Recognizing Pain in Motor Imagery EEG Recordings Using Dynamic Functional Connectivity Graphs
Recognizing Pain in Motor Imagery EEG Recordings Using Dynamic Functional Connectivity Graphs
复制标题
使用动态功能连接图识别运动想象脑电图记录中的疼痛
DOI：
10.1109/embc44109.2020.9175627
复制
发表时间：
2020
期刊：
影响因子：
--
通讯作者：
Najafizadeh, Laleh
中科院分区：
文献类型：
--
作者：
Shamsi, Foroogh;Haddad, Ali;Najafizadeh, Laleh
本文的目的是调查是否运动想象任务，无痛与疼痛条件下进行，可以区分从脑电图（EEG）记录。四个运动想象类的右手，左手，脚，和舌头被认为是。采用基于功能连接性的特征提取方法沿着以及长短期记忆（LSTM）分类器来对无痛与无痛类别进行分类。此外，在不同的频带进行分类，以研究每个频带在区分与无痛和疼痛状态相关的运动想象数据中的意义。当考虑所有频带时，平均分类精度在77：86-80：04%的范围内。我们的频率特异性分析表明，伽马波段的结果在一个显着更高的准确性比其他波段，表明该频带在区分疼痛/无疼痛条件下执行运动想象任务的重要性。相比之下，从δ和θ波段提取的功能连接图似乎不能提供无痛和疼痛条件下的区分信息。这是第一个研究表明，运动想象任务执行疼痛和没有疼痛的条件下，可以区分从脑电图记录。我们的研究结果可以为开发有效的基于脑机接口的辅助技术提供新的见解，这些技术适用于真实的需要它们的患者。
The goal of this paper is to investigate whether motor imagery tasks, performed under pain-free versus pain conditions, can be discriminated from electroencephalography (EEG) recordings. Four motor imagery classes of right hand, left hand, foot, and tongue are considered. A functional connectivity-based feature extraction approach along with a long short-term memory (LSTM) classifier are employed for classifying pain-free versus under-pain classes. Moreover, classification is performed in different frequency bands to study the significance of each band in differentiating motor imagery data associated with pain-free and under-pain states. When considering all frequency bands, the average classification accuracy is in the range of 77:86-80:04%. Our frequency-specific analysis shows that the gamma band results in a notably higher accuracy than other bands, indicating the importance of this band in discriminating pain/no-pain conditions during the execution of motor imagery tasks. In contrast, functional connectivity graphs extracted from delta and theta bands do not seem to provide discriminatory information between pain-free and under-pain conditions. This is the first study demonstrating that motor imagery tasks executed under pain and without pain conditions can be discriminated from EEG recordings. Our findings can provide new insights for developing effective brain computer interface-based assistive technologies for patients who are in real need of them.
登录
查看更多内容
DOI：
10.1109/tbme.2017.2756870
发表时间：
2017-12
期刊：
IEEE transactions on bio-medical engineering
影响因子：
--
作者：
Vijayakumar V;Case M;Shirinpour S;He B
通讯作者：
He B
使用深度学习和基于表情符号的脑机接口为闭锁综合症患者提供交流
DOI：
10.1109/biocas.2018.8584821
发表时间：
2018
期刊：
2018 IEEE Biomedical Circuits and Systems Conference (BioCAS)
影响因子：
--
作者：
A. Comaniciu;L. Najafizadeh
通讯作者：
L. Najafizadeh
使用脑电图对大脑功能连接的动态进行多尺度分析
DOI：
10.1109/biocas.2016.7833776
发表时间：
2016
期刊：
2016 IEEE Biomedical Circuits and Systems Conference (BioCAS)
影响因子：
--
作者：
A. Haddad;L. Najafizadeh
通讯作者：
L. Najafizadeh
伯明翰大学大脑峰值α频率预测疼痛敏感性的个体差异
DOI：
--
发表时间：
2017
期刊：
影响因子：
--
作者：
Andrew J. Furman;T. Meeker;Jeremy C. Rietschel;Sooyoung Yoo;J. Muthulingam;Mariya Prokhorenko;M. Keaser;Ronald N. Goodman;A. Mazaheri;D. Seminowicz
通讯作者：
D. Seminowicz
影响因子：
9.8
作者：
Chaudhary U;Xia B;Silvoni S;Cohen LG;Birbaumer N
通讯作者：
Birbaumer N