Inteligencia computacional para la medición de presencia de dolor mediante el uso de señales electrofisiológicas

Computational Intelligence to Assess the Existence of Pain, Based on the Use of Electrophysiological Signals

Publicado 2023-12-19

Abrir | Descargar
PDF FLIP
Número
Vol. 20 Núm. 40 (2023): Tabla de contenido Revista EIA No. 40
Sección
Artículos
Cómo citar
Inteligencia computacional para la medición de presencia de dolor mediante el uso de señales electrofisiológicas. (2023). Revista EIA, 20(40), 4011 pp. 1-24. https://doi.org/10.24050/reia.v20i40.1683
DOI

https://doi.org/10.24050/reia.v20i40.1683
Dimensions
PlumX
Citaciones
Crossref
Citas en Crossref
Scopus
Citas en Scopus
Google Scholar
Europe PMC
Citas en Europe PMC
Licencia
Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.

Declaración del copyright

Los autores ceden en exclusiva a la Universidad EIA, con facultad de cesión a terceros, todos los derechos de explotación que deriven de los trabajos que sean aceptados para su publicación en la Revista EIA, así como en cualquier producto derivados de la misma y, en particular, los de reproducción, distribución, comunicación pública (incluida la puesta a disposición interactiva) y transformación (incluidas la adaptación, la modificación y, en su caso, la traducción), para todas las modalidades de explotación (a título enunciativo y no limitativo: en formato papel, electrónico, on-line, soporte informático o audiovisual, así como en cualquier otro formato, incluso con finalidad promocional o publicitaria y/o para la realización de productos derivados), para un ámbito territorial mundial y para toda la duración legal de los derechos prevista en el vigente texto difundido de la Ley de Propiedad Intelectual. Esta cesión la realizarán los autores sin derecho a ningún tipo de remuneración o indemnización.

La autorización conferida a la Revista EIA estará vigente a partir de la fecha en que se incluye en el volumen y número respectivo en el Sistema Open Journal Systems de la Revista EIA, así como en las diferentes bases e índices de datos en que se encuentra indexada la publicación.

Todos los contenidos de la Revista EIA, están publicados bajo la Licencia Creative Commons Atribución-NoComercial-NoDerivativa 4.0 Internacional

Lina María Peñuela
Universidad Militar Nueva Granada - Colombia
https://orcid.org/0000-0002-1925-9296
Edinson Felipe Porras Hilarión
Universidad Militar Nueva Granada - Colombia
Mostrar biografía de los autores

El dolor es un problema de salud que afecta a las personas física y emocionalmente.
Para determinar el nivel de dolor experimentado, se realiza una encuesta que implica
autoevaluación por parte del paciente y capacidades de comunicación verbal o facial. En este
artículo, se presenta la comparación de los resultados de dos algoritmos computacionales
para dos tipos de clasificación: el primero discrimina entre dolor y no dolor, el segundo
clasifica tres niveles de dolor. Los algoritmos empleados fueron Máquina de Soporte
Vectorial (SVM) y el método de Análisis de Discriminante Cuadrático (QDA). Se indujo
dolor agudo a 15 participantes por electroestimulación, se evaluó electromiografía (EMG),
electrocardiografía (ECG), actividad electrodérmica (EDA), y electroencefalografía (EEG), y
se le pidió a los participantes reportar el dolor percibido mediante la escala análoga visual.
Posteriormente se adquirieron características de las señales asociadas al dolor. Se realizaron
tres análisis: clasificación binaria con múltiples variables, binaria con una característica y
clasificación de tres niveles con varias características. Se compararon los algoritmos SVM y
QDA utilizando la matriz de confusión y el costo computacional. Para la clasificación binaria
la exactitud del SVM fue del 88,02% y del QDA del 70,78%, con un costo computacional de
9,587s y 3,023s respectivamente.

