Metodologia para identificação da dor crônica a partir de sinais de eletroencefalografia

Abstract

A dor crônica é uma doença caracterizada por significativas anormalidades sensoriais, cognitivas e afetivas, com graves efeitos sobre a qualidade de vida. O fato da patologia subjacente à dor crônica não ser completamente compreendida leva os tratamentos atuais a seguires, geralmente, uma estratégia de tentativa e erro. O objetivo deste trabalho é o desenvolvimento de uma metodologia que combina eletroencefalografia (EEG) e inteligência artificial para identificação da dor crônica. Além da capacidade de classificação, a principal meta proposta é a utilização de um número reduzido de derivações, de modo a viabilizar a aplicação em dispositivos portáteis ou vestíveis, como sendo o primeiro passo para a implementação de um sistema para a quantificação da dor. A investigação compreendeu análises da atividade cerebral oscilatória de 101 pacientes com dor crônica e 88 indivíduos do grupo de controle, onde foram comparados diferentes conjuntos de atributos e algoritmos de classificação. Os resultados são apresentados na forma de análises comparativas com propósito de se encontrar o conjunto mínimo de atributos capaz de identificar a condição de dor crônica nos sinais de EEG em comparação aos obtidos no grupo de controle. Como resultado desta investigação, concluímos que o desempenho na classificação é significativamente melhorado com a utilização de um conjunto mínimo com apenas dois atributos. As características utilizadas na classificação são obtidas a partir do cômputo da coerência defasada em duas faixas distintas de frequências, a do ritmo alfa e qualquer dentre teta, beta ou gama, captadas de um único eletrodo: Fp1 ou Fp2. Quando comparado aos estudos publicados pelos próprios autores do banco de dados empregado neste estudo, o resultado da classificação de pacientes com fibromialgia, dores lombares e outras condições mistas de dor crônica atingiu uma melhora de aproximadamente 43% na acurácia, além de uma drástica redução no conjunto inicial de 73228 atributos para apenas 2. Todos os classificadores analisados (ExtraTreesClassifier, GradientBoostingClassifier, AdaBoostClassifier, SVC, KNeighborsClassifier, GaussianNB, Perceptron, SGDClassifier, DecisionTreeClassifier e RandomForestClassifier) obtiveram o mesmo desempenho. O desempenho da classificação foi verificado com dados jamais \"vistos\" por nenhum dos modelos, atingindo 100% para as métricas adotadas: acurácia, revocação, precisão e F1-Score. Os resultados sugerem que a metodologia proposta possui potencial para suportar os profissionais da área médica em decisões, diagnósticos e tratamentos relacionados à dor crônica. A radical simplificação na quantidade de atributos necessários sugere que a metodologia possa ser embarcada em sistemas com modestas capacidades de processamento, viabilizando o desenvolvimento de dispositivos vestíveis com um número mínimo de eletrodos para o monitoramento de pacientes em longos períodos de modo confortável.

Abstract: Chronic pain is a disease characterized by significant sensory, cognitive, and affective abnormalities, with serious effects on quality of life. The fact that the underlying pathology of chronic pain is not fully understood leads current treatments to generally follow a trial and error strategy. The objective of this work is to develop a methodology that combines electroencephalography (EEG) and artificial intelligence to identify chronic pain. In addition to the classification capability, the main proposed goal is the use of a reduced number of EEG electrodes, in order to enable the application in portable or wearable devices, as the first step towards the implementation of a system for the quantification of pain. The investigation comprised the analysis of the oscillatory brain activity of 101 patients with chronic pain and 88 individuals in the control group, where different sets of features and classification algorithms were compared. The results are presented in the form of comparative analyzes in order to find the minimum set of features capable of identifying the condition of chronic pain in EEG signals compared to those obtained in the control group. As a result of this investigation, we conclude that classification performance is significantly improved by using a minimal set with only two features. The characteristics used in the classification are obtained from the computation of the lagged coherence in two distinct frequency bands, the alpha rhythm and any among theta, beta or gamma, captured from a single electrode: Fp1 or Fp2. When compared to studies published by the authors of the database used in this study, the result on classification of fibromyalgia, low back pain and other mixed chronic pain conditions achieved an improvement of about 43% in accuracy, plus a drastic reduction in the initial 73228 attributes to just 2. All analyzed classifiers (ExtraTreesClassifier, GradientBoostingClassifier, AdaBoostClassifier, SVC, KNeighborsClassifier, GaussianNB, Perceptron, SGDClassifier, DecisionTreeClassifier and RandomForestClassifier) achieved the same performance. The classification performance was verified with data never \"seen\" by any of the models, reaching 100% for all the employed metrics: accuracy, recall, precision and F1-Score. The results suggest that the proposed methodology has the potential to support clinical decisions, diagnoses and treatments related to chronic pain. The radical simplification in the amount of features suggests that the methodology can be embedded in systems with modest processing capabilities, enabling the development of wearable devices with a reduced number of electrodes for the monitoring of patients over long periods in a comfortable way.