Automated Nociceptive Pain Assessment Using Physiological Signals and a Hybrid Deep Learning Network

深度学习 人工智能 伤害 特征(语言学) 计算机科学 可视模拟标度 模式识别(心理学) 特征提取 医学 麻醉 受体 内科学 语言学 哲学
作者
Saranya Devi Subramaniam,Brindha Dass
出处
期刊:IEEE Sensors Journal [Institute of Electrical and Electronics Engineers]
卷期号:21 (3): 3335-3343 被引量:43
标识
DOI:10.1109/jsen.2020.3023656
摘要

Postoperative pain management has become a major medical and nursing challenge. Nowadays, hospitals have taken initiatives to measure acute pain using self-report measures like the Visual Analogue Scale and Numeric Pain Intensity Scale. But these methods are inaccurate as it depends on patient's input. Therefore, there is a requirement for an objective, quantitative method to monitor pain continuously. In this work, an automated acute nociceptive pain recognition system was proposed to objectively measure nociceptive pain using physiological signals and a hybrid Deep Learning network. The hybrid deep learning network constitutes a shallow CNN network that extracts the essential information of the pain from the physiological signals and the extracted feature matrix is fed to the LSTM network for feature concatenation. This process realizes the mapping of nociceptive pain from input data to detection. This work utilizes the BioVid Heat Pain database. A Unimodal hybrid CNN_LSTM network (using ECG signals) has achieved 68.70 percent, 62.61 percent, 67.86 percent, and 75.21 percent of classification accuracy for classification events (BL1 Vs PA1, BL1 Vs PA2, BL1 Vs PA3, and BL1 Vs PA4). Similarly, for classification events (BL1 Vs PA1, BL1 Vs PA2, BL1 Vs PA3, and BL1 Vs PA4), the unimodal hybrid CNN_LSTM network (using EDA signals) achieved 85.65 percent, 74.47 percent, 80.80 percent, and 80.17 percent of classification accuracy. Finally, for classification events (BL1 Vs PA1, BL1 Vs PA2, BL1 Vs PA3, and BL1 Vs PA4), the CNN_LSTM multimodal hybrid network (using both ECG and EDA signals) achieved 93.91 percent, 86.97 percent, 90.75 percent, and 94.12 percent of the classification accuracy, respectively.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
xiaofeiyan完成签到 ,获得积分10
5秒前
angen完成签到 ,获得积分10
6秒前
tyd完成签到 ,获得积分10
7秒前
烫嘴普通话完成签到,获得积分10
10秒前
鹿雅彤发布了新的文献求助10
12秒前
安琪完成签到 ,获得积分10
15秒前
代扁扁完成签到 ,获得积分10
29秒前
穆亦擎完成签到 ,获得积分10
33秒前
kannnliannn完成签到 ,获得积分10
36秒前
虚幻元风完成签到 ,获得积分10
36秒前
snow完成签到 ,获得积分10
37秒前
Mimanchi完成签到 ,获得积分10
42秒前
shor0414完成签到 ,获得积分10
53秒前
李加威完成签到 ,获得积分10
53秒前
烟熏妆的猫完成签到 ,获得积分10
55秒前
西瓜完成签到 ,获得积分10
59秒前
快乐太英完成签到 ,获得积分10
1分钟前
Judy完成签到 ,获得积分0
1分钟前
呆萌的小海豚完成签到,获得积分10
1分钟前
跳跃完成签到,获得积分10
1分钟前
清秀LL完成签到 ,获得积分10
1分钟前
courage完成签到,获得积分10
1分钟前
1分钟前
阿辉完成签到,获得积分10
1分钟前
末小皮发布了新的文献求助10
1分钟前
唯有一个心完成签到 ,获得积分10
1分钟前
末小皮完成签到,获得积分20
1分钟前
七七完成签到,获得积分10
1分钟前
Steven发布了新的文献求助10
1分钟前
貔貅完成签到,获得积分10
1分钟前
翟大有完成签到 ,获得积分0
1分钟前
夜话风陵杜完成签到 ,获得积分0
1分钟前
我爱Chem完成签到 ,获得积分10
1分钟前
ygx完成签到 ,获得积分10
1分钟前
乐观的星月完成签到 ,获得积分10
1分钟前
内向东蒽完成签到 ,获得积分10
2分钟前
兔子不爱吃胡萝卜完成签到 ,获得积分10
2分钟前
科研通AI2S应助甜蜜的代容采纳,获得10
2分钟前
薰衣草完成签到 ,获得积分10
2分钟前
你要学好完成签到 ,获得积分10
2分钟前
高分求助中
The late Devonian Standard Conodont Zonation 2000
The Lali Section: An Excellent Reference Section for Upper - Devonian in South China 1500
Nickel superalloy market size, share, growth, trends, and forecast 2023-2030 1000
Smart but Scattered: The Revolutionary Executive Skills Approach to Helping Kids Reach Their Potential (第二版) 1000
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 800
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 800
A new species of Coccus (Homoptera: Coccoidea) from Malawi 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3244791
求助须知:如何正确求助?哪些是违规求助? 2888434
关于积分的说明 8252925
捐赠科研通 2556928
什么是DOI,文献DOI怎么找? 1385522
科研通“疑难数据库(出版商)”最低求助积分说明 650176
邀请新用户注册赠送积分活动 626303