Visitas del artículo 253 | Visitas PDF 171

Descargas

Los datos de descarga todavía no están disponibles.
  1. Bellmann P.; Schwenker F. (2020). Automated pain assessment: Is it useful to combine person-specific data samples?. 2020 IEEE Symposium Series on Computational Intelligence (SSCI), Caberra, ACT, Australia. pp. 1588–1593. DOI: 10.1109/SSCI47803.2020.9308279
  2. Breau L. (2010). The science of pain measurement and the frustration of clinical pain assessment: Does an individualized numerical rating scale bridge the gap for children with intellectual disabilities? PAIN. 150(2), pp. 213-214. DOI: 10.1016/j.pain.2010.03.029
  3. Briggs M.; Closs J. S. (1999). A descriptive study of the use of visual analogue scales and verbal rating scales for the assessment of postoperative pain in orthopedic patients. Journal of Pain and Symptom Management. 18(6), pp. 438–446. DOI: 10.1016/s0885-3924(99)00092-5.
  4. Díaz, R.; Marulanda, F. (2019). Dolor crónico nociceptivo y neuropático en población adulta de Manizales (Colombia). Acta Médica Colombiana, 36(1), pp. 10-17. DOI: 10.36104/amc.2011.151
  5. Christie S.; di Fronso S.; Bertollo M.; Werthner P. (2017). Individual alpha peak frequency in ice hockey shooting performance. Frontiers in Psychology. 8, p. 762. DOI: 10.3389/fpsyg.2017.00762
  6. Egede, J. O.; Song, S.; Olugbade, T. A.; Wang, C.; Williams, A. C. D. C.; Meng, H.; Aung, M.; Lane, N. D.; Valstar, M.; Bianchi-Berthouze, N. (2020). EMOPAIN challenge 2020: Multimodal pain evaluation from facial and bodily expressions. 2020 15th IEEE International Conference on Automatic Face and Gesture Recognition (FG), Buenos Aires, Argentina. pp. 849–856. DOI: 10.1109/FG47880.2020.00078
  7. Erdogan, B.; Ogul, H. (2020). Objective pain assessment using vital signs. Procedia Computer Science. 170, pp. 947–952. DOI:10.1016/j.procs.2020.03.103
  8. Hadjileontiadis, L. J. (2015). Eeg-based tonic cold pain characterization using wavelet higher order spectral features. IEEE Transactions on Biomedical Engineering. 62(8), pp. 1981–1991. DOI: 10.1109/TBME.2015.2409133
  9. Hadjileontiadis, L. J. (2018). Continuous wavelet transform and higher-order spectrum: combinatory potentialities in breath sound analysis and electroencephalogram-based pain characterization. Philosophical Transactions of The Royal Society a Mathematical, physical, and engineering sciences. 376 (2126). DOI: 10.1098/rsta.2017.0249
  10. Hassan, T.; Seuß, D.; Wollenberg, J.; Weitz, K.; Kunz, M.; Lautenbacher, S.; Garbas, J. U.; Schmid, U. (2021). Automatic detection of pain from facial expressions: A survey. IEEE Transactions on Pattern Analysis and Machine Intelligence. 43(6), pp. 1815–1831. DOI: 10.5121/ijcses.2012.3604. 47
  11. Hautala, A. J.; Karppinen, J.; Sepp ̈anen, T. (2016). Short-term assessment of autonomic nervous system as a potential tool to quantify pain experience. 2016 38th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), Orlando,FL, USA. pp. 2684–2687. DOI: 10.1109/EMBC.2016.7591283
  12. Hung, C.; Shen, T.; Liang, C.; Wu, W. (2014). Using surface electromyography (semg) to classify low back pain based on lifting capacity evaluation with principal component analysis neural network method. 2014 36th Annual International Conference of the IEEE Engineering in Medicine and Biology Society; Chicago, IL, USA. pp. 18–21. DOI: 10.1109/EMBC.2014.6943518
