Multimodal pain intensity assessment based on physiological biosignals.
Φόρτωση...
Ημερομηνία
2024-07-15
Συγγραφείς
Τίτλος Εφημερίδας
Περιοδικό ISSN
Τίτλος τόμου
Εκδότης
ΕΛΜΕΠΑ, Σχολή Μηχανικών (ΣΜΗΧ), ΠΜΣ Μηχανικών Πληροφορικής
Επιβλέπων
Περίληψη
Pain is a multifaceted and subjective experience that can affect individuals both physically and
emotionally. According to the most widely accepted definition, it is characterized as the “unpleas ant sensory and emotional experience associated with, or resembling that associated with actual or
potential tissue damage”. Visual analog scales, numeric rating scales, and various questionnaires,
all relying on patient-reported outcome measurements, are prevalent methods within healthcare
and research domains for assessing the presence, incidence, and severity of pain. Nevertheless,
self-report evaluation tools require cognitive, linguistic, and social abilities, which may manifest
variations in certain populations such as neonates, individuals with intellectual disabilities, and
those affected by dementia.
Pain can be classified as either acute or chronic. Acute pain is sudden, sharp, and usually,
temporary. Conversely, persistent pain can result in prolonged suffering. Chronic pain is defined
as enduring discomfort lasting beyond six months, often representing a disease state. Diagnosing
and managing chronic pain can be challenging due to its sustained nature. In the case of individ uals hospitalized with chronic conditions, precise pain assessment is imperative for the effective
application of pain management strategies.
Currently, pain detection and accurate classification continue to pose a significant challenge in
both the medical field and research endeavors. The objective of this master thesis is to automate
pain recognition and assessment through physiological-data-driven predictive models. This study
emphasizes the substantial importance of integrating multimodal physiological signals and explor ing their most efficient combination. Furthermore, we explored the influence of using multiple
types of signal (multimodal approach) on any improvements in performance compared to using
just one type of signal (unimodal approach). Additionally, we aimed to scrutinize the influence of
demographic factors such as gender and age on pain perception and how they may affect the out comes of our experiments. We used the BioVid Part A dataset as input in our pipeline, incorporating
the demographic data with age groups divided into: 20-35 years, 36-50 years, and 51-65 years. The
Pan & Tompkins algorithm was applied for ECG feature extraction, while statistical analysis was
employed for both GSR and EMG signals. Following data pre-processing, an early fusion approach
was implemented in all unimodal and multimodal experiments encompassing binary (no pain vs.
1
pain) and multiclass tasks (all pain levels, no pain vs. pain levels).
The Long Short-Term Memory (LSTM) approach demonstrated superior performance in pain
intensity classification compared to Support Vector Machines (SVM) and Decision Trees, whether
applied in unimodal or multimodal tasks. Galvanic skin response emerged as the most effective
standalone modality, while the combination of ECG, EMG, and GSR proved to be the most ef fective pair of fused modalities. The combination of all physiological signals resulted in further
improvement in our outcomes, achieving 81.75% accuracy in the binary classification task of no
pain (BL) versus the highest level of pain (PA4) and 86.05% in the female population of the same
classification task. It is noteworthy that in machine learning experiments, the polynomial kernel
consistently yielded higher accuracy values in both binary and multiclass classification tasks. To
the best of our knowledge, our study reported the highest accuracy (82.83%) in gender-age-based
experiments using all physiological data from the BioVid dataset. This performance was observed
in a binary task distinguishing between baseline and the highest intensity of pain within the female
population aged 20-35.
