基于时空数据分析的深度学习慢性疼痛智能评估方法

摘要

目的：利用时空数据（包括生理信号和环境信息）构建深度学习模型，实现对慢性疼痛评分的精准预测，为智能化疼痛评估提供支持。方法：提出一种基于改进通道注意力机制的残差模块与双向长短时记忆网络（BiLSTM）的疼痛评分预测模型。改进的通道注意力机制提取关键特征并减少冗余信息，BiLSTM建模时间序列的依赖关系，结合改进粒子群优化算法优化模型超参数。在实验中，模型性能通过均方误差（MSE）、平均绝对误差（MAE）、决定系数（R²）这3个指标进行评估。结果：本文模型的MSE为0.117,MAE为0.254,R²为0.932，优于卷积神经网络（CNN）-BiLSTM、CNN-LSTM等对比模型。消融实验验证了改进模块对模型性能的关键作用。多模态数据实验进一步表明环境信息的引入提升了模型预测能力。结论：本文模型能够高效捕捉疼痛评分的时空特征，具备较高的预测精度和稳定性，为慢性疼痛评估建立了新方法。

关键词

慢性疼痛 / 时空数据 / 深度学习 / 生理信号 / 环境信息 / 智能评估