  13. Jollant, F.; Voegeli, G.; Kordsmeier, N. C.; Carbajal, J. M.; Richard-Devantoy, S.; Turecki, G.; Caceda, R. (2019). A visual analog scale to measure psychological and physical pain: A preliminary validation of the ppp-vas in two independent samples of depressed patients. Progress in Neuro-Psychopharmacology and Biological Psychiatry. 90, pp.55–61. DOI: 10.1016/j.pnpbp.2018.10.018
  14. Kostyunina, M. B.; Kulikov, M. A. (1996). Frequency characteristics of eeg spectra in the emotions. Neuroscience and Behavioral Physiology. 26(4), pp. 340–343. DOI: 10.1007/BF02359037
  15. Lusher, J.; Elander, J.; Bevan, D.; Telfe,r P.; Burton, B. (2006). Analgesic addiction and pseudo-addiction in painful chronic illness. The Clinical Journal of Pain. 22(3). DOI: 10.1097/01.ajp.0000176360.94644.41
  16. Medrano, R.; Varela, A.; Domínguez, M.; PardM, G.; Acosta, Y.; Pardo, G. (2010). Aspectos epidemiológicos relacionados con el
  17. dolor en la población adulta. Revista Archivo Médico de Camagüey. 14(4). http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S1025-02552010000400013&lng=es&tlng=es.
  18. Monroe, T. B.; Misra, S.; Habermann, R. C.; Dietrich, M. S.; Bruehl, S. P.; Cowan, R. L.; Newhouse, P. A.; Simmons, S. F. (2015). Specific physician orders improve pain detection and pain reports in nursing home residents: Preliminary data. Pain management nursing: official journal of the American Society of Pain Management Nurses. 16(5), pp. 770–780. DOI: 10.1016/j.pmn.2015.06.002
  19. Nir, R. R.; Sinai, A.; Raz, E.; Sprecher, E.; Yarnitsky, D. (2010). Pain assessment by continuous eeg: Association between subjective perception of tonic pain and peak frequency of alpha oscillations during stimulation and at rest. Brain research. 1344, pp. 77–86. DOI: 10.1016/j.brainres.2010.05.004
  20. Nisbet, G.; Sehgal, A. (2019). Pharmacology in the management of chronic pain. Anaesthesia and Intensive Care Medicine. 20(10), pp. 555 – 558. DOI:10.1016/j.mpaic.2019.07.009
  21. Nora D. (2014). America’s addiction to opioids: Heroin and prescription drug abuse. Pearson Educacion. Padmanabhan S, SindhuG. 2014. Design of an ecg acquisition device for the nonlinear analysis of heart rate variability (hrv). 02
  22. Petrovic, P.; Petersson, K. M.; Ghatan, P.; Stone-Elander, S.; Ingvar, M. (2000). Pain-related cerebral activation is altered by a distracting cognitive task. Pain. 85, pp. 19–30. DOI: 10.1016/s0304-3959(99)00232-8
  23. Pikulkaew, K.; Chouvatut, V. (2021). Enhanced pain detection and movement of motion with data augmentation based on deep learning. 2021 13th International Conference on Knowledge and Smart Technology (KST), Bangsaen, Chounburi, Thailand. pp. 197–201. DOI: 10.1109/KST51265.2021.9415827
  24. Pouromran, F.; Radhakrishnan, S.; Kamarthi S. (2021). Exploration of physiological sensors, features, and machine learning models for pain intensity estimation. PLoS One. 16(7). DOI: 10.1371/journal.pone.0254108
  25. Lo Presti, L.; La Cascia, M. (2017). Boosting hankel matrices for face emotion recognition and pain detection. Computer Vision and Image Understanding. 156, pp.19–33. DOI: 10.1016/J.CVIU.2016.10.007
  26. Rathee, N.; Ganotra, D. (2015). A novel approach for pain intensity detection based on facial
  27. feature deformations. Journal of Visual Communication and Image Representation. 33, pp. 247 -254. DOI: 10.1016/J.JVCIR.2015.09.007
  28. Rodriguez, P.; Cucurull, G.; González, J.; Gonfaus, J. M.; Nasrollahi, K.; Moeslund, T. B.; Roca, F. X. (2022). Deep pain: Exploiting long short-term memory networks for facial expression classification. IEEE Transactions on Cybernetics. 52(5), pp. 3314-3324. DOI: 10.1109/TCYB.2017.2662199
