健康教育网
来自麻省理工学院和其他地方的研究人员开发了一种通过从可穿戴神经影像设备的脑活动分析脑活动来检测患者的疼痛，这可以帮助医生诊断和治疗无意识和非传染性患者的疼痛。
来自麻省理工学院和其他地方的研究人员开发了一种系统，通过从便携式神经影像装置分析大脑活动来测量患者的疼痛水平。该系统可以帮助医生诊断和治疗无意识和非传染性患者的疼痛，这可能降低手术后可能发生的慢性疼痛的风险。
痛苦管理是一个令人惊讶的挑战性，复杂的平衡行为。例如，过度治疗疼痛造成患者止痛药的风险。另一方面，疼痛可能导致长期的慢性疼痛和其他并发症。今天，医生通常根据他们的患者自己的报道衡量疼痛水平。但是患者无法传达他们如何有效地感受 - 或者是儿童，老年患者痴呆患者，或正在进行手术的患者？
在国际情感计算和智能互动国际会议上提出的论文中，研究人员描述了一种量化患者疼痛的方法。为此，它们利用称为功能近红外光谱（FNIR）的新兴的神经影像技术，其中放置在头部周围的传感器测量表示神经元活性的含氧血红蛋白浓度。
对于他们的工作，研究人员仅在患者的额头上仅使用少数Fnirs传感器来测量前额叶皮质的活性，这在疼痛处理中发挥着重要作用。使用测量的脑信号，研究人员开发了个性化的机器学习模型，以检测与疼痛反应相关的含氧血红蛋白水平的模式。当传感器到位时，模型可以检测患者是否经历了大约87％的精度疼痛。
“多年来，我们测量疼痛的方式没有变化，”哈佛医学课程中的博士学生兼医学媒体实验室研究员博士学生Daniel Lopez-Martinez说。“如果我们没有多少痛苦的经历，治疗疼痛和运行临床试验的指标变得具有挑战性。动机是以客观方式量化疼痛，这不需要患者的合作，例如当患者在手术期间无意识。“
传统上，手术患者根据其年龄，体重，以前的疾病和其他因素接受麻醉和药物。如果他们不动，他们的心率保持稳定，他们认为很好。但是大脑可能仍然可以在无意识的同时加工疼痛信号，这可能导致术后疼痛和长期的慢性疼痛。研究人员的系统可以提供关于无意识的患者疼痛水平的实时信息的外科医生，因此他们可以相应地调整麻醉和药物剂量以阻止这些疼痛信号。
加入Lopez-Martinez论文是：哈佛医学院柯鹏，波士顿儿童医院，蒙特利尔的密友研究中心; Arielle Lee和David Borsook，哈佛医学院，波士顿儿童医院和马萨诸塞州综合医院;和Rosalind Picard，媒体艺术与科学教授以及媒体实验室的情感计算研究总监。
专注于额头
在他们的工作中，研究人员改编了FNIRS系统，并开发了新的机器学习技术，使系统更准确和实用的临床用途。
要使用Fnirs，传统传统上传统上围绕患者的头部。不同波长的近红外光芒闪耀着头骨并进入大脑。氧化和脱氧血红蛋白不同地吸收波长，稍微改变它们的信号。当红外信号反射回传感器时，信号处理技术使用改变的信号来计算大脑的不同区域中的每个血红蛋白类型中的许多信号。
当患者受伤时，与疼痛相关的大脑的区域将看到含氧血红蛋白的急剧上升，并且在脱氧血红蛋白中降低，并且可以通过FNIR监测来检测这些变化。但传统的Fnirs系统在患者头部周围的传感器。这可能需要很长时间才能设置，并且患者可能难以躺下的患者。对接受手术的患者也不是真的可行的。
因此，研究人员调整了FNIRS系统，仅从前额叶皮质专门测量信号。虽然疼痛处理涉及来自大脑的多个区域的信息的产出，但研究已经显示了前额定Cortex整合所有信息。这意味着他们需要仅在额头上放置传感器。
传统FNIRS系统的另一个问题是他们捕获来自骷髅和噪声的头骨和皮肤的一些信号。要解决此问题，研究人员安装了额外的传感器以捕获并滤除这些信号。
个性化的痛苦建模
在机器学习方面，研究人员培训并在从43名男性参与者收集的标签疼痛处理数据集中进行了培训并测试了模型。（接下来，他们计划从佩戴患者群体中收集更多的数据，包括女性患者 - 在手术期间，而且有意识，以及一系列疼痛强度 - 为了更好地评估系统的准确性。）
每个参与者都涉及研究人员的Fnirs装置，随机暴露于无害的感觉，然后在两种不同的疼痛强度下对其拇指进行大约十几次冲击，以1-10：低水平（约3/10）或高水平（约7/10）。这两个强度是用预测试的：与会者自我报告的低水平只有在没有疼痛的情况下强烈意识到震荡，以及它们可以忍受的最大疼痛的高水平。
在训练中，模型从与存在多种氧化和脱氧血红蛋白有关的信号中提取了数十个特征，以及含氧血红蛋白水平升高的速度。这两项指标 - 数量和速度 - 更清楚地了解了患者对不同强度疼痛体验的体验。
重要的是，该模型还会自动生成从inpidual患者群中提取高分辨率特征的“个性化”子模型。传统上，在机器学习中，一种模型学习分类 - “痛苦”或“无痛苦” - 基于整个患者人口的平均响应。但是，广义方法可以降低准确性，特别是患者患者患者。
研究人员的模型是在整个人口上进行培训，但同时识别较大数据集中的子公司之间的共享特征。例如，对两个强度的疼痛反应可能在年轻和旧患者之间不同，或者取决于性别。这产生了分解并并行地进行患者群体的模式的学习子模型。然而，与此同时，他们仍然在整个人口中共享信息和学习模式。简而言之，他们同时利用细粒度的个性化信息和人口级信息来培训更好。
个性化模型和传统模型在分类的关于来自数据集的随机扑出大脑信号中的疼痛或无疼痛中进行了评估，其中每个参与者都知道自我报告的疼痛评分。个性化模型的表现优于传统模式约20％，准确达到约87％。
“因为我们能够以这种高精度检测疼痛，所以在额头上只使用几种传感器，我们对将这种技术带来了真实世界的临床环境的坚实基础，”Lopez-Martinez说。
