[논문 리뷰] Automatic pain recognition from Blood Volume Pulse (BVP) signal using machine learning techniques

Fatemeh Pouromran, Yingzi Lin외 1명|arXiv (Cornell University)|2023. 03. 19.

Pain Mechanisms and TreatmentsMedicine인용 수 3

한 줄 요약

이 연구는 혈액량박동(BVP) 신호와 기계학습을 이용한 자동 통증 인식 시스템을 제안한다. BVP 및 IBI에서 시간 도메인, 주파수 도메인, 비선형 역학적 특징 총 44개를 추출하여 통증의 유무와 강도를 분류한다. XGBoost가 가장 높은 성능을 보였으며, 저통증, 중통증, 고통증 대비 통증 없음에 대해 각각 AUC 80.06%, 85.81%, 90.05%를 기록했고, 중통증 대비 고통증을 구분하는 데서는 91%의 AUC를 기록했다.

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.

연구 동기 및 목표

• BVP 신호를 이용한 비침습적이고 자동화된 객관적 통증 평가 시스템을 개발하기 위해.
• BVP 및 간격 간격(Inter-beat Intervals, IBI)에서 통증에 민감한 포괄적인 생리적 특징 세트를 규명하기 위해.
• 통증의 존재와 강도 수준을 분류하기 위해 다양한 기계학습 모델을 평가하기 위해.
• 임상적 통증 관리 지원 및 오ピ오이드 남용 감소를 위해 최적의 통증 인식 모델을 규명하기 위해.

제안 방법

• 통제된 통증 유도 동안 32명의 건강한 피험자로부터 BVP 신호를 촬영하였다.
• 24개의 BVP 전용 특징(시간 도메인, 주파수 도메인, 비선형 역학)과 20개의 IBI 유도 특징을 추출하였다.
• 로지스틱 회귀, 랜덤 포레스트, 서포트 벡터 머신(SVM), AdaBoost, XGBoost 총 5개의 기계학습 모델을 훈련하고 비교하였다.
• 10겹 교차검증을 사용하여 통증 분류 및 강도 추정 성능을 평가하였다.
• 각 모델의 초모수를 격자 탐색과 베이지안 최적화를 통해 최적화하였다.
• 다중 클래스 및 이진 분류 작업을 위해 ROC-AUC, F1 점수, 혼동 행렬을 사용하여 성능을 평가하였다.

실험 결과

연구 질문

• RQ1 BVP 신호와 유도된 IBI 특징는 통증과 관련된 생리적 변화를 효과적으로 포착할 수 있는가?
• RQ2 BVP 유도 특징에서 통증의 유무와 강도를 분류하는 데 가장 우수한 기계학습 모델은 무엇인가?
• RQ3 저통증, 중통증, 고통증을 통증 없음과 비교하여 시스템이 얼마나 정확하게 구분할 수 있는가?
• RQ4 모델은 중통증과 고통증을 높은 민감도와 특이도로 구분할 수 있는가?
• RQ5 비선형 역학 및 주파수 도메인 특징은 통증 인식 성능에 어떤 기여를 하는가?

주요 결과

• XGBoost는 통증 없음 대비 고통을 분류하는 데 가장 높은 ROC-AUC 90.05%를 기록하여 모든 다른 모델을 능가했다.
• XGBoost 모델은 통증 없음 대비 중통증에 대해 85.81%의 AUC를 기록했고, 저통증에 대해서는 80.06%의 AUC를 기록했다.
• 중통증 대비 고통을 이진 분류하는 데서 XGBoost는 91%의 AUC를 기록하여 강력한 분류 능력을 보였다.
• XGBoost 모델은 저통증, 중통증, 고통증 총 3개의 통증 수준에서 다중 클래스 분류 작업에서 평균 F1 점수 80.03%를 기록했다.
• 비선형 역학 및 IBI 유도 특징의 포함으로 BVP 전용 특징 대비 모델 성능이 크게 향상되었다.
• XGBoost는 모든 통증 강도 수준에서 뛰어난 강인성과 일반화 능력을 보였으며, 자동 통증 인식에 가장 적합한 모델로 판단되었다.