Name: multi-modal signals for analyzing pain responses to thermal and electrical stimuli
Uploaded: 2019-04-05T13:00:00
Duration: 9 min 16 s
Description: Watch this Scientific Journal Video about Multi-Modal Signals for Analyzing Pain Responses to Thermal and Electrical Stimuli at JoVE.com

Die Autoren möchten Verena Friedrich, Maria Velana, Sandra Gebhardt, Romy Bärwaldt und Tina Daucher danken für ihre wertvolle Hilfe bei der Durchführung der Studie. Darüber hinaus geht ein besonderer Dank geht an Dr. Stefanie Rukavina für ihre wissenschaftliche Unterstützung. Diese Forschung wurde Teil der DFG/TR233/12 (http://www.dfg.de/) "Förderung und systematische Validierung von an automatisierte Schmerzen Anerkennung On The Basis Of Gesichts Ausdruck und psychobiologischen Systemparameter" Projekt, finanziert von der deutschen Forschung Stiftung.

<ol>
	<li>Hawker, G. A., Mian, S., Kendzerska, T., French, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Measures+of+adult+pain:+Visual+analog+scale+for+pain+(vas+pain),+numeric+rating+scale+for+pain+(nrs+pain),+mcgill+pain+questionnaire+(mpq),+short&#8208;form+mcgill+pain+questionnaire+(sf&#8208;mpq),+chronic+pain+grade+scale+(cpgs),+short+form&#8208;36+bodily+pain+scale+(sf&#8208;36+bps),+and+measure+of+intermittent+and+constant+osteoarthritis+pain+(icoap).">Measures of adult pain: Visual analog scale for pain (vas pain), numeric rating scale for pain (nrs pain), mcgill pain questionnaire (mpq), short&#8208;form mcgill pain questionnaire (sf&#8208;mpq), chronic pain grade scale (cpgs), short form&#8208;36 bodily pain scale (sf&#8208;36 bps), and measure of intermittent and constant osteoarthritis pain (icoap).</a> Arthritis Care &amp; Research. 63 (11), 240-252 (2011).</li><li>Kehlet, H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Acute+pain+control+and+accelerated+postoperative+surgical+recovery.">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/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Treating+acute+pain+in+hospital.">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/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=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).">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/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Ein+strukturiertes+Schmerzinterview+f&#252;r+geriatrische+Patienten.">Ein strukturiertes Schmerzinterview f&#252;r 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/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Pain+in+elderly+people+with+severe+dementia:+a+systematic+review+of+behavioural+pain+assessment+tools.">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/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Tools+for+assessment+of+pain+in+nonverbal+older+adults+with+dementia:+a+state-of-the-science+review.">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://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Praxishandbuch ZOPA : Schmerzeinsch&#228;tzung bei Patienten mit kognitiven und/oder Bewusstseinsbeeintr&#228;chtigungen. , (2010).</li><li>Abbey, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+Abbey+pain+scale:+a+1-minute+numerical+indicator+for+people+with+end-stage+dementia.">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/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Pain+intensity+recognition+rates+via+biopotential+feature+patterns+with+support+vector+machines.">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/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Automatic+pain+quantification+using+autonomic+parameters.">Automatic pain quantification using autonomic parameters.</a> Psychology &amp; Neuroscience. 7 (3), 363 (2014).</li><li>Werner, P., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Automatic+pain+assessment+with+facial+activity+descriptors.">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. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Audio-Visual+Recognition+of+Pain+Intensity.">Audio-Visual Recognition of Pain Intensity.</a> IAPR Workshop on Multimodal Pattern Recognition of Social Signals in Human-Computer Interaction. , (2016).</li><li>Niese, R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Towards+Pain+Recognition+in+Post-Operative+Phases+Using+3D-based+Features+from+Video+and+Support+Vector+Machines.">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/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Pain+monitoring:+A+dynamic+and+context-sensitive+system.">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/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Automatic+pain+recognition+from+video+and+biomedical+signals.">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/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Diagnostik+der+Schmerzintensit&#228;t,+basierend+auf+multimodalen+Signalen+und+maschinellen+Lernen.">Diagnostik der Schmerzintensit&#228;t, 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/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Physiological+Signal-Based+Method+for+Measurement+of+Pain+Intensity.">Physiological Signal-Based Method for Measurement of Pain Intensity.</a> Frontiers in aneuroscience. 11, (2017).</li><li>K&#228;chele, M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Multimodal+data+fusion+for+person-independent,+continuous+estimation+of+pain+intensity.">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/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+BioVid+Heat+Pain+Database+-+Data+for+the+advancement+and+systematic+validation+of+an+automated+pain+recognition+system.">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., Schwenker, F., Scherer, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+SenseEmotion+Database:+A+Multimodal+Database+for+the+Development+and+Systematic+Validation+of+an+Automatic+Pain-+and+Emotion-Recognition+System.">The SenseEmotion Database: A Multimodal Database for the Development and Systematic Validation of an Automatic Pain- and Emotion-Recognition System.</a> Multimodal Pattern Recognition of Social Signals in Human-Computer-Interaction. MPRSS 2016. Lecture Notes in Computer Science. , (2017).</li><li>Lautenbacher, S., Peters, J. H., Heesen, M., Scheel, J., Kunz, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Age+changes+in+pain+perception:+a+systematic-review+and+meta-analysis+of+age+effects+on+pain+and+tolerance+thresholds.">Age changes in pain perception: a systematic-review and meta-analysis of age effects on pain and tolerance thresholds.</a> Neuroscience &amp; Biobehavioral Reviews. 75, 104-113 (2017).</li><li>K&#225;llai, I., Barke, A., Voss, U. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+effects+of+experimenter+characteristics+on+pain+reports+in+women+and+men.">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/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Systematic+review+of+the+Hawthorne+effect:+New+concepts+are+needed+to+study+research+participation+effects.">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>

