Titulo:

Detección de dolor apartir de señales de EEG
.

Sumario:

La evaluación de dolor es de gran importancia en el campo de la medicina ya que permite detectar condiciones médicas o definir la manera en la que se debe tratar. Su evaluación se basa en primera instancia en información que el mismo paciente entrega. Sin embargo, en algunos casos en los que el paciente no tiene la capacidad de expresarlo, resulta de gran utilidad métodos que permitan evaluarlo. En este artículo se propone la evaluación de presencia o ausencia de dolor a partir de características asociadas a señales electro-encefalográficas en un experimento en el que se induce dolor agudo a 14 participantes con una prueba de electro-diagnóstico, en hombres y mujeres con edades entre 18 y 33 años.  Se utilizan redes neuronales... Ver más

Guardado en:

1794-1237

2463-0950

19

2022-06-01

3829 pp. 1

18

Revista EIA - 2022

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.

info:eu-repo/semantics/openAccess

http://purl.org/coar/access_right/c_abf2

id metarevistapublica_eia_revistaeia_10_article_1577
record_format ojs
spelling Detección de dolor apartir de señales de EEG
Pain detection evaluated from electroencephalographic signals
La evaluación de dolor es de gran importancia en el campo de la medicina ya que permite detectar condiciones médicas o definir la manera en la que se debe tratar. Su evaluación se basa en primera instancia en información que el mismo paciente entrega. Sin embargo, en algunos casos en los que el paciente no tiene la capacidad de expresarlo, resulta de gran utilidad métodos que permitan evaluarlo. En este artículo se propone la evaluación de presencia o ausencia de dolor a partir de características asociadas a señales electro-encefalográficas en un experimento en el que se induce dolor agudo a 14 participantes con una prueba de electro-diagnóstico, en hombres y mujeres con edades entre 18 y 33 años.  Se utilizan redes neuronales para la clasificación, obteniendo una exactitud del 74,19 %.
The evaluation of pain allows the detection of medical conditions and defines the procedure to treat them. Medical staff measures pain by patient´s self-report. Nevertheless, in some cases, it is difficult or impossible for the patient to communicate the level of pain perceived. In these cases, it is useful to evaluate pain employing different techniques. In this paper, we propose the evaluation of pain through a procedure based on the analysis of the electroencephalographic signals. The algorithms were evaluated in an experiment with 14 participants where the pain was induced with an electrodiagnostic system. The participants were males and females between 18 and 33 years old. To classify between pain and no pain, we employed neural networks with an accuracy of 74,19 %.  
Peñuela Calderón, Lina María
Caicedo Gutierrez, Nicolas Esteban
Redes Neuronales
Electroencefalografía
Densidad del Espectro de Frecuencia
Valor Medio Cuadrático
Frecuencia Pico
Escala Análoga Visual
Escala de Valoración Numérica
Electro-diagnóstico
Neural Networks
Electroencephalography
Power Spectral Density
Root-Mean-Square
Peak Frequency
Visual Analog Scale
Numerical Rating Scale
Electrodiagnosis
19
38
Núm. 38 , Año 2022 : Tabla de contenido Revista EIA No. 38
Artículo de revista
Journal article
2022-06-01 00:00:00
2022-06-01 00:00:00
2022-06-01
application/pdf
Fondo Editorial EIA - Universidad EIA
Revista EIA
1794-1237
2463-0950
https://revistas.eia.edu.co/index.php/reveia/article/view/1577
10.24050/reia.v19i38.1577
https://doi.org/10.24050/reia.v19i38.1577
spa
https://creativecommons.org/licenses/by-nc-nd/4.0
Revista EIA - 2022
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
3829 pp. 1
18
Grabowski, S. R., & Tortora, G. J. (2000). Principles of anatomy and physiology. New York/Chichester: Wiley.
Tortora, G. J., & Nielsen, M. T. (1995). Human Anatomy. Harper Collins College Pub. Ilana, E. (1979). Pain terms; a list with definitions and notes on usage. Pain, 6, 249.
Manworren, R. C., & Stinson, J. (2016). Pediatric pain measurement, assessment, and evaluation. In Seminars in pediatric neurology (Vol. 23, No. 3, pp. 189-200). WB Saunders. DOI: https: / / doi .org /10.1016/j.spen.2016.10.001.
Kagita, J., & Mitsukura, Y. (2018). Quantification of pain degree by frequency features of single-chanelled EEG. In 2018 IEEE 15th International Workshop on Advanced Motion Control (AMC) (pp. 359-363). IEEE.
