Name: 分析疼痛对热和电刺激反应的多模态信号 (视频) | JoVE Journal
Uploaded: 2019-04-05T13:00:00.000+00:00
Duration: 9 min 16 s
Description: 了解通过热刺激和电刺激诱发疼痛的多模态信号记录方法。该技术可同步采集生理数据、音视频信息，用于分析疼痛强度、性质和持续时间，为疼痛管理提供客观评估框架。

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

作者谨向Verena Friedrich、Maria Velana、Sandra Gebhardt、Romy Bärwaldt和Tina Daucher在开展本研究过程中提供的宝贵帮助表示感谢。此外，特别感谢Stefanie Rukavina博士给予的科学支持。本研究属于德国研究基金会资助的DFG/TR233/12（http://www.dfg.de/）项目“基于面部表情和心理生物学参数的自动化疼痛识别系统的推进与系统化验证”的一部分。

<ol><li>Hawker, G. A., Mian, S., Kendzerska, T., French, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Measures+of+adult+pain%3A+Visual+analog+scale+for+pain+%28vas+pain%29%2C+numeric+rating+scale+for+pain+%28nrs+pain%29%2C+mcgill+pain+questionnaire+%28mpq%29%2C+short%E2%80%90form+mcgill+pain+questionnaire+%28sf%E2%80%90mpq%29%2C+chronic+pain+grade+scale+%28cpgs%29%2C+short+form%E2%80%9036+bodily+pain+scale+%28sf%E2%80%9036+bps%29%2C+and+measure+of+intermittent+and+constant+osteoarthritis+pain+%28icoap%29%5BTitle%5D)+AND+%22Arthritis+Care+%26+Research%22%5BJournal%5D)">Measures of adult pain: Visual analog scale for pain (vas pain), numeric rating scale for pain (nrs pain), mcgill pain questionnaire (mpq), short‐form mcgill pain questionnaire (sf‐mpq), chronic pain grade scale (cpgs), short form‐36 bodily pain scale (sf‐36 bps), and measure of intermittent and constant osteoarthritis pain (icoap).</a> Arthritis Care & Research. 63 (11), 240-252 (2011).</li>
<li>Kehlet, H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Acute+pain+control+and+accelerated+postoperative+surgical+recovery%5BTitle%5D)+AND+%22Surgical+Clinics%22%5BJournal%5D)">Acute pain control and accelerated postoperative surgical recovery.</a> Surgical Clinics. 79, 431-443 (1999).</li>
<li>McQuay, H., Moore, A., Justins, D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Treating+acute+pain+in+hospital%5BTitle%5D)+AND+%22British+Medical+Journal%22%5BJournal%5D)">Treating acute pain in hospital.</a> British Medical Journal. 314 (7093), 1531-1535 (1997).</li>
<li>Brahnam, S., Chuang, C. F., Shih, F. Y., Slack, M. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((SVM+classification+of+neonatal+facial+images+of+pain.+Fuzzy+Logic+and+Applications+%28revised+selected+papers+from+the+6th+International+Workshop%2C+WILF+2005%2C+Crema%2C+Italy%2C+September+15-17%2C+2005%29%5BTitle%5D)+AND+%22Lecture+Notes+in+Computer+Science%22%5BJournal%5D)">SVM classification of neonatal facial images of pain. Fuzzy Logic and Applications (revised selected papers from the 6th International Workshop, WILF 2005, Crema, Italy, September 15-17, 2005).</a> Lecture Notes in Computer Science. 3849, 121-128 (2005).</li>
<li>Basler, H. D., Bloem, R., Casser, H. R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Ein+strukturiertes+Schmerzinterview+f%C3%BCr+geriatrische+Patienten%5BTitle%5D)+AND+%22Schmerz%22%5BJournal%5D)">Ein strukturiertes Schmerzinterview für geriatrische Patienten.</a> Schmerz. 15, 164-171 (2001).</li>
<li>Zwakhalen, S. M. G., Hamers, J. P. H., Abu-Saad, H. H., Berger, M. P. F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Pain+in+elderly+people+with+severe+dementia%3A+a+systematic+review+of+behavioural+pain+assessment+tools%5BTitle%5D)+AND+%22BioMed+Central+Geriatrics%22%5BJournal%5D)">Pain in elderly people with severe dementia: a systematic review of behavioural pain assessment tools.</a> BioMed Central Geriatrics. 6 (3), (2006).</li>
<li>Herr, K., Bjoro, K., Decker, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Tools+for+assessment+of+pain+in+nonverbal+older+adults+with+dementia%3A+a+state-of-the-science+review%5BTitle%5D)+AND+%22Journal+of+Pain+and+Symptom+Manage%22%5BJournal%5D)">Tools for assessment of pain in nonverbal older adults with dementia: a state-of-the-science review.</a> Journal of Pain and Symptom Manage. 31 (2), 170-192 (2006).</li>
<li>Handel, E., Gnass, I. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aHandel%2C+E+%22Praxishandbuch+ZOPA+%3A+Schmerzeinsch%C3%A4tzung+bei+Patienten+mit+kognitiven+und%2Foder+Bewusstseinsbeeintr%C3%A4chtigungen%22">Praxishandbuch ZOPA : Schmerzeinschätzung bei Patienten mit kognitiven und/oder Bewusstseinsbeeinträchtigungen</a>. , Huber. Bern. (2010).</li>
<li>Abbey, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+Abbey+pain+scale%3A+a+1-minute+numerical+indicator+for+people+with+end-stage+dementia%5BTitle%5D)+AND+%22International+Journal+Of+Palliative+Nursing%22%5BJournal%5D)">The Abbey pain scale: a 1-minute numerical indicator for people with end-stage dementia.</a> International Journal Of Palliative Nursing. 10 (1), 6-13 (2004).</li>
<li>Gruss, S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Pain+intensity+recognition+rates+via+biopotential+feature+patterns+with+support+vector+machines%5BTitle%5D)+AND+%22PLoS+ONE%22%5BJournal%5D)">Pain intensity recognition rates via biopotential feature patterns with support vector machines.</a> PLoS ONE. 10, 1-14 (2015).</li>
<li>Walter, S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Automatic+pain+quantification+using+autonomic+parameters%5BTitle%5D)+AND+%22Psychology+%26+Neuroscience%22%5BJournal%5D)">Automatic pain quantification using autonomic parameters.</a> Psychology & Neuroscience. 7 (3), 363(2014).</li>