Die Autoren haben nichts preisgeben.

Die vorgestellte Protokoll konzentriert sich auf die experimentelle Erhebung thermische (Wärme) und elektrische Schmerzen während der Aufnahme physiologische, optische und paralinguistischen Signale. Dieser neuartige Ansatz, Kombination von zwei Schmerz-Modellen mit unterschiedlichen Stimuli Intensitäten und zwei verschiedene Reize Laufzeiten (phasischen und tonischen), bietet einen Überblick über die psycho-physiologischen Muster und Ausdruck von Schmerz. Allerdings müssen mehrere Schritte für die Realisierung dieses Protokolls berücksichtigt werden.
Im Allgemeinen funktioniert mit Schmerzreizen ist es entscheidend für die Sicherheit der Probanden zu gewährleisten. Alle Schmerzreize hoch gesteuert werden und sollte nur von erfahrenen Experimentatoren durchgeführt werden. Darüber hinaus wird für die Erfassung und zuverlässige und qualitativ hochwertige Datenerhebung, die korrekte Befestigung der Geräte (Elektroden), die einwandfreie Funktion der Aufnahmegeräte und eine reibungslose Kommunikation zwischen Computern dringend empfohlen. Alle Quellen von Störungen sollten beseitigt oder auf ein Minimum reduziert. Um die Konsistenz zwischen den Teilnehmern zu gewährleisten, ist es wichtig, standardisierte Anweisungen und unveränderliche experimentellen Bedingungen bereitstellen.
Unserer Erfahrung nach finden geeignete Teilnehmer, die alle Kriterien erfüllen und bereit sind, zahlreiche schmerzhafte Reize zu erhalten, dauert eine lange Zeit und ist eine ziemliche Herausforderung. Darüber hinaus muss die finanzielle Entschädigung hoch genug, um Themen zum Studium zu gewinnen. Vor allem Personen zwischen 30 und 50 Jahren sind schwer zu finden. Dies kann, weil das Experiment zu lange (ca. 4 Stunden, inklusive an- und Abreise) und sie haben einen halben Tag von der Arbeit abzunehmen.
Da die Sicherheit der Teilnehmer oberste Priorität hat, müssen Schmerzen Induktion beschränkt werden. Aufgrund der ethischen Richtlinien darf die Stimulus-Intensitäten bestimmte Ebenen zur Vermeidung von Verbrennungen und Bewusstlosigkeit in Bezug auf die thermische und elektrische Schmerzen Induktion, bzw. nicht überschreiten. Eine allgemeine Abkürzung Intensitäten kann in eine Decke Effekt führen, da einige Themen können die Intensität Grenzen vor unerträglichen Schmerz zu fühlen, zu erreichen. In dieser Studie erreicht etwa 42 % (unter Berücksichtigung thermischer Kalibrierung Teil 1 und 2) der Teilnehmer die Thermosicherungen (siehe repräsentative Ergebnisse). Wie sie ihre "echte" Schmerzen Toleranzen nicht erreicht haben, könnte ihre physiologischen Reaktionen auf die höchste thermische Reize anders Verhalten im Gegensatz zu physiologischen Reaktionen von Themen, die sie erreicht. Wenn ja, könnten die Vermischung dieser beiden Gruppen Klassifizierungsergebnisse in Bezug auf Schmerzen Anerkennung beeinflussen.