Tatum IV, W. O. (2021). Handbook of EEG interpretation. Springer Publishing Company. Bonotis, P. A., Tsouros, D. C., Smyrlis, P. N., Tzallas, A. T., Giannakeas, N., Glavas, E., & Tsipouras, M. G. (2019). Automated Assessment of Pain Intensity based on EEG Signal Analysis. In 2019 IEEE 19th International Conference on Bioinformatics and Bioengineering (BIBE) (pp. 583-588). IEEE.
Panavaranan, P., & Wongsawat, Y. (2013). EEG-based pain estimation via fuzzy logic and polynomial kernel support vector machine. In The 6th 2013 Biomedical Engineering International Conference (pp. 1-4). IEEE. Nir, R. R., Sinai, A., Raz, E., Sprecher, E., & Yarnitsky, D. (2010). Pain assessment by continuous EEG: association between subjective perception of tonic pain and peak frequency of alpha oscillations during stimulation and at rest. Brain research, 1344, 77-86.
Cao, T., Wang, Q., Liu, D., Sun, J., & Bai, O. (2020). Resting state EEG-based sudden pain recognition method and experimental study. Biomedical Signal Processing and Control, 59, 101925.
Tatum IV, W. O. (2021). Handbook of EEG interpretation. Springer Publishing Company.
Bai, Y., Hu, Y., & Zhang, Z. (2016). Spontaneous EEG-based normalization of pain-evoked neural responses: Effect on improving the accuracy of pain prediction. In 2016 IEEE International Conference on Computational Intelligence and Virtual Environments for Measurement Systems and Applications (CIVEMSA) (pp. 1-4). IEEE.
Yu, M., Sun, Y., Zhu, B., Zhu, L., Lin, Y., Tang, X., ... & Dong, M. (2020). Diverse frequency band-based convolutional neural networks for tonic cold pain assessment using EEG. Neurocomputing, 378, 270-282.
https://revistas.eia.edu.co/index.php/reveia/article/download/1577/1517
info:eu-repo/semantics/article
http://purl.org/coar/resource_type/c_6501
http://purl.org/coar/resource_type/c_2df8fbb1
http://purl.org/redcol/resource_type/ART
info:eu-repo/semantics/publishedVersion
http://purl.org/coar/version/c_970fb48d4fbd8a85
info:eu-repo/semantics/openAccess
http://purl.org/coar/access_right/c_abf2
Text
Publication
institution UNIVERSIDAD EIA
thumbnail https://nuevo.metarevistas.org/UNIVERSIDADEIA/logo.png
country_str Colombia
collection Revista EIA
title Detección de dolor apartir de señales de EEG
spellingShingle Detección de dolor apartir de señales de EEG
Peñuela Calderón, Lina María
Caicedo Gutierrez, Nicolas Esteban
Redes Neuronales
Electroencefalografía
Densidad del Espectro de Frecuencia
Valor Medio Cuadrático
Frecuencia Pico
Escala Análoga Visual
Escala de Valoración Numérica
Electro-diagnóstico
Neural Networks
Electroencephalography
Power Spectral Density
Root-Mean-Square
Peak Frequency
Visual Analog Scale
Numerical Rating Scale
Electrodiagnosis
title_short Detección de dolor apartir de señales de EEG
title_full Detección de dolor apartir de señales de EEG
title_fullStr Detección de dolor apartir de señales de EEG
title_full_unstemmed Detección de dolor apartir de señales de EEG
title_sort detección de dolor apartir de señales de eeg
title_eng Pain detection evaluated from electroencephalographic signals
description La evaluación de dolor es de gran importancia en el campo de la medicina ya que permite detectar condiciones médicas o definir la manera en la que se debe tratar. Su evaluación se basa en primera instancia en información que el mismo paciente entrega. Sin embargo, en algunos casos en los que el paciente no tiene la capacidad de expresarlo, resulta de gran utilidad métodos que permitan evaluarlo. En este artículo se propone la evaluación de presencia o ausencia de dolor a partir de características asociadas a señales electro-encefalográficas en un experimento en el que se induce dolor agudo a 14 participantes con una prueba de electro-diagnóstico, en hombres y mujeres con edades entre 18 y 33 años.  Se utilizan redes neuronales para la clasificación, obteniendo una exactitud del 74,19 %.
description_eng The evaluation of pain allows the detection of medical conditions and defines the procedure to treat them. Medical staff measures pain by patient´s self-report. Nevertheless, in some cases, it is difficult or impossible for the patient to communicate the level of pain perceived. In these cases, it is useful to evaluate pain employing different techniques. In this paper, we propose the evaluation of pain through a procedure based on the analysis of the electroencephalographic signals. The algorithms were evaluated in an experiment with 14 participants where the pain was induced with an electrodiagnostic system. The participants were males and females between 18 and 33 years old. To classify between pain and no pain, we employed neural networks with an accuracy of 74,19 %.  