<li>Werner, P., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Automatic+pain+assessment+with+facial+activity+descriptors%5BTitle%5D)+AND+%22IEEE+Transactions+on+Affective+Computing%22%5BJournal%5D)">Automatic pain assessment with facial activity descriptors.</a> IEEE Transactions on Affective Computing. 8 (3), 286-299 (2017).</li>
<li>Thiam, P., Kessler, V., Walter, S., Palm, G., Schwenker, F. Audio-Visual Recognition of Pain Intensity. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aThiam%2C+P+%22IAPR+Workshop+on+Multimodal+Pattern+Recognition+of+Social+Signals+in+Human-Computer+Interaction%22">IAPR Workshop on Multimodal Pattern Recognition of Social Signals in Human-Computer Interaction</a>. , Springer. Cham. (2016).</li>
<li>Niese, R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Towards+Pain+Recognition+in+Post-Operative+Phases+Using+3D-based+Features+from+Video+and+Support+Vector+Machines%5BTitle%5D)+AND+%22International+Journal+of+Digital+Content+Technology+and+its+Applications%22%5BJournal%5D)">Towards Pain Recognition in Post-Operative Phases Using 3D-based Features from Video and Support Vector Machines.</a> International Journal of Digital Content Technology and its Applications. 3 (4), 21-33 (2009).</li>
<li>Hammal, Z., Kunz, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Pain+monitoring%3A+A+dynamic+and+context-sensitive+system%5BTitle%5D)+AND+%22Pattern+Recognition%22%5BJournal%5D)">Pain monitoring: A dynamic and context-sensitive system.</a> Pattern Recognition. 45 (4), 1265-1280 (2012).</li>
<li>Werner, P., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Automatic+pain+recognition+from+video+and+biomedical+signals%5BTitle%5D)+AND+%22Pattern+Recognition+%28ICPR%29%2C+22nd+International+Conference+on+Pattern+Recognition%22%5BJournal%5D)">Automatic pain recognition from video and biomedical signals.</a> Pattern Recognition (ICPR), 22nd International Conference on Pattern Recognition. , 4582-4587 (2014).</li>
<li>Walter, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Diagnostik+der+Schmerzintensit%C3%A4t%2C+basierend+auf+multimodalen+Signalen+und+maschinellen+Lernen%5BTitle%5D)+AND+%22Habilitationsschrift%22%5BJournal%5D)">Diagnostik der Schmerzintensität, basierend auf multimodalen Signalen und maschinellen Lernen.</a> Habilitationsschrift. , (2017).</li>
<li>Chu, Y., Zhao, X., Han, J., Su, Y. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Physiological+Signal-Based+Method+for+Measurement+of+Pain+Intensity%5BTitle%5D)+AND+%22Frontiers+in+aneuroscience%22%5BJournal%5D)">Physiological Signal-Based Method for Measurement of Pain Intensity.</a> Frontiers in aneuroscience. 11, (2017).</li>
<li>Kächele, M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Multimodal+data+fusion+for+person-independent%2C+continuous+estimation+of+pain+intensity%5BTitle%5D)+AND+%22Engineering+Applications+of+Neural+Networks%22%5BJournal%5D)">Multimodal data fusion for person-independent, continuous estimation of pain intensity.</a> Engineering Applications of Neural Networks. , 275-285 (2015).</li>
<li>Walter, S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+BioVid+Heat+Pain+Database+-+Data+for+the+advancement+and+systematic+validation+of+an+automated+pain+recognition+system%5BTitle%5D)+AND+%22Cybernetics+%28CYBCONF%29%2C+IEEE+International+Conference+on+Cybernetics%22%5BJournal%5D)">The BioVid Heat Pain Database - Data for the advancement and systematic validation of an automated pain recognition system.</a> Cybernetics (CYBCONF), IEEE International Conference on Cybernetics. , 128-131 (2013).</li>
<li>Velana, M., Walter, S., Gruss, S., Werner, P., Al-Hamadi, A. The SenseEmotion Database: A Multimodal Database for the Development and Systematic Validation of an Automatic Pain- and Emotion-Recognition System. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aVelana%2C+M+%22Multimodal+Pattern+Recognition+of+Social+Signals+in+Human-Computer-Interaction.+MPRSS+2016.+Lecture+Notes+in+Computer+Science%22">Multimodal Pattern Recognition of Social Signals in Human-Computer-Interaction. MPRSS 2016. Lecture Notes in Computer Science</a>. Schwenker, F., Scherer, S. , Springer. Cham. (2017).</li>
<li>Lautenbacher, S., Peters, J. H., Heesen, M., Scheel, J., Kunz, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Age+changes+in+pain+perception%3A+a+systematic-review+and+meta-analysis+of+age+effects+on+pain+and+tolerance+thresholds%5BTitle%5D)+AND+%22Neuroscience+%26+Biobehavioral+Reviews%22%5BJournal%5D)">Age changes in pain perception: a systematic-review and meta-analysis of age effects on pain and tolerance thresholds.</a> Neuroscience & Biobehavioral Reviews. 75, 104-113 (2017).</li>
<li>Kállai, I., Barke, A., Voss, U. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+effects+of+experimenter+characteristics+on+pain+reports+in+women+and+men%5BTitle%5D)+AND+%22Pain%22%5BJournal%5D)">The effects of experimenter characteristics on pain reports in women and men.</a> Pain. 112 (1), 142-147 (2004).</li>
<li>McCambridge, J., Witton, J., Elbourne, D. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Systematic+review+of+the+Hawthorne+effect%3A+New+concepts+are+needed+to+study+research+participation+effects%5BTitle%5D)+AND+%22Journal+of+Clinical+Epidemiology%22%5BJournal%5D)">Systematic review of the Hawthorne effect: New concepts are needed to study research participation effects.</a> Journal of Clinical Epidemiology. 67 (3), 267-277 (2014).</li>
</ol>

