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,015 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle