Вибір ознак для класифікації електричної активності мозку у новонароджених у разі больових подій
DOI:
https://doi.org/10.64915/RADAP.2025.102.%25pКлючові слова:
електроенцефалографiя, больовi маркери, новонародженi, машинне навчання, вибiр ознак, класифiкацiя, аналiз бiосигналiвАнотація
Розуміння механізмів болю та виявлення больових подій у новонароджених є критично важливим, оскільки новонароджені не мають здатності до вербального спілкування, щоб повідомляти про свої больовi вiдчуття. Це дослідження зосереджено на аналiзi особливостей електричної активності мозку новонароджених в часовій та часово-частотній областях з використанням електроенцефалографічних (ЕЕГ) сигналів, зареєстрованих під час больових подій, а саме забору крові шляхом проколу шкіри у новонароджених із використанням п’яткового ланцету. З метою автоматизованого виявлення больових подій у новонароджених було побудовано масив ознак із використанням широкого набору методів розрахунку ознак в часовій та часо-частотній областях i застосовано комбінований підхід до їх відбору, що включає метод прямого відбору ознак та статистичнi оцiнки. Для вирішення задачі виявлення больових подій за даними аналізу електричної активності мозку новонароджених було використано та порiвняно шість алгоритмів машинного навчання, а саме: логістичну регресію, модель на основі лінійного дискримінантного аналізу, метод K-найближчих сусідів, метод опорних векторів, випадковий ліс дерев рішень та наївний байєсів класифікатор. Для задачi класифiкацiї сегментів ЕЕГ як таких, що були зафіксовані до та після больового стимулу, модель на основі методу опорних векторів показала точність 93,5% правильно класифікованих ЕЕГ сегментів. Для задачі класифікації ЕЕГ-сигналів, що відповідають наявності такої больової події як прокол шкіри, та ЕЕГ сигналів у стані спокою, модель на основі лінійного дискримінантного аналізу показала найкращу оцiнку точностi у 84%, при цьому точнiсть класифiкацiї ЕЕГ сигналів, що відповідають наявності больової події становить 76,9%, а точність розпізнавання ЕЕГ у стані спокою склала 91,6%. Результати демонструють потенціал використання ознак, що зосереджені на спектральнiй потужностi в альфа-, бета- та гамма-діапазонах частот, та методів машинного навчання для покращення виявлення болю у новонароджених.
Посилання
References
1. Witt, N., Coynor, S., Edwards, C., Bradshaw, H. (2016). A Guide to Pain Assessment and Management in the Neonate. Curr Emerg Hosp Med Rep, Vol. 4, pp. 1-10. PMID: 27073748; PMCID: PMC4819510. doi: 10.1007/s40138-016-0089-y.
2. Norman, E., Rosén, I., Vanhatalo, S. et al. (2008). Electroencephalographic Response to Procedural Pain in Healthy Term Newborn Infants. Pediatr Res, Vol. 64, pp. 429–434. doi: 10.1203/PDR.0b013e3181825487.
3. Van der Vaart, M., Hartley, C., Baxter, L., Mellado, G. S. et al. (2022). Premature infants display discriminable behavioral, physiological, and brain responses to noxious and non-noxious stimuli. Cereb Cortex, Vol. 32, Iss. 17, pp. 3799-3815, PMID: 34958675; PMCID: PMC9433423. doi: 10.1093/cercor/bhab449. Erratum in: Cereb Cortex, Vol. 32, Iss. 9, 2056. doi: 10.1093/cercor/bhac138.
4. Talebi, S., Frounchi, J., Tazehkand, B. M. (2022). A Novel Channel Selection Approach for Human Neonate’s Pain EEG Data Analysis. Research Square. doi: 10.21203/rs.3.rs-2390234/v1.
5. Thomas, K. R., Sudhakaran, P., Emerson, S., Rahul, R, Kurian, S. M. (2021). Automatic Neonatal Pain Detection for Pediatrics using CNN. International journal of engineering research & technology (IJERT) ICCIDT, Vol. 09, Iss. 07. doi: 10.17577/IJERTCONV9IS07005.
6. Jones, L., Laudiano-Dray, M., Whitehead, K. et al. (2018). EEG, behavioural and physiological recordings following a painful procedure in human neonates. Sci Data, Vol. 5, 180248. doi: 10.1038/sdata.2018.248.
7. Tiemann, L., Hohn, V. D., Ta Dinh, S. et al. (2018). Distinct patterns of brain activity mediate perceptual and motor and autonomic responses to noxious stimuli. Nat Commun, Vol. 9, 4487. doi: 10.1038/s41467-018-06875-x.
8. Bajaj, N., Carrion, J. R., Bellotti, F., Berta, R., De Gloria, A. (2020). Automatic and tunable algorithm for EEG artifact removal using wavelet decomposition with applications in predictive modeling during auditory tasks. Biomedical Signal Processing and Control, Vol. 55, 101624. doi: 10.1016/j.bspc.2019.101624.
9. Xiang, J., Maue, E., Fan, Y., Qi, L., Mangano, F. T., et al. (2020). Kurtosis and skewness of high-frequency brain signals are altered in paediatric epilepsy. Brain Commun, Vol. 2, Iss. 1, fcaa036. doi: 10.1093/braincomms/fcaa036.
10. Gladun, K. V. (2021). Higuchi Fractal Dimension as a Method for Assessing Response to Sound Stimuli in Patients with Diffuse Axonal Brain Injury. Sovrem Tekhnologii Med, Vol. 12, Iss. 4, pp. 63-70. doi: 10.17691/stm2020.12.4.08.