作者无任何利益冲突需要披露。

本方案重点介绍在记录生理、视觉及副语言信号的同时，对热（热痛）和电刺激疼痛进行实验性诱发的方法。这种新颖的方法结合了两种不同刺激强度的疼痛模型以及两种不同的刺激持续时间（阶段性与持续性），能够全面揭示疼痛的心理生理模式与表达特征。然而，实施本方案时需考虑多个步骤。&#160;
通常情况下，若使用疼痛刺激，必须确保受试者的安全。所有疼痛刺激都必须严格控制，并且只能由经验丰富的实验人员实施。&#160; 
此外，为了记录和收集可靠且高质量的数据，强烈建议正确安装设备（电极），确保记录设备正常运行，并保障计算机之间通信顺畅。所有干扰源应被消除或尽可能减少。为保证受试者之间的一致性，必须提供标准化的指导说明和统一的实验条件。&#160;
根据我们的经验，找到符合所有标准且愿意接受多次疼痛刺激的合适受试者需要很长时间，且相当具有挑战性。此外，金钱补偿必须足够高，才能吸引受试者参与研究。尤其是30至50岁之间的人群较难招募，这可能是因为实验耗时较长（包括到达和离开时间在内约4小时），他们需要为此请假半天。
由于参与者的安全是首要考虑因素，可能需要对疼痛诱导进行限制。根据伦理准则，热痛和电痛诱导的刺激强度分别不得超过特定阈值，以防止烫伤和意识丧失。若对刺激强度设置统一的上限，可能导致天花板效应，即部分受试者在感受到难以忍受的疼痛之前就已达到强度限制。本研究中，约42%（考虑到&#160;参与者中有部分（热校准第1阶段和第2阶段）达到了热截止阈值（见代表性结果）。由于他们并未达到“真实”的疼痛耐受限度，其对最高热刺激的生理反应可能与已达到疼痛耐受者的生理反应存在差异。若如此，将这两类受试者混合可能会影响疼痛识别的分类结果。
需要关注的一个重要问题是本实验中的疼痛模式。受试者仅接受热刺激和电刺激引起的疼痛（因为这些刺激在实验环境中具有高度可控性）。因此，如果研究涉及疼痛性质的模式，研究结果可能无法推广到其他类型的疼痛，如机械压迫、化学性或内脏疼痛。 
研究样本的可推广性也存在同样的问题。该方案在伦理上仅限于健康的成年人，例如，不包括儿童以及认知和语言能力受损的个体。此外，在我们的研究中仅纳入了欧洲人群。因此，分析结果可能不适用于本实验未涵盖的其他群体。
另一个局限性可能涉及霍桑效应24：受试者知道自己正在研究中被拍摄/观察，这可能会影响其行为。
与现有的疼痛数据库相比，该方案在分析疼痛反应模式方面具有显著优势，因为它结合了两种疼痛模型和两种时间过程（阶段性与持续性）：除了疼痛的强度和持续时间外，还考虑了疼痛的性质。由于热痛与电痛的描述方式不同（例如，灼烧感 versus 刺痛感），其疼痛反应也可能存在差异。如果确实如此，这些发现可能将特定的疼痛反应模式与潜在的疼痛来源联系起来。此外，本研究采用多模态方法，以拓宽疼痛研究的范围：通过使用5种心理生理信号、2个面部（正面/侧面）摄像信号、1个身体视角摄像信号、1个热成像摄像信号以及1个音频信号，可以更精确地分析和评估疼痛。&#160;
为了更深入地研究疼痛反应模式，未来对该方法的扩展应纳入更多生物信号，例如脑电图（EEG）、体温和呼吸。采用可控压力作为另一种疼痛模型也将具有重要意义。旨在通过本方案采集的数据实现自动疼痛识别的研究人员，应进一步在临床对照组中验证有前景的机器学习模型。&#160;

疼痛是一种非常个人化且令人不悦的感觉，每个人的感知各不相同。疼痛持续时间从数秒到数月不等，其性质也可能各异（如搏动性、锐痛、灼痛等）。若未能充分治疗，疼痛会影响身体的生理和心理功能，降低生活质量，并有发展为慢性状态的风险。在临床护理中，准确评估疼痛的强度和性质对于实现有效的疼痛管理至关重要1,2。评估疼痛的金标准方法，如视觉模拟评分法（VAS）、数字评分量表（NRS）或麦吉尔疼痛问卷3，依赖患者的自我报告，因此仅适用于认知和语言能力未受损的个体。因此，所有这些既定方法在用于新生儿4、谵妄、嗜睡、镇静或机械通气患者5，以及患有痴呆的患者6,7时，均缺乏有效性和可靠性。近年来，除了或替代自我报告量表外，已开发出通过经过培训的人员观察来测量疼痛的方法（如苏黎世观察性疼痛评估8或艾比疼痛量表9）。然而，即使这些工具也存在可靠性和有效性方面的局限性，因为即使是经过培训的评估者也无法确保评估的客观性。此外，当需要定期进行疼痛评估时，这些方法的应用往往过于耗时，难以满足临床工作人员的实际需求。&#160;
多个研究团队致力于开发自动疼痛识别系统，这类系统通过生理、视觉和/或副语言信号集来测量疼痛，为客观评估和监测疼痛及其强度提供了新的方法。先前的研究在仅基于单一信号集10,11,12,13,14,15，或基于多种信号集的组合/融合16,17,19，检测并区分疼痛10,11,12,13,16,17,18，或区分疼痛与基本情绪14,15方面已显示出良好的应用前景。上述各类模态对疼痛等应激刺激几乎可自主产生反应，其优势在于无需依赖个体主动报告自身疼痛的能力。因此，那些无法表达疼痛的个体将极大受益于整合此类模态的客观疼痛识别系统。由诱发性疼痛反应构成的数据集为分析疼痛模式以及开发疼痛检测与监测的实际应用提供了宝贵信息。例如，Walter 等人20构建了公开可用的多模态数据库“BioVid Heat Pain Database”，该数据库记录了短暂诱发的热痛刺激及其相应的心理生理和视觉反应数据。Velana 等人21的“SenseEmotion Database”则包含了受试者在受到阶段性热痛刺激和情绪刺激时的生物信号、视频及副语言信息。
尽管这些数据库非常适合用于研究疼痛反应，但它们大多基于单一特定的疼痛模型。由于疼痛在性质（可能取决于疼痛模型）和持续时间上存在差异，其生理、视觉及副语言相关特征也可能有所不同。据作者所知，目前尚无多模态研究或数据库将两种或多种疼痛模型相结合，并在刺激强度和持续时间上进行变化，以不仅检测疼痛模式，还能区分不同类型的疼痛性质。
本文提供了一项关于如何开展复杂心理生理实验以诱发疼痛并同步记录生理反应（如心电图、肌电图）的实验方案。 斜方肌, 皱眉肌，以及 颧大肌，SCL）以及视频（如面部表情、身体姿态、面部皮肤温度）和音频数据。受试者会接受短时（时相性）和持续较长时间（张力性）的热痛和电痛刺激，这些刺激的强度各不相同。实验前的校准阶段将针对每位受试者 individually 确定其疼痛阈值。
本研究旨在通过统计方法、机器学习算法等手段，收集多模态数据以研究疼痛的强度、性质和持续时间等特征。此外，计划将已收集的数据以“X-ITE（实验性诱发热刺激与电刺激）疼痛数据库”的名称公开，供学术研究使用。该数据库可扩展现有的数据库（如BioVid热痛数据库和SenseEmotion20,21），并有助于在有效性、可靠性及实时识别方面进一步推动自动化疼痛识别系统的开发、改进和/或评估。&#160;
本文其余部分结构如下：方案部分逐步描述了如何开展疼痛诱发研究；随后，代表性结果部分展示了实验的成果；最后，讨论部分涵盖了研究中的关键步骤、局限性与优势，并提出了未来拓展的建议。

<table><tbody><tr><td>PATHWAY 模型 ATS</td><td>Medoc Ltd., Ramat Yishai, Israel</td><td></td><td>热刺激器</td></tr><tr><td>30 mm × 30 mm ATS 温度探头</td><td>Medoc Ltd., Ramat Yishai, Israel</td><td></td><td>温度探头</td></tr><tr><td>PATHWAY 软件 Arbel 6.3.7.22.1</td><td>Medoc Ltd., Ramat Yishai, Israel</td><td></td><td>热刺激器软件</td></tr><tr><td>Digitimer DS7A 电流刺激器</td><td>Digitimer Ltd., Hertfordshire, UK</td><td></td><td>电刺激器</td></tr><tr><td>Inquisit 5</td><td>Millisecond Software, Seattle, WA, USA</td><td></td><td>用于触发电刺激的软件</td></tr><tr><td>模数转换器</td><td>Wissenschaftliche Werkstatt Elektronik, 乌尔姆大学, 乌尔姆, 德国</td><td>定制构建</td><td></td></tr><tr><td>BIOPAC MP150 系统</td><td>BIOPAC Systems, Inc., Goleta, CA, USA</td><td></td><td>生物信号记录硬件</td></tr><tr><td>AcqKnowledge 软件 4.1.1</td><td>BIOPAC Systems, Inc., Goleta, CA, USA</td><td></td><td>生物信号记录软件</td></tr><tr><td>NTG-2 双电源指向性电容话筒</td><td>R&amp;Oslash;DE Microphones, Silverwater, Australia</td><td></td><td>音频录制话筒</td></tr><tr><td>Kinect v2</td><td>Microsoft, Redmond, WA, USA</td><td></td><td>身体视角相机</td></tr><tr><td>AV Pike F-145C</td><td>Allied Vision Technologies GmbH, Stadtroda, Germany</td><td></td><td>面部相机（正面视角）</td></tr><tr><td>AV Prosilica GT 1600C</td><td>Allied Vision Technologies GmbH, Stadtroda, Germany</td><td></td><td>面部相机（侧面视角）</td></tr><tr><td>PIR uc 180 热成像相机</td><td>InfraTec GmbH, Dresden, Germany</td><td></td><td>面部热成像相机</td></tr><tr><td>同步硬件</td><td>Werkstatt, IIKT, 马格德堡大学, 马格德堡, 德国</td><td>定制构建</td><td>用于相机的硬件触发，触发信号由 BIOPAC 和 Audacity 记录</td></tr><tr><td>录制与同步软件</td><td>Philipp Werner, 神经信息技术, 马格德堡大学, 马格德堡, 德国</td><td>定制软件</td><td>实时录制、离线视频编码和离线同步</td></tr><tr><td>检查床</td><td>ClinicalCare GmbH, Bremen, Germany</td><td></td><td></td></tr><tr><td>Ag-AgCl 电极 EL254 / EL254S（可重复使用，记录直径 4 mm）</td><td>BIOPAC Systems, Inc., Goleta, CA, USA</td><td></td><td>用于记录肌电图 &lt;em&gt;M. corrugator&lt;/em&gt; 和 &lt;em&gt;M. zygomaticus&lt;/em&gt;</td></tr><tr><td>Ag-AgCl 电极 BlueSensor P（一次性，皮肤接触面积：直径 34 mm，测量面积 154 mm&lt;sup&gt;2&lt;/sup&gt;）</td><td>Ambu GmbH, Bad Nauheim, Germany</td><td></td><td>用于记录 ECG 和 EMG &lt;em&gt;M. trapezius&lt;/em&gt;，也可用于电刺激</td></tr><tr><td>Audacity 2.1.2</td><td>Dominic Mazzoni (Audacity)</td><td></td><td>音频录制软件</td></tr><tr><td>冷凝胶包</td><td>C+V Pharma Depot GmbH, Versmold, Germany</td><td></td><td></td></tr><tr><td>泛醇 50 mg/g</td><td>ratiopharm GmbH, Ulm, Germany</td><td></td><td>软膏</td></tr><tr><td>铝型材</td><td>item Industrietechnik GmbH, Solingen, Germany</td><td></td><td>用于安装所有相机和话筒</td></tr><tr><td>电极凝胶 GEL1</td><td>BIOPAC Systems, Inc., Goleta, CA, USA</td><td></td><td></td></tr><tr><td>ELPREP 皮肤准备凝胶</td><td>BIOPAC Systems, Inc., Goleta, CA, USA</td><td></td><td></td></tr></tbody></table>

