基于机器学习和多模态生理信号的经皮耳迷走神经电刺激疼痛阈值预测

摘要

目的：通过分析脑电图（EEG）、皮肤电反应（GSR）和心率变异性（HRV）3种模态生理信号，结合机器学习算法，预测经皮耳迷走神经电刺激（taVNS）下的个体疼痛阈值，并评估不同模型的预测效果。方法：对收集的生理数据进行小波包分解和特征提取，选取支持向量回归（SVR）、长短期记忆网络（LSTM）、门控循环单元（GRU）和双向长短期记忆网络（BiLSTM）4种模型，并通过两种数据集划分方式进行实验。通过标准化均方根误差（NMSE）、标准化平均绝对误差（NMAE）和决定系数（R²）3个指标对各模型的预测性能进行评估。结果：机器学习模型尤其是BiLSTM在两种划分方式下均表现出最优的预测性能。BiLSTM的R²值最高，NMSE和NMAE也表现出最低误差，相比其他模型有显著优势。结论：结合多模态生理信号的机器学习模型，在预测疼痛阈值方面具有极大的应用前景，特别是在taVNS引发的复杂生理信号处理中表现出色。

关键词

机器学习 / 多模态生理信号 / 经皮耳迷走神经电刺激 / 疼痛阈值