Ο πόνος είναι μια πολύπλευρη και υποκειμενική εμπειρία που μπορεί να επηρεάσει τα άτομα τόσο σωματικά όσο και συναισθηματικά. Σύμφωνα με τον πιο ευρέως αποδεκτό ορισμό, χαρακτηρίζεται ως «η δυσάρεστη αισθητηριακή και συναισθηματική εμπειρία που σχετίζεται ή μοιάζει με αυτή που σχετίζεται με πραγματική ή πιθανή βλάβη των ιστών». Οι οπτικές αναλογικές κλίμακες, οι αριθμητικές κλίμακες αξιολόγησης και διάφορα ερωτηματολόγια, όλα βασιζόμενα σε μετρήσεις αποτελεσμάτων που αναφέρθηκαν από τον ασθενή, είναι διαδεδομένες μέθοδοι στους τομείς της υγειονομικής περίθαλψης και της έρευνας για την αξιολόγηση της παρουσίας, της επίπτωσης και της σοβαρότητας του πόνου. Ωστόσο, τα εργαλεία αξιολόγησης αυτό-αναφοράς απαιτούν γνωστικές, γλωσσικές και κοινωνικές ικανότητες, οι οποίες μπορεί να εκδηλώνουν διακυμάνσεις σε ορισμένους πληθυσμούς όπως τα νεογνά, τα άτομα με νοητική υστέρηση και τα άτομα που πάσχουν από άνοια. Ο πόνος μπορεί να ταξινομηθεί είτε ως οξύς είτε ως χρόνιος. Ο οξύς πόνος είναι ξαφνικός, οξύς και συνήθως, προσωρινός. Αντίθετα, ο επίμονος πόνος μπορεί να οδηγήσει σε παρατεταμένη ταλαιπωρία. Ο χρόνιος πόνος ορίζεται ως η διαρκής ενόχληση που διαρκεί περισσότερο από έξι μήνες, που συχνά αντιπροσωπεύει μια κατάσταση ασθένειας. Η διάγνωση και η διαχείριση του χρόνιου πόνου μπορεί να είναι δύσκολη λόγω της παρατεταμένης φύσης του. Στην περίπτωση ατόμων που νοσηλεύονται με χρόνιες παθήσεις, η ακριβής εκτίμηση του πόνου είναι επιτακτική ανάγκη για την αποτελεσματική εφαρμογή των στρατηγικών διαχείρισης του πόνου. Επί του παρόντος, η ανίχνευση του πόνου και η ακριβής ταξινόμηση συνεχίζουν να αποτελούν σημαντική πρόκληση τόσο στον ιατρικό τομέα όσο και στις ερευνητικές προσπάθειες. Ο στόχος αυτής της διπλωματικής εργασίας είναι να αυτοματοποιήσει την αναγνώριση και την αξιολόγηση του πόνου μέσω προγνωστικών μοντέλων που βασίζονται σε φυσιολογικά δεδομένα. Αυτή η μελέτη τονίζει την ουσιαστική σημασία της ενσωμάτωσης πολυτροπικών φυσιολογικών σημάτων και της διερεύνησης του πιο αποτελεσματικού συνδυασμού τους. Επιπλέον, διερευνήσαμε την επίδραση της χρήσης πολλαπλών τύπων σήματος (πολυτροπική προσέγγιση) σε τυχόν βελτιώσεις στην απόδοση σε σύγκριση με τη χρήση μόνο ενός τύπου σήματος (μονοτροπική προσέγγιση). Επιπλέον, στοχεύσαμε να εξετάσουμε εξονυχιστικά την επίδραση δημογραφικών παραγόντων όπως το φύλο και η ηλικία στην αντίληψη του πόνου και πώς αυτά μπορεί να επηρεάσουν τα αποτελέσματα των πειραμάτων μας. Χρησιμοποιήσαμε το σύνολο δεδομένων BioVid Μέρος Α ως είσοδο στα πειράματα μας, ενσωματώνοντας τα δημογραφικά δεδομένα με ηλικιακές ομάδες χωρισμένες σε: 20-35 ετών, 36-50 ετών και 51-65 ετών. Ο αλγόριθμος Pan & Tompkins εφαρμόστηκε για την εξαγωγή χαρακτηριστικών ECG, ενώ χρησιμοποιήθηκε στατιστική ανάλυση για τα σήματα GSR και EMG. Μετά την προεπεξεργασία δεδομένων, εφαρμόστηκε μια πρώιμη προσέγγιση σύντηξης σε όλα τα μονοτροπικά και πολυτροπικά πειράματα που περιλάμβαναν δυαδικές και πολλαπλές κατηγοριοποιήσεις (όλα τα επίπεδα πόνου, μη ύπαρξη πόνου έναντι των διαφορετικών επιπέδων πόνου). Η προσέγγιση Long Short-Term Memory (LSTM) σημείωσε την καλύτερη απόδοση στην ταξινόμηση της έντασης του πόνου σε σύγκριση με τα Support Vector Machines (SVM) και τα Decision Trees, είτε εφαρμόζοντας την σε μονοτροπικές είτε σε πολυτροπικές κατηγοριοποιήσεις. Η γαλβανική απόκριση δέρματος αναδείχθηκε ως η πιο αποτελεσματική αυτόνομη μέθοδος, ενώ ο συνδυασμός ECG, EMG και GSR αποδείχθηκε το πιο αποτελεσματικό ζεύγος συγχωνευμένων τρόπων. Ο συνδυασμός όλων των φυσιολογικών σημάτων οδήγησε σε περαιτέρω βελτίωση στα αποτελέσματά μας, επιτυγχάνοντας 81.75% ακρίβεια στην δυαδική ταξινόμηση χωρίς πόνο (BL) έναντι του υψηλότερου επιπέδου πόνου (PA4) και 86.05% στον γυναικείο πληθυσμό της ίδιας ταξινόμησης . Αξίζει να σημειωθεί ότι σε πειράματα μηχανικής μάθησης, ο πολυωνυμικός πυρήνας απέδωσε σταθερά υψηλότερες τιμές ακρίβειας τόσο σε δυαδικές όσο και σε ταξινόμησεις πολλαπλών κλάσεων. Από όσο γνωρίζουμε, η μελέτη μας σημείωσε την υψηλότερη ακρίβεια (82.83%) σε πειράματα με βάση το φύλο, χρησιμοποιώντας όλα τα φυσιολογικά δεδομένα από το σύνολο δεδομένων BioVid. Αυτή η απόδοση παρατηρήθηκε σε μια δυαδική κατηγοριοποίηση «καθόλου πόνου» και «της υψηλότερης έντασης πόνου» στον γυναικείο πληθυσμό ηλικίας 20-35 ετών.
Ο πόνος είναι μια πολύπλευρη και υποκειμενική εμπειρία που μπορεί να επηρεάσει τα άτομα τόσο σωματικά όσο και συναισθηματικά. Σύμφωνα με τον πιο ευρέως αποδεκτό ορισμό, χαρακτηρίζεται ως «η δυσάρεστη αισθητηριακή και συναισθηματική εμπειρία που σχετίζεται ή μοιάζει με αυτή που σχετίζεται με πραγματική ή πιθανή βλάβη των ιστών». Οι οπτικές αναλογικές κλίμακες, οι αριθμητικές κλίμακες αξιολόγησης και διάφορα ερωτηματολόγια, όλα βασιζόμενα σε μετρήσεις αποτελεσμάτων που αναφέρθηκαν από τον ασθενή, είναι διαδεδομένες μέθοδοι στους τομείς της υγειονομικής περίθαλψης και της έρευνας για την αξιολόγηση της παρουσίας, της επίπτωσης και της σοβαρότητας του πόνου. Ωστόσο, τα εργαλεία αξιολόγησης αυτό-αναφοράς απαιτούν γνωστικές, γλωσσικές και κοινωνικές ικανότητες, οι οποίες μπορεί να εκδηλώνουν διακυμάνσεις σε ορισμένους πληθυσμούς όπως τα νεογνά, τα άτομα με νοητική υστέρηση και τα άτομα που πάσχουν από άνοια. Ο πόνος μπορεί να ταξινομηθεί είτε ως οξύς είτε ως χρόνιος. Ο οξύς πόνος είναι ξαφνικός, οξύς και συνήθως, προσωρινός. Αντίθετα, ο επίμονος πόνος μπορεί να οδηγήσει σε παρατεταμένη ταλαιπωρία. Ο χρόνιος πόνος ορίζεται ως η διαρκής ενόχληση που διαρκεί περισσότερο από έξι μήνες, που συχνά αντιπροσωπεύει μια κατάσταση ασθένειας. Η διάγνωση και η διαχείριση του χρόνιου πόνου μπορεί να είναι δύσκολη λόγω της παρατεταμένης φύσης του. Στην περίπτωση ατόμων που νοσηλεύονται με χρόνιες παθήσεις, η ακριβής εκτίμηση του πόνου είναι επιτακτική ανάγκη για την αποτελεσματική εφαρμογή των στρατηγικών διαχείρισης του πόνου. Επί του παρόντος, η ανίχνευση του πόνου και η ακριβής ταξινόμηση συνεχίζουν να αποτελούν σημαντική πρόκληση τόσο στον ιατρικό τομέα όσο και στις ερευνητικές προσπάθειες. Ο στόχος αυτής της διπλωματικής εργασίας είναι να αυτοματοποιήσει την αναγνώριση και την αξιολόγηση του πόνου μέσω προγνωστικών μοντέλων που βασίζονται σε φυσιολογικά δεδομένα. Αυτή η μελέτη τονίζει την ουσιαστική σημασία της ενσωμάτωσης πολυτροπικών φυσιολογικών σημάτων και της διερεύνησης του πιο αποτελεσματικού συνδυασμού τους. Επιπλέον, διερευνήσαμε την επίδραση της χρήσης πολλαπλών τύπων σήματος (πολυτροπική προσέγγιση) σε τυχόν βελτιώσεις στην απόδοση σε σύγκριση με τη χρήση μόνο ενός τύπου σήματος (μονοτροπική προσέγγιση). Επιπλέον, στοχεύσαμε να εξετάσουμε εξονυχιστικά την επίδραση δημογραφικών παραγόντων όπως το φύλο και η ηλικία στην αντίληψη του πόνου και πώς αυτά μπορεί να επηρεάσουν τα αποτελέσματα των πειραμάτων μας. Χρησιμοποιήσαμε το σύνολο δεδομένων BioVid Μέρος Α ως είσοδο στα πειράματα μας, ενσωματώνοντας τα δημογραφικά δεδομένα με ηλικιακές ομάδες χωρισμένες σε: 20-35 ετών, 36-50 ετών και 51-65 ετών. Ο αλγόριθμος Pan & Tompkins εφαρμόστηκε για την εξαγωγή χαρακτηριστικών ECG, ενώ χρησιμοποιήθηκε στατιστική ανάλυση για τα σήματα GSR και EMG. Μετά την προεπεξεργασία δεδομένων, εφαρμόστηκε μια πρώιμη προσέγγιση σύντηξης σε όλα τα μονοτροπικά και πολυτροπικά πειράματα που περιλάμβαναν δυαδικές και πολλαπλές κατηγοριοποιήσεις (όλα τα επίπεδα πόνου, μη ύπαρξη πόνου έναντι των διαφορετικών επιπέδων πόνου). Η προσέγγιση Long Short-Term Memory (LSTM) σημείωσε την καλύτερη απόδοση στην ταξινόμηση της έντασης του πόνου σε σύγκριση με τα Support Vector Machines (SVM) και τα Decision Trees, είτε εφαρμόζοντας την σε μονοτροπικές είτε σε πολυτροπικές κατηγοριοποιήσεις. Η γαλβανική απόκριση δέρματος αναδείχθηκε ως η πιο αποτελεσματική αυτόνομη μέθοδος, ενώ ο συνδυασμός ECG, EMG και GSR αποδείχθηκε το πιο αποτελεσματικό ζεύγος συγχωνευμένων τρόπων. Ο συνδυασμός όλων των φυσιολογικών σημάτων οδήγησε σε περαιτέρω βελτίωση στα αποτελέσματά μας, επιτυγχάνοντας 81.75% ακρίβεια στην δυαδική ταξινόμηση χωρίς πόνο (BL) έναντι του υψηλότερου επιπέδου πόνου (PA4) και 86.05% στον γυναικείο πληθυσμό της ίδιας ταξινόμησης . Αξίζει να σημειωθεί ότι σε πειράματα μηχανικής μάθησης, ο πολυωνυμικός πυρήνας απέδωσε σταθερά υψηλότερες τιμές ακρίβειας τόσο σε δυαδικές όσο και σε ταξινόμησεις πολλαπλών κλάσεων. Από όσο γνωρίζουμε, η μελέτη μας σημείωσε την υψηλότερη ακρίβεια (82.83%) σε πειράματα με βάση το φύλο, χρησιμοποιώντας όλα τα φυσιολογικά δεδομένα από το σύνολο δεδομένων BioVid. Αυτή η απόδοση παρατηρήθηκε σε μια δυαδική κατηγοριοποίηση «καθόλου πόνου» και «της υψηλότερης έντασης πόνου» στον γυναικείο πληθυσμό ηλικίας 20-35 ετών.
Περιγραφή
Λέξεις-κλειδιά
Pain, Signal processing, Machine learning, Εlectrocardiography, Physiological signal, Πόνος, Επεξεργασία σήματος, Μηχανική μάθηση, Ηλεκτροκαρδιογράφημα, Φυσιολογικά σήματα