用于分析热刺激和电刺激疼痛反应的多模态信号

Multi-Modal Signals for Analyzing Pain Responses to Thermal and Electrical Stimuli

疼痛评估主要依赖于需要个体主动表达的评估方法。然而，对于存在认知和语言障碍的个体，现有方法因缺乏可靠性和有效性而难以适用。为解决这一问题，近期研究聚焦于通过生理、视频和音频信号所衍生的反应参数，实现客观的疼痛评估。为了开发可靠的自动化疼痛识别系统，研究人员已致力于构建多模态数据库，以分析疼痛并识别有效的疼痛模式。尽管现有结果令人期待，但这些研究仅关注区分疼痛（或疼痛强度）与无痛状态。为进一步推进该领域发展，研究还应考虑疼痛的性质（quality）和持续时间（duration），因为这些信息可为更高级的疼痛管理提供额外的重要依据。为补充现有数据库在疼痛性质和持续时间方面的分析空白，本文提出一项心理生理学实验，旨在诱发、测量并采集有效的疼痛反应。实验中，向受试者施加不同强度（低、中、高）、不同持续时间（5秒/1分钟）以及不同模态（热痛/电痛）的疼痛刺激，同时记录音频、视频（如面部表情、身体姿态、面部皮肤温度）以及生理信号（如心电图[ECG]、皮肤电导水平[SCL]、面部肌电图[EMG]以及斜方肌M. trapezius的肌电图[EMG]）。研究包括一个校准阶段，用于确定每位受试者个体化的疼痛范围（从轻微到无法忍受的疼痛），以及一个刺激阶段，在该阶段根据校准后的范围施加疼痛刺激。所获取的数据有望用于优化、改进并评估自动化识别系统在客观疼痛评估方面的能力。为进一步发展此类系统并更细致地研究疼痛反应，未来的研究应纳入其他疼痛模态，如压力痛、化学痛或冷痛。本研究的记录数据将作为“X-ITE疼痛数据库”公开发布。

