[論文レビュー] Automatic pain recognition from Blood Volume Pulse (BVP) signal using machine learning techniques

Fatemeh Pouromran, Yingzi Lin+1 more|arXiv (Cornell University)|Mar 19, 2023

Pain Mechanisms and TreatmentsMedicine被引用数 3

ひとこと要約

本研究では、血容量パルス（BVP）信号と機械学習を用いた自動化された痛み認識システムを提案する。BVPおよびインタービートインターバル（IBI）から時間領域、周波数領域、非線形ダイナミクスの特徴量44個を抽出し、痛みの有無と強度を分類する。XGBoostが最高のパフォーマンスを示し、痛みなしとの比較で低疼痛、中程度疼痛、高疼痛のAUCはそれぞれ80.06%、85.81%、90.05%であった。中程度疼痛対高疼痛の分類では91%のAUCを達成した。

ABSTRACT

Physiological responses to pain have received increasing attention among researchers for developing an automated pain recognition sensing system. Though less explored, Blood Volume Pulse (BVP) is one of the candidate physiological measures that could help objective pain assessment. In this study, we applied machine learning techniques on BVP signals to device a non-invasive modality for pain sensing. Thirty-two healthy subjects participated in this study. First, we investigated a novel set of time-domain, frequency-domain and nonlinear dynamics features that could potentially be sensitive to pain. These include 24 features from BVP signals and 20 additional features from Inter-beat Intervals (IBIs) derived from the same BVP signals. Utilizing these features, we built machine learning models for detecting the presence of pain and its intensity. We explored different machine learning models, including Logistic Regression, Random Forest, Support Vector Machines, Adaptive Boosting (AdaBoost) and Extreme Gradient Boosting (XGBoost). Among them, we found that the XGBoost offered the best model performance for both pain classification and pain intensity estimation tasks. The ROC-AUC of the XGBoost model to detect low pain, medium pain and high pain with no pain as the baseline were 80.06 %, 85.81 %, and 90.05 % respectively. Moreover, the XGboost classifier distinguished medium pain from high pain with ROC-AUC of 91%. For the multi-class classification among three pain levels, the XGBoost offered the best performance with an average F1-score of 80.03%. Our results suggest that BVP signal together with machine learning algorithms is a promising physiological measurement for automated pain assessment. This work will have a national impact on accurate pain assessment, effective pain management, reducing drug-seeking behavior among patients, and addressing national opioid crisis.

研究の動機と目的

• BVP信号を用いた非侵襲的で自動化された、客観的な痛み評価システムの開発を目的とする。
• BVPおよびインタービートインターバル（IBI）から、痛みに感受性を示す包括的な生理的特徴量の特定を目的とする。
• 痛みの有無および強度レベルを分類するための複数の機械学習モデルの評価を目的とする。
• 臨床的痛み管理を支援し、オピオイド乱用を低減するための最適なモデルを特定することを目的とする。

提案手法

• 制御された痛み誘発条件下で、32名の健康な被験者からBVP信号を収集した。
• 24個のBVP固有の特徴量（時間領域、周波数領域、非線形ダイナミクス）と20個のIBI由来の特徴量を抽出した。
• ロジスティック回帰、ランダムフォレスト、SVM、AdaBoost、XGBoostの5つの機械学習モデルを訓練・比較した。
• 10分割交差検証を用いて、痛み分類および強度推定のモデルパフォーマンスを評価した。
• グリッドサーチおよびベイズ最適化を用いて、各モデルのハイパーパramータを最適化した。
• 多クラス分類および二値分類タスクの両方において、受信器操作特性曲線下積分（AUC）、F1スコア、混同行列を用いてパフォーマンスを評価した。

実験結果

リサーチクエスチョン

• RQ1 BVP信号および派生するIBI特徴量は、痛みに伴う生理的変化を効果的に捉えることができるか？
• RQ2 BVP由来の特徴量から痛みの有無および強度を分類する際、どの機械学習モデルが最も優れた性能を示すか？
• RQ3 痛みなしとの比較において、低、中、高の疼痛レベルをどれだけ正確に区別できるか？
• RQ4 モデルは中程度疼痛と高疼痛を高い感度と特異度で区別できるか？
• RQ5 非線形ダイナミクスおよび周波数領域特徴量の痛み認識パフォーマンスへの寄与は何か？

主な発見

• XGBoostは、高疼痛対痛みなしの分類で90.05%の最高AUCを達成し、他のすべてのモデルを上回った。
• XGBoostモデルは、中程度疼痛対痛みなしの分類で85.81%のAUC、低疼痛対痛みなしの分類で80.06%のAUCを達成した。
• 中程度疼痛対高疼痛の二値分類では、XGBoostが91%のAUCを達成し、優れた識別能力を示した。
• XGBoostモデルは、3つの疼痛レベル（低、中、高）の多クラス分類において平均80.03%のF1スコアを達成した。
• 非線形ダイナミクスおよびIBI由来特徴量の導入により、BVPのみの特徴量に比べてモデルパフォーマンスが顕著に向上した。
• XGBoostは、全疼痛強度レベルにわたり、強固で一般化能力に優れた性能を示し、自動化された痛み認識に最も適したモデルであった。