基于前额脑电与机器学习的运动性疼痛强度分类研究：一种可穿戴设备的创新应用

本研究针对临床疼痛评估依赖主观报告的问题，开发了基于三导联可穿戴脑电(EEG)设备与XGBoost算法的运动性疼痛客观评估系统。通过腿部血流限制行走模型诱导渐进性疼痛，结合BrainRate(BR)频谱重心指标，实现了2类疼痛分类96%的准确率，为动态环境下的疼痛监测提供了新范式。

　　

疼痛作为人体警报系统，其客观评估一直是临床难题。当前依赖视觉模拟量表(VAS)和数字评定量表(NRS)的主观报告方式，常导致医患沟通偏差。尤其对于慢性肌肉骨骼疼痛患者——全球约27.5%人口受此困扰，这种评估局限直接影响诊疗效果。更棘手的是，现有fMRI和传统多导联EEG技术虽能静态监测疼痛，但昂贵笨重的设备无法捕捉运动状态下的真实疼痛反应，而康复训练、术后监测等场景恰恰最需要动态评估。

针对这一技术空白，大阪大学医学院骨科的研究团队另辟蹊径，将轻量化可穿戴EEG设备与人工智能相结合，在《Scientific Reports》发表了突破性成果。他们设计了一项巧妙的实验：让25名健康受试者佩戴充气止血带行走，通过逐步增加压力(0-250 mmHg)模拟临床常见的渐进性疼痛，同时用仅有三导联的HARU-2前额贴片式EEG设备采集信号。这种设计既解决了传统EEG在运动中易受干扰的难题，又通过行走时长量化疼痛强度(NRS评分从0升至9.0±0.8)，建立了首个运动性疼痛分级模型。

关键技术包括：1) 采用0.5-90 Hz带通滤波和小波变换去除眨眼伪迹；2) 通过2秒汉明窗分段计算θ(4-8 Hz)、α(8-13 Hz)、β(13-26 Hz)、γ(26-90 Hz)频段功率谱；3) 创新性引入频谱重心指标BrainRate(BR)=∑(freq_i×power_i)/∑power_i；4) 采用受试者间5折交叉验证比较Random Forest、XGBoost和LightGBM算法性能。

疼痛评级验证
通过NRS评分证实行走时间与疼痛强度呈正相关(p<0.05)，为后续机器学习提供了可靠标签。

算法性能比较
XGBoost在三种算法中表现最优，其分类准确率随BR引入显著提升：2分类(无痛/剧痛)从82%→96%，3分类(无痛/中度/剧痛)从60%→75%，但5分类提升有限(40%→47%)。

频谱特征解析

iz=(x_i-x_mean)/x_std)在ChZ、ChR、ChL通道中具有一致性。'>

这项研究首次证实：1) 前额三导联EEG可有效捕捉运动状态下的疼痛神经信号；2) BR作为全局频谱特征，比单一频段更能表征疼痛强度；3) 轻量化设备结合XGBoost算法，在动态环境中实现媲美静态实验的分类性能(2分类96%准确率)。尽管5分类仍有提升空间，但该系统已突破传统EEG的应用边界，为康复医学、术后监测等领域提供了首个可穿戴疼痛评估方案。未来通过扩大样本量、融合多模态数据(如sEMG)，有望建立更精准的个性化疼痛模型，推动疼痛管理进入"客观量化"新时代。