Ein wichtiger Punkt an Adresse ist die Schmerz-Modalitäten in diesem Experiment. Teilnehmer nur thermische und elektrische Schmerzreize unterliegen (da diese in einer experimentellen Umgebung sehr kontrollierbar sind). Wenn Schmerz-Muster in Bezug auf Qualität prüfen, Ergebnisse können nicht übersetzen, um andere Schmerzen Modalitäten wie Druck, chemische oder viszerale Schmerzen. Die gleiche Überlegung über die Übertragbarkeit der Ergebnisse gilt der Studie Probe. Das Protokoll ist ethisch beschränkt sich auf gesunde Erwachsene. Zum Beispiel enthält es nicht Kinder oder verbal und kognitiv beeinträchtigte Personen. Darüber hinaus haben in unserer Studie nur europäischen Personen teilgenommen. Auch hier können Analyseergebnisse nicht auf Gruppen in diesem Experiment nicht berücksichtigt anwenden.
Eine weitere Einschränkung der Hawthorne-Effekt24betreffen kann: die Themen sind uns bewusst, dass sie in der Studie gefilmt/beobachtet werden. Dies könnte ihr Verhalten ändern.
Im Vergleich zu bestehenden Schmerzen Datenbanken, das Protokoll bietet erhebliche Vorteile für Schmerz-Antwort-Muster zu analysieren, da sie zwei Schmerz-Modelle und zwei Mal-Kurse (phasischen und tonischen) vereint: Neben der Intensität und Dauer der Schmerzen, es hält auch die Qualität der Schmerz. Wie thermische Schmerz anders als elektrische Schmerzen beschrieben wird (z. B. brennende vs. scharf), es kann auch in die Schmerz Reaktionen unterscheiden. Wenn ja, könnte diese Feststellungen eine Schmerz-Antwort-Muster auf die zugrunde liegende Quelle des Schmerzes verknüpfen. Darüber hinaus ist die Studie Multi-modale Schmerz Untersuchung Möglichkeiten erweitern: mit 5 psychophysiologischer Signale, 2 Gesicht Kamerasignale (frontseitig), 1 Körper Ansicht Kamerasignal, 1 Wärmebildkamera und 1 Audiosignal, Schmerzen kann analysiert werden und genauer untersucht.
Für eine komplexere Untersuchung der Schmerz-Antwort-Muster sollten zukünftige Erweiterungen dieser Methode mehr Biosignalen wie Elektroenzephalographie (EEG), Körpertemperatur und Atmung enthalten. Auch wäre es von großem Vorteil, kontrollierten Druck als Vorbild für weitere Schmerzen zu beschäftigen. Forscher zur automatischen Schmerzen Anerkennung über Daten mit diesem Protokoll sollten weitere vielversprechende Maschine Lernmodelle mit klinischen Kontrollgruppen testen.

Schmerz ist eine sehr persönliche und unangenehme Empfindung, die von jedem anders wahrgenommen wird. Es dauert Sekunden bis Monate und variieren in ihrer Qualität (pochen, scharf, brennen, etc.). Wenn nicht ausreichend behandelt, Schmerzen physische und psychische Funktionen des Körpers beeinflusst, reduziert die Lebensqualität und trägt das Risiko des Werdens ein chronischer Zustand. In der klinischen Versorgung ist die genaue Beurteilung der Schmerzintensität und Qualität für erfolgreiche Schmerz-Management1,2bieten äußerst relevant. Gold-Standard-Methoden zur Beurteilung Schmerz, wie z. B. der visuellen analogen Skalen (VAS), die numerische Rating-Skala (NRS) oder der McGill Schmerz-Fragebogen3, verlassen Sie sich auf Berichte von Patienten und damit funktionieren nur ausreichend mit kognitiv und mündlich ungestörten Personen. Daher etablierte all jene Methoden fehlen Validität und Reliabilität bei Neugeborenen4, Delirium, somnolent, sediert, beatmeten Patienten5oder Menschen mit Demenz6,7. Zusätzlich oder alternativ zu Skalen self-report wurden Methