ترجمه فارسی مقاله توسعه الگوریتم های یادگیری ماشین با استفاده از داده های EEG برای تشخیص وجود درد مزمن

چکیده

Chronic pain impacts more than one in five adults in the United States (US) and the costs associated with the condition amount to hundreds of billions of dollars annually. Despite the tremendous impact of chronic pain in the US and worldwide, the standard of care for diagnosis depends on subjective self-reporting of pain state, with no effective objective assessment procedure available. This study investigated the application of signal processing and machine learning to electroencephalography (EEG) data for the development of classification algorithms capable of differentiating subjects in pain from pain free subjects. In this study, nineteen (19) channels of EEG data were obtained from subjects in an eyes closed resting state, and ultimately data from 186 participants were used for algorithm development, including 35 healthy controls and 151 chronic pain patients. Signal processing was applied to identify noise free segments of EEG data and 6375 quantitative EEG (qEEG) measures were calculated for each subject. Various machine learning methodologies were applied to the data, with Elastic Net chosen as the optimal methodology. The final classifier developed using Elastic Net contained 34 qEEG features with non-zero weights. The classifier was able to differentiate pain versus no pain subjects with an accuracy of 79.6%, sensitivity of 82.2%, and specificity of 66.7%. The features used in the classifier were evaluated and found to align well with contemporary literature regarding changes in neurological characteristics associated with chronic pain.

چکیده به فارسی (ترجمه ماشینی)

درد مزمن بیش از یک در پنج بزرگسال در ایالات متحده (ایالات متحده) تأثیر می گذارد و هزینه های مربوط به این بیماری سالانه صدها میلیارد دلار است.با وجود تأثیر چشمگیر درد مزمن در ایالات متحده و در سراسر جهان ، استاندارد مراقبت از تشخیص بستگی به گزارش ذهنی وضعیت درد دارد و هیچ روش ارزیابی عینی مؤثر در دسترس نیست.این مطالعه به بررسی استفاده از پردازش سیگنال و یادگیری ماشین به داده های الکتروانسفالوگرافی (EEG) برای توسعه الگوریتم های طبقه بندی می تواند در مورد تمایز افراد در درد از افراد بدون درد استفاده شود.در این مطالعه ، نوزده (19) کانال داده EEG از افراد در حالت استراحت بسته چشم به دست آمد و در نهایت از داده های 186 شرکت کننده برای توسعه الگوریتم ، از جمله 35 کنترل سالم و 151 بیمار درد مزمن استفاده شد.پردازش سیگنال برای شناسایی بخش های بدون سر و صدا از داده های EEG استفاده شد و اقدامات 6375 کمی EEG (QEEG) برای هر موضوع محاسبه شد.روشهای مختلف یادگیری ماشین بر روی داده ها اعمال شد ، با خالص الاستیک به عنوان روش بهینه انتخاب شد.طبقه بندی نهایی که با استفاده از شبکه الاستیک توسعه یافته است شامل 34 ویژگی QEEG با وزن غیر صفر است.طبقه بندی کننده قادر به تمایز درد در مقابل افراد بدون درد با دقت 79.6 ٪ ، حساسیت 82.2 ٪ و ویژگی 66.7 ٪ بود.ویژگی های مورد استفاده در طبقه بندی مورد بررسی قرار گرفت و به خوبی با ادبیات معاصر در مورد تغییرات در خصوصیات عصبی مرتبط با درد مزمن هماهنگ شد.