每个人对疼痛的感受都不同，且可能在面部表情、副语言和/或生理信号中表现出多样化的特征。本研究的设计适用于根据不同的研究目的，以多种方式分析疼痛反应。所获得的数据可能有助于回答以下科研问题：是否存在特定的疼痛反应模式？这些模式是否因疼痛模型和持续时间的不同而有所差异？
共有134名受试者参与了我们的实验，性别比例为1:1。受试者被分为以下年龄组：1）18-29岁（N = 49，23名男性，26名女性）；2）30-39岁（N = 45，23名男性，22名女性）；3）40-50岁（N = 40，21名男性，19名女性）。所有受试者的平均年龄为31.4岁（SD = 9.7），其中男性的平均年龄为33.4岁（SD = 9.3），女性的平均年龄为32.9岁（SD = 10.2）。本研究在德国乌尔姆大学医学心理学系进行。
本方案的主要结果是一组音频、视频和心理生理信号数据集，反映了受试者对疼痛刺激的反应。表1概述了研究中记录信号的技术参数以及诱发疼痛刺激的次数。
<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always">
	<tbody>
		<tr>
			<td colspan="5">技术特点</td>
		</tr>
		<tr>
			<td>信号：</td>
			<td colspan="2">采样率：</td>
			<td colspan="2">属性：</td>
		</tr>
		<tr>
			<td>音频</td>
			<td colspan="2">44100 Hz</td>
			<td colspan="2">单声道，MP3 320 kbps</td>
		</tr>
		<tr>
			<td>相机 1（面部，正面视图）</td>
			<td colspan="2">25 Hz</td>
			<td colspan="2">彩色视频：分辨率 1384 x 1032， 
			采用 libx265 编码的 HEVC（CRF 16，预设 medium）</td>
		</tr>
		<tr>
			<td>相机2（面部，侧面视图）</td>
			<td colspan="2">25 Hz</td>
			<td colspan="2">彩色视频：分辨率 1620 x 840， 
			使用 libx265 编码的 HEVC（CRF 16，preset medium）</td>
		</tr>
		<tr>
			<td>身体摄像头</td>
			<td colspan="2">约 30 Hz</td>
			<td colspan="2">彩色视频：分辨率 1500 x 600， 
			使用 libx265 编码的 HEVC（CRF 16，预设 medium）； 
			深度视频：分辨率 500 x 200，无损编码</td>
		</tr>
		<tr>
			<td>热成像相机</td>
			<td colspan="2">约 120.8 Hz</td>
			<td colspan="2">表面温度视频：分辨率 120 x 160， 
			使用 libx264 编码的灰度 MPEG-4-AVC 
			（CRF 0，预设 veryfast） 
			编码温度范围 26.5-52.0 °C （0.1 为步长）</td>
		</tr>
		<tr>
			<td>心电图</td>
			<td colspan="2">1000 Hz</td>
			<td colspan="2">通过BioPac硬件滤波：35 Hz低通，0.5 Hz高通 
			50 Hz 陷波滤波器</td>
		</tr>
		<tr>
			<td>SCL</td>
			<td colspan="2">1000 Hz</td>
			<td colspan="2">通过BioPac硬件滤波：10 Hz低通，无高通 
			无陷波滤光片</td>
		</tr>
		<tr>
			<td>EMG 斜方肌</td>
			<td colspan="2">1000 Hz</td>
			<td colspan="2">通过BioPac硬件滤波：500 Hz低通，10 Hz高通， 
			无陷波滤光片</td>
		</tr>
		<tr>
			<td>EMG 额皱眉肌</td>
			<td colspan="2">1000 Hz</td>
			<td colspan="2">通过BioPac硬件滤波：500 Hz低通，10 Hz高通， 
			无陷波滤光片</td>
		</tr>
		<tr>
			<td>EMG 颧大肌</td>
			<td colspan="2">1000 Hz</td>
			<td colspan="2">通过BioPac硬件滤波：500 Hz低通，10 Hz高通 
			无陷波滤波器</td>
		</tr>
		<tr>
			<td>刺激</td>
			<td colspan="2">热的</td>
			<td colspan="2">电学</td>
		</tr>
		<tr>
			<td>受试者：</td>
			<td>相位刺激（5 秒）：</td>
			<td>持续刺激（60 s）：</td>
			<td>相位性刺激（5 s）：</td>
			<td>持续刺激（60 s）：</td>
		</tr>
		<tr>
			<td>每人</td>
			<td>90（每个强度30）</td>
			<td>3（每个强度1个）</td>
			<td>90（每个强度30个）</td>
			<td>3（每种强度各1个）</td>
		</tr>
		<tr>
			<td>全部（N = 134）</td>
			<td>12060（每强度4020）</td>
			<td>402（每种强度134个）</td>
			<td>12060（每强度4020）</td>
			<td>402（每个强度134）</td>
		</tr>
		<tr>
			<td>男性（n = 67）</td>
			<td>6030（每强度2010）</td>
			<td>201（每个强度67）</td>
			<td>6030（每强度2010）</td>
			<td>201（每个强度67个）</td>
		</tr>
		<tr>
			<td>女性（n = 67）</td>
			<td>6030（按强度计为2010）</td>
			<td>201（每个强度67个）</td>
			<td>6030（每强度2010）</td>
			<td>201（每个强度67）</td>
		</tr>
	</tbody>
</table>
表1：技术特征及诱发刺激次数。 上半部分（技术特征）显示了各特定信号的采样率及其属性。下半部分（刺激）显示了单个受试者、所有受试者以及每种性别的特定（热/电）疼痛刺激诱发次数。（MP3 = 动态图像专家组第3层音频，kbps = 千比特每秒，HEVC = 高效视频编码，CRF = 恒定码率因子，MPEG-4-AVC = 动态图像专家组第4层视频高级视频编码，Hz = 赫兹，°C = 摄氏度，s = 秒，ECG = 心电图，SCL = 皮肤电导水平，EMG = 肌电图，LP = 低通滤波器，HP = 高通滤波器，M. = 肌）。
本研究校准阶段的一个次要结局指标如表2所示。该表展示了所有受试者以及男性和女性亚组在疼痛强度1和3时的平均刺激温度与电流（根据方案第5.11步计算得出）。
<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always">
	<tbody>
		<tr>
			<td>刺激</td>
			<td colspan="4">热刺激 [单位：°C] 均值（标准差）</td>
			<td colspan="4">电刺激 [单位：mA] 均值（标准差）</td>
		</tr>
		<tr>
			<td>受试者</td>
			<td>pH1</td>
			<td>pH3</td>
			<td>tH1</td>
			<td>tH3</td>
			<td>pE1</td>
			<td>pE3</td>
			<td>tE1</td>
			<td>tE3</td>
		</tr>
		<tr>
			<td>全部（N = 134）</td>
			<td>44.03 (2.25)</td>
			<td>49.17 (1.20)</td>
			<td>42.50 (2.14)</td>
			<td>47.76 (1.02)</td>
			<td>1.63 (0.94)</td>
			<td>5.64 (2.72)</td>
			<td>1.69 (1.12)</td>
			<td>5.70 (2.59)</td>
		</tr>
		<tr>
			<td>男性（n = 67）</td>
			<td>44.56 (2.18)</td>
			<td>49.48 (0.89)</td>
			<td>43.11 (1.98)</td>
			<td>47.93 (1.04)</td>
			<td>1.94 (1.01)</td>
			<td>6.83 (3.02)</td>
			<td>1.96 (1.16)</td>
			<td>6.90 (2.72)</td>
		</tr>
		<tr>
			<td>女性（n = 67）</td>
			<td>43.51 (2.74)</td>
			<td>48.87 (1.39)</td>
			<td>41.89 (2.14)</td>
			<td>47.59 (0.98)</td>
			<td>1.32 (0.75)</td>
			<td>4.45 (1.70)</td>
			<td>1.43 (1.01)</td>
			<td>4.51 (1.80)</td>
		</tr>
	</tbody>
</table>
表2：疼痛强度1和3的平均刺激温度与电流。（pH1、pH3 = 强度为1和3的时相性热痛；tH1、tH3 = 强度为1和3的持续性热痛；pE1、pE3 = 强度为1和3的时相性电痛；tE1、tE3 = 强度为1和3的持续性电痛；°C = 摄氏度；mA = 毫安，SD = 标准差）。
如果严格按照方案的各个步骤操作，且未出现任何技术问题（如计算机或记录设备崩溃等），则成功的结果可能如图4所示。所有信号均具有高质量，且未受到外部干扰源的影响。每位受试者在每个摄像头中均清晰可见。
<img alt="疼痛诱发实验中的面部表情分析、肌电图信号和生理反应。" class="xfigimg" src="/files/ftp_upload/59057/59057fig4.jpg" data-altupdatedat="1788250015000" data-alt="图4"> 
图4：一次成功实验的示例数据。 该图展示了在施加强烈疼痛刺激前、期间及之后数秒内记录的信号。所有信号均未经滤波处理，并在时间上同步。为清晰起见，此处仅显示视频信号的代表性截图。（EMG = 肌电图，SCL = 皮肤电导水平，ECG = 心电图，M. = Musculus，s = 秒）。<a href="https://www.jove.com/files/ftp_upload/59057/59057fig4large.jpg" target="_blank">请点击此处查看此图的放大版本。</a>
然而，意外事件可能导致数据出现噪声或损坏。除了计算机或记录设备崩溃外，电极脱落（尤其是通过双面粘合环固定的直径较小的可重复使用电极）通常会导致信号无法使用。作为数据质量不佳的示例，图5展示了肌电图电极脱落的瞬间，导致相应信号失效。
<img alt="肌电图、心电图、皮电反应研究；面部与身体摄像；含伪迹的电极信号示意图；疼痛刺激分析。" class="xfigimg" src="/files/ftp_upload/59057/59057fig5.jpg" data-altupdatedat="1788250015000" data-alt="图 5"> 
图 5：一次非理想实验的示例数据。 红圈标示了其中一个肌电图电极（M. zygomaticus major）从受试者面颊脱落的时间点，这可能是由于出汗或头部运动所致。自此时刻起，信号完全丢失。（EMG = 肌电图，SCL = 皮肤电导水平，ECG = 心电图，M. = Musculus，s = 秒）。<a href="https://www.jove.com/files/ftp_upload/59057/59057fig5large.jpg" target="_blank">请点击此处查看该图的高清版本。</a>
由于伦理准则的限制，热刺激和电刺激的最大强度必须有所限制。在热校准控制部分（参见补充文件），134名受试者中有37名（31名男性，6名女性）达到了设定的50.5 °C截止温度（比例 = 37/134 = 27.61 %）。在热校准第一部分中，134名受试者中有60名（39名男性，21名女性）达到了50.0 °C的截止温度（比例 = 60/134 = 44.78 %）；在第二部分中，有57名受试者（37名男性，20名女性）达到了49.5 °C的截止温度（比例 = 57/134 = 42.54 %）。两个电校准部分的截止电流均为25 mA，但134名受试者中无人达到该阈值。
由于我们计划发表这些数据（见下一段），达到截止标准的参与者的数据集将被额外标注，并将其对应截止标准的主观疼痛评分纳入其中。
需要指出的是，本方案的主要目标是获取用于分析热痛和电痛的多模态信号。因此，此处不讨论其他结果。在检查并排除因数据缺失或拒绝签署数据共享书面同意书而无法使用的数据集后，本研究的数据集将以“X-ITE Pain Database”之名公开提供。有关获取 X-ITE Pain DB 的具体时间和方式的更多信息，请访问 https://github.com/philippwerner/pain-database-list。
补充文件 1。<a href="https://www.jove.com/files/ftp_upload/59057/Supplementary_File_1.docx" target="_blank">请点击此处下载该文件。</a>

