Applied machine learning for nociceptive pain detection using EEG spectral features
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».