Applied machine learning for nociceptive pain detection using EEG spectral features
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
Abstract Objective . This study explores a more reliable method for measuring nociceptive pain induced by laser stimuli from electroencephalography (EEG) signals, addressing the limitations of fixed pain scales by incorporating inter-individual variability in subjective pain tolerance. Approach . For this purpose, a public database was used that includes recordings from 51 subjects who received controlled laser stimuli at three different intensities on the back of the hand to evoke pain, while EEG activity was simultaneously recorded. Signal processing techniques were then applied to extract power in six frequency bands (e.g., alpha, beta, gamma). The extracted features were fed into machine learning algorithms to predict pain levels. This prediction was performed by comparing two data labeling strategies (reaction time versus laser intensity) and two different EEG channel configurations (62 channels versus 20 somatosensory channels). Main results . The power of EEG frequency bands, combined with machine learning, distinguished pre-stimulus from in-stimulus conditions with an average accuracy of 86%. Classification across pain levels was more challenging, reaching a maximum of 63% in the binary discrimination between high and low pain. The 62-channel configuration and the 20-channel somatosensory setup showed similar performance, although in some cases the 62-channel setup yielded better results. Incorporating temporal information from reaction times further improved performance, with time-based labels significantly outperforming intensity-based labels. Significance . Our results indicate that the best labeling system for predicting nociceptive pain levels is that one based on reaction time ( p -value < 0.001; two-sided Student’s t-test), thus suggesting that pain perception is subjective and that classifying pain solely based on stimulus intensity may not be reliable.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
| 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