本文重点介绍通过热（热刺激）和电刺激实验性诱发疼痛，同时记录生理、视觉及副语言反应。旨在基于疼痛的强度、性质和持续时间，收集有效的多模态数据以进行疼痛分析。&#160;

疼痛评估主要依赖于需要个体进行交流的评估方法。然而，对于存在认知和语言障碍的个体，现有的……

采用本方法获取的数据可能有助于识别疼痛强度，且不受潜在疼痛模型的影响。该数据还可能有助于评估疼痛持续时间。该技术的主要优势在于信号记录和疼痛刺激方面的多模态性。该技术显著拓宽了疼痛研究的范围。此方法可应用于病理治疗过程中疼痛存在的监测，从而实现更高效的疼痛管理。该方案的实施需要大量复杂的手动操作，例如电极的放置，而通过视觉演示可使这些操作更快且更易于掌握。演示该实验操作的是我实验室的学生 Sandra Gebhardt，她已接受过本研究的实验员培训。在操作开始前，欢迎受试者的到来，并引导她进入校准室。向她详细说明校准过程以及后续的疼痛刺激实验。接下来，在紧邻校准监测室的、有摄像监控、温度可控且低噪音的实验室内进行疼痛刺激。使用适当的记录计算机、软件和记录设备，以采集实验过程中的生理数据、音频、视频以及热刺激和电刺激输出。根据已完成的校准结果，将相位性电刺激和热痛刺激强度值，以及持续性电刺激和热痛刺激强度值，输入至热刺激和电刺激设备中。将基线温度设置为 32 摄氏度，升温速率为每秒 8 摄氏度，然后保存所有设置。随后，准备疼痛诱发程序脚本，如图所示。将每种时相性刺激强度的次数设置为 30，每种持续性刺激强度的次数设置为 1。然后，将每个时相性刺激的持续时间设为5秒，每个紧张性刺激的持续时间设为60秒。随机化所有刺激的顺序，并将时相性刺激之间的间隔设为8至12秒。之后，将紧张性刺激后的间隔设为300秒。开始疼痛刺激时，请受试者舒适地平躺在检查床上。使用酒精溶液清洁所有将要粘贴电极的皮肤区域。使用研磨凝胶去除左侧脸颊、左耳后方、左侧眉毛上方以及前额皮肤表面的死皮细胞。然后，用酒精溶液重新清洁这些区域。测量皮肤电导水平时，使用魔术贴绑带将两个预装凝胶的非极化银/氯化银电极固定在右手食指和中指远端指骨的掌侧表面。记录心电图时，使用三个带有圆形接触面的预装凝胶粘性银/氯化银按扣式电极。将阴极电极置于胸部，大约在右侧锁骨下方六厘米处，阳极电极置于左侧第9和第10肋骨处。参考电极固定于右侧腰部靠近骨盆骨的位置。为记录斜方肌（musculus trapezius）的肌电图（EMG），同样使用三个带有圆形接触面的预凝胶粘附式银/氯化银扣式电极。将阴极和阳极电极并排置于颈部左侧斜方肌上，参考电极置于左侧锁骨下方。使用六个可重复使用的屏蔽银/氯化银电极记录皱眉肌和颧大肌的肌电图信号。将双面粘性电极套环的一侧粘附到电极上。随后，用电解质凝胶填充电极的腔体。移除双面粘性电极套环另一侧的纸制背衬。对于皱眉肌（musculus corrugator supercilii），将阳极电极置于左侧眉毛正上方、眉间线旁。然后将阴极电极置于阳极电极外侧1厘米处。将参考电极固定在额骨中部，紧靠发际线下方。对于提上唇肌（musculus zygomaticus major），从左侧口角向左侧耳垂画一条假想线。将阳极电极置于该线中点稍下方，阴极电极置于其内侧1厘米处。将参考电极连接至左侧乳突。然后，将所有电极连接到生物信号记录设备的相应输入端。使用生物信号记录软件进行视觉检查，确保所有生理信号质量良好或极佳。接下来，将银/氯化银阳极电极置于左手示指中节指骨的上方，阴极电极置于左手中指近节指骨的上方。将电极连接到电刺激器上。使用尼龙搭扣带将热刺激探头固定在受试者左前臂背侧，距离腕关节近端约30毫米处。启动所有摄像机。确保受试者在摄像头中完全可见。然后启动所有录制设备，并符合数据同步的要求。运行疼痛诱发程序。密切监测受试者及疼痛刺激部分的进展情况。疼痛诱发脚本结束后，关闭所有记录设备。检查受试者状态是否正常，并移除所有电极和热刺激探头。接下来，将一个卫生的无纺布毛巾包裹在冷凝胶包上。请受试者将其敷在之前放置热刺激探头的皮肤区域，持续至少五分钟。然后在之前放置热刺激探头的皮肤区域涂抹药膏。随后，感谢受试者并道别。处理所有一次性电极，清洁所有可重复使用的电极以及检查床。图中显示了受试者在施加强烈疼痛刺激前、刺激过程中以及刺激后的图像。所有记录的信号均未经滤波处理，并在时间上保持同步。为清晰起见，仅展示了视频信号的代表性截图。在进行该操作时，重要的是在开始疼痛刺激前确保所有信号均已优化。同时，在运行疼痛诱发程序前，需确认所有记录设备均已开启。按照此操作步骤，还可实施其他方法，例如使用近红外夜视摄像头，或对生物信号进行记录，以便在夜间环境中更高效地识别疼痛。该技术能够客观地识别疼痛，无需与患者进行交流。它有助于区分不同的疼痛特性，并揭示疼痛的根本来源。如果操作人员未经培训，疼痛刺激器可能会造成严重伤害。始终遵循关于刺激强度阈值的伦理和安全限制，以确保参与者的安全。

