Key points are not available for this paper at this time.
ZIEL: Die Diagnose von Schmerzen in der Forschung und in der klinischen Praxis beruht weiterhin auf Selbstberichten. Diese Studie zielt darauf ab, einen automatischen Ansatz zu entwickeln, der auf Roh-EEG-Daten im Ruhezustand zur Vorhersage chronischer Knieschmerzen arbeitet. METHODE: Ein neuer Algorithmus zur Merkmalsauswahl namens "modifizierte sequenzielle schwebende Vorwärtsauswahl" (mSFFS) wird vorgeschlagen. Das verbesserte Merkmalsauswahlverfahren kann lokale Minima besser vermeiden und alternative Suchrouten erkunden. ERGEBNISSE: Die von mSFFS gewählte Merkmalsauswahl zeigt eine bessere Klassen-Trennbarkeit, wie durch die Bhattacharyya-Distanzmaße angezeigt, sowie bessere Visualisierungsergebnisse. Außerdem übertrifft es Auswahlen, die von anderen Benchmark-Methoden generiert wurden, und steigert die Testgenauigkeit auf 97,5 %. SCHLUSSFOLGERUNG: Die verbesserte Merkmalsauswahl sucht nach einer kompakten, effektiven Teilmenge von Konnektivitätsmerkmalen, die eine wettbewerbsfähige Leistung bei der Vorhersage chronischer Knieschmerzen erzielt. BEDEUTUNG: Wir haben gezeigt, dass ein automatischer Ansatz verwendet werden kann, um ein kompaktes Set von Konnektivitätsmerkmalen zu finden, das chronische Knieschmerzen effektiv aus EEG-Daten vorhersagt. Dies könnte das Forschungsfeld chronischer Schmerzen erhellen und zu zukünftigen klinischen Lösungen für Diagnose und Behandlung führen.
Li et al. (Fr,) haben diese Frage untersucht.