  29. Rojo, R.; Prados-Frutos, J. C.; López-Valverde, A. (2015). Pain assessment using the facial action coding system. A systematic review. Medicina Clínica (English Edition). 145(8), pp. 350–355. DOI: 10.1016/j.medcli.2014.08.010
  30. Roy, S. D.; Bhowmik, M. K.; Saha, P.; Ghosh, A. K. (2016). An approach for automatic pain detection through facial expression. Procedia Computer Science. 84, pp. 99–106. DOI:10.1016/j.procs.2016.04.072
  31. Rupenga, M.; Vadapalli, H. B. (2016). Automatic spontaneous pain recognition using supervised classification learning algorithms. 2016 Pattern Recognition Association of South Africa and Robotics and Mechatronics International Conference (PRASA-RobMech), South Africa, Stellenbosch. IEEE. pp. 1-6. DOI:10.1109/ROBOMECH.2016.7813150
  32. Siqueira, S. R. D. T.; de Siqueira, J. T. T. T.; Teixeira, M. J. (2020). Chronic pain, somatic unexplained complaints and multimorbidity: A mutimorbidity painful syndrome?. Medical Hypotheses. 138, p. 109598. DOI: 10.1016/j.mehy.2020.109598.
  33. Stahlschmidt, L.; Friedrich, Y.; Zernikow, B.; Wager, J. (2018). Assessment of pain-related disability in pediatric chronic pain: A comparison of the functional disability inventory and the pediatric pain disability index. Clinical Journal of Pain. 34 (2), pp. 1173-1179. DOI: 10.1097/AJP.0000000000000646
  34. Subramaniam, S. D.; Dass, B. (2021). Automated nociceptive pain assessment using physiological signals and a hybrid deep learning network. IEEE Sensors Journal. 21(3), pp. 3335–3343. DOI: 10.1109/JSEN.2020.3023656.
  35. Susam, B.; Akcakaya, M.; Nezamfar, H.; Diaz, D.; Xu, X.; de Sa, V.; Craig, K.; Huang, J.; Goodwin, M. (2018). Automated pain assessment using electrodermal activity data and machine learning. 40th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), Honolulu, HI, USA. IEEE Sensors Journal, pp. 372–375. DOI: 10.1109/JSEN.2020.3023656.
  36. Susam, B. T.; Riek, N. T.; Akcakaya, M.; Xu, X.; de Sa,, V. R.; Nezamfar, H.; Diaz, D.; Craig, K. D.; Good-win, M. S.; Huang, J. S. (2022). Automated pain assessment in children using electrodermal activity and video data fusion via machine learning. IEEE Transactions on Biomedical Engineering. 69(1), pp. 422–431. DOI: 10.1109/TBME.2021.3096137
  37. Thiam, P.; Hihn, H.; Braun, D.A.; Kestler, H.A.; Schwenker, F. (2021). Multi-modal pain intensity assessment based on physiological signals: A deep learning perspective. Frontiers in Physiology. 12. https://doi.org/10.3389/fphys.2021.720464
  38. Van, A. J.; Van den, W. (2015). The misuse of prescription opioids: A threat for Europe? Current Drug Abuse Reviews, 8(1), pp. 3–14. DOI: 10.2174/187447370801150611184218
  39. Wang, R.; Xu, K.; Feng, H.; Chen, W. (2020). Hybrid RNN-ANN based deep physiological network for pain recognition. 42nd Annual International Conference of the IEEE Engineering in Medicine Biology Society (EMBC), Montreal, QC, Canada. Institute of Electrical and Electronics Engineers (IEEE), pp. 5584–5587. DOI: 10.1109/EMBC44109.2020.9175247.
  40. Wong, T.T.; Yeh, P.Y. (2020). Reliable accuracy estimates from fold cross validation. IEEE Transactions on Knowledge and Data Engineering. 32(8):1586–1594. DOI: 10.1109/TKDE.2019.2912815
  41. Yang, F.; Banerjee, T.; Panaggio, M. J.; Abrams, D. M.; Shah, N.R. (2019). Continuous pain assessment using ensemble feature selection from wearable sensor data. 2019 IEEE International Conference on Bioinformatics and Biomedicine (BIBM), San Diego, CA, USA, Institute of Electrical and Electronics Engineers (IEEE), pp. 569–576. DOI: 10.1109/BIBM47256.2019.8983282

Información

Sistema OJS 3.4.0.7 - Metabiblioteca |