multi-modal-signals-for-analyzing-pain-responses-to-thermal

Research

科研

JoVE Journal

Behavior

行为

分析疼痛对热和电刺激反应的多模态信号

展示了用于评估人类受试者实验性炎症皮肤中热痛和机械痛阈值的算法。这两种疼痛测试范式可独立检测传递疼痛的两大主要外周神经纤维群体的伤害性信息处理过程，即无髓鞘C纤维和有髓鞘细小的A-δ纤维。...

测定人类受试者炎症皮肤中的热痛和机械痛阈值

人体疼痛模型是评估新型化合物镇痛潜力并预测其临床疗效的宝贵工具，尤其是在综合使用时尤为有效。尽管这些模型的实施较为复杂，但只要操作得当，本方案中所述的疼痛模型能够提供具有预测性和可靠性的结果。...

使用整合式多模态疼痛任务组合测定疼痛感知与耐受阈值

本实验的目的是展示一系列用于人体感觉和疼痛测量的定量技术。所描述的设备和技术在疼痛门诊中常见，或易于获取。...

一种用于测量人类感觉与疼痛的手动测试方案

通过评估机体对重复性或不同类型标准化刺激的疼痛反应，动态定量感觉测试（QST）能够揭示疼痛中枢处理过程中的变化。本文介绍了优化和个体化两种动态QST测量方法：时间总和效应（TS）和条件性疼痛调节（CPM）的技术方案。...

动态定量感觉测试以表征中枢疼痛处理

基于心理物理学锚定的稳健阈值法在研究疼痛相关振荡性刺激前活动偏侧化中的应用

本文提供了一种建立慢性缺血后疼痛（CPIP）动物模型的实验方案。该模型是模拟人类Ⅰ型复杂性区域疼痛综合征的公认模型。进一步评估CPIP大鼠模型中的机械性和热性痛觉过敏，以及辣椒素诱导的伤害性行为。...

大鼠I型复杂性区域疼痛综合征的慢性缺血后疼痛模型

为了开发用于预防和治疗背痛的新型治疗干预措施，需要借助动物模型从转化医学的角度来研究这些疗法的作用机制和有效性。本方案描述了BMS测试，即一种用于评估大鼠背部机械敏感性的标准化方法。...

大鼠背部机械敏感性评估用于慢性背痛机制研究

本方案描述了背根神经节（DRG）的手术暴露过程，随后在对同侧后爪施加多种刺激的同时，利用Pirt-GCaMP3小鼠对神经元集合进行GCaMP3（基因编码的Ca2+指示剂；绿色荧光蛋白-钙调蛋白-M13蛋白3）Ca2+成像。...

体内完整背根神经节初级感觉神经元网络中神经元集群的钙成像

开源实时闭环电阈值追踪技术在转化疼痛研究中的应用

疼痛研究的最新进展凸显了使用绿色发光二极管（GLED）进行光神经调节作为非药物治疗手段的潜力。GLED可调节疼痛通路，提供有效的镇痛效果。本文旨在标准化和优化GLED照射方案，提高不同研究之间的一致性，并推动该疗法在临床中的应用。...

优化光神经调节技术以评估绿光发光二极管在疼痛管理中的作用

在此，我们介绍一种用于评估急性麻醉条件下外周神经中感觉轴突激活与阻滞的方法， 体内...

评估麻醉大鼠外周疼痛阻滞的电生理学方法

了解通过热刺激和电刺激诱发疼痛的多模态信号记录方法。该技术可同步采集生理数据、音视频信息，用于分析疼痛强度、性质和持续时间，为疼痛管理提供客观评估框架。

用于分析热刺激和电刺激疼痛反应的多模态信号

探索更多视频