11. Yogarajan, G., Alsubaie, N., Rajasekaran, G., Revathi, T., Alqahtani, M. S., et al. (2023). EEG-based epileptic seizure detection using binary dragonfly algorithm and deep neural network. Sci Rep, Vol. 13, 17710. doi: 10.1038/s41598-023-44318-w.
12. Hjorth, B. (1970). EEG analysis based on time domain properties. Electroencephalog Clin Neurophysiol, Vol. 29, Iss. 3, pp. 306-310. doi: 10.1016/0013-4694(70)90143-4.
13. Lal, U., Chikkankod, A., Longo, L. (2023). Leveraging SVD Entropy and Explainable Machine Learning for Alzheimer’s and Frontotemporal Dementia Detection using EEG. TechRxiv. doi: 10.36227/techrxiv.23992554.v2.
14. Grigg, O. A., Farewell, V. T., Spiegelhalter, D. J. (2003). Use of risk-adjusted CUSUM and RSPRT charts for monitoring in medical contexts. Stat Methods Med Res, Vol. 12, Iss. 2, pp. 147-70. doi: 10.1177/096228020301200205.
15. Andrade, C. (2021). Z Scores, Standard Scores, and Composite Test Scores Explained. Indian J Psychol Med, Vol. 43, Iss. 6, pp. 555-557. doi: 10.1177/02537176211046525.
16. Mishra, P., Singh, U., Pandey, C. M., Mishra, P., Pandey, G. (2019). Application of student's t-test, analysis of variance, and covariance. Ann Card Anaesth, Vol. 22, Iss. 4, pp. 407-411. doi: 10.4103/aca.ACA_94_19. PMID: 31621677; PMCID: PMC6813708.
17. Abdulmohsin, H., Abdul, H., Hossen, A. (2021). A New Hybrid Feature Selection Method Using T-test and Fitness Function. Computers, Materials & Continua, Vol. 68, Iss. 3, pp. 3997-4016. doi: 10.32604/cmc.2021.014840.
18. Chen, W., Cai, Y., Li, A. et al. (2023). EEG feature selection method based on maximum information coefficient and quantum particle swarm. Sci Rep, Vol. 13, 14515. doi: 10.1038/s41598-023-41682-5.
19. Pan, C., Shi, C., Mu, H., Li, J., Gao, X. (2020). EEG-Based Emotion Recognition Using Logistic Regression with Gaussian Kernel and Laplacian Prior and Investigation of Critical Frequency Bands. Applied Sciences, Vol. 10, Iss. 5, 1619. doi: 10.3390/app10051619.
20. Fu, R., Tian, Y., Bao, T., Meng, Z., Shi, P. (2019). Improvement Motor Imagery EEG Classification Based on Regularized Linear Discriminant Analysis. J Med Syst, Vol. 43, Iss. 6, 169, doi: 10.1007/s10916-019-1270-0. PMID: 31062175.
21. Ginting, A. S., Simanjuntak, R. M., Lumbantoruan, N. and Sitanggang D. (2024). EEG Signal Classification using K-Nearest Neighbor Method to Measure Impulsivity Level. Jurnal Sisfokom, Vol. 13, Iss. 2, pp. 261-266. doi: 10.32736/sisfokom.v13i2.2154.
22. Himalyan, S., Gupta, V. (2022). Support Vector Machine-Based Epileptic Seizure Detection Using EEG Signals. Engineering Proceedings, Vol. 18, Iss. 1, 73. doi: 10.3390/ecsa-11-20506.
23. Edla, D., Mangalorekar, K., Dhavalikar, G., Dodia, S. (2018). Classification of EEG data for human mental state analysis using Random Forest Classifier. Procedia Computer Science, Vol. 132, pp. 1523-1532. doi: 10.1016/j.procs.2018.05.116.
24. Machado, J., Balbinot, A. (2014). Executed Movement Using EEG Signals through a Naive Bayes Classifier. Micromachines, Vol. 5, Iss. 4, pp. 1082-1105. doi: 10.3390/mi5041082.
25. Bigoni, C., Cadic-Melchior, A., Morishita, T., Hummel, F. C. (2023). Optimization of phase prediction for brain-state dependent stimulation: a grid-search approach. J Neural Eng, Vol. 20, Iss. 1. doi: 10.1088/1741-2552/acb1d8. PMID: 36626830.
26. Kaneko, H. (2022). Cross-validated permutation feature importance considering correlation between features. Analytical Science Advances, Vol. 3, Iss. 9-10, pp. 278–287. doi: 10.1002/ansa.202200018.
Завантаження
Опубліковано
Номер
Розділ
Ліцензія
Авторське право (c) 2025 В. Р. Бондарев, К. О. Іванько, А. О. Попов, Є. С. Карплюк, Н. С. Корогод
Ця робота ліцензується відповідно до ліцензії Creative Commons Attribution 4.0 International License.
1. Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у нашому журналі.
2. Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована нашим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у нашому журналі.
3. Політика журналу дозволяє і заохочує розміщення рукопису роботи авторами в мережі Інтернет (наприклад, на arXiv.org або на особистих веб-сайтах). Причому рукописи статей можуть бути розміщенні у відкритих архівах як до подання рукопису до редакції, так і під час його редакційного опрацювання. Це сприяє виникненню продуктивної наукової дискусії, позитивно позначається на оперативності ознайомлення наукової спільноти з результатами Ваших досліджень і як наслідок на динаміці цитування вже опублікованої у журналі роботи. Детальніше про це: The Effect of Open Access.