author Peñuela Calderón, Lina María
Caicedo Gutierrez, Nicolas Esteban
author_facet Peñuela Calderón, Lina María
Caicedo Gutierrez, Nicolas Esteban
topicspa_str_mv Redes Neuronales
Electroencefalografía
Densidad del Espectro de Frecuencia
Valor Medio Cuadrático
Frecuencia Pico
Escala Análoga Visual
Escala de Valoración Numérica
Electro-diagnóstico
topic Redes Neuronales
Electroencefalografía
Densidad del Espectro de Frecuencia
Valor Medio Cuadrático
Frecuencia Pico
Escala Análoga Visual
Escala de Valoración Numérica
Electro-diagnóstico
Neural Networks
Electroencephalography
Power Spectral Density
Root-Mean-Square
Peak Frequency
Visual Analog Scale
Numerical Rating Scale
Electrodiagnosis
topic_facet Redes Neuronales
Electroencefalografía
Densidad del Espectro de Frecuencia
Valor Medio Cuadrático
Frecuencia Pico
Escala Análoga Visual
Escala de Valoración Numérica
Electro-diagnóstico
Neural Networks
Electroencephalography
Power Spectral Density
Root-Mean-Square
Peak Frequency
Visual Analog Scale
Numerical Rating Scale
Electrodiagnosis
citationvolume 19
citationissue 38
citationedition Núm. 38 , Año 2022 : Tabla de contenido Revista EIA No. 38
publisher Fondo Editorial EIA - Universidad EIA
ispartofjournal Revista EIA
source https://revistas.eia.edu.co/index.php/reveia/article/view/1577
language spa
format Article
rights https://creativecommons.org/licenses/by-nc-nd/4.0
Revista EIA - 2022
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
info:eu-repo/semantics/openAccess
http://purl.org/coar/access_right/c_abf2
references Grabowski, S. R., & Tortora, G. J. (2000). Principles of anatomy and physiology. New York/Chichester: Wiley.
Tortora, G. J., & Nielsen, M. T. (1995). Human Anatomy. Harper Collins College Pub. Ilana, E. (1979). Pain terms; a list with definitions and notes on usage. Pain, 6, 249.
Manworren, R. C., & Stinson, J. (2016). Pediatric pain measurement, assessment, and evaluation. In Seminars in pediatric neurology (Vol. 23, No. 3, pp. 189-200). WB Saunders. DOI: https: / / doi .org /10.1016/j.spen.2016.10.001.
Kagita, J., & Mitsukura, Y. (2018). Quantification of pain degree by frequency features of single-chanelled EEG. In 2018 IEEE 15th International Workshop on Advanced Motion Control (AMC) (pp. 359-363). IEEE.
Tatum IV, W. O. (2021). Handbook of EEG interpretation. Springer Publishing Company. Bonotis, P. A., Tsouros, D. C., Smyrlis, P. N., Tzallas, A. T., Giannakeas, N., Glavas, E., & Tsipouras, M. G. (2019). Automated Assessment of Pain Intensity based on EEG Signal Analysis. In 2019 IEEE 19th International Conference on Bioinformatics and Bioengineering (BIBE) (pp. 583-588). IEEE.
Panavaranan, P., & Wongsawat, Y. (2013). EEG-based pain estimation via fuzzy logic and polynomial kernel support vector machine. In The 6th 2013 Biomedical Engineering International Conference (pp. 1-4). IEEE. Nir, R. R., Sinai, A., Raz, E., Sprecher, E., & Yarnitsky, D. (2010). Pain assessment by continuous EEG: association between subjective perception of tonic pain and peak frequency of alpha oscillations during stimulation and at rest. Brain research, 1344, 77-86.
Cao, T., Wang, Q., Liu, D., Sun, J., & Bai, O. (2020). Resting state EEG-based sudden pain recognition method and experimental study. Biomedical Signal Processing and Control, 59, 101925.
Tatum IV, W. O. (2021). Handbook of EEG interpretation. Springer Publishing Company.
Bai, Y., Hu, Y., & Zhang, Z. (2016). Spontaneous EEG-based normalization of pain-evoked neural responses: Effect on improving the accuracy of pain prediction. In 2016 IEEE International Conference on Computational Intelligence and Virtual Environments for Measurement Systems and Applications (CIVEMSA) (pp. 1-4). IEEE.
Yu, M., Sun, Y., Zhu, B., Zhu, L., Lin, Y., Tang, X., ... & Dong, M. (2020). Diverse frequency band-based convolutional neural networks for tonic cold pain assessment using EEG. Neurocomputing, 378, 270-282.
type_driver info:eu-repo/semantics/article
type_coar http://purl.org/coar/resource_type/c_6501
type_version info:eu-repo/semantics/publishedVersion
type_coarversion http://purl.org/coar/version/c_970fb48d4fbd8a85
type_content Text
publishDate 2022-06-01
date_accessioned 2022-06-01 00:00:00
date_available 2022-06-01 00:00:00
url https://revistas.eia.edu.co/index.php/reveia/article/view/1577
url_doi https://doi.org/10.24050/reia.v19i38.1577
issn 1794-1237
eissn 2463-0950
doi 10.24050/reia.v19i38.1577
citationstartpage 3829 pp. 1
citationendpage 18
url2_str_mv https://revistas.eia.edu.co/index.php/reveia/article/download/1577/1517
_version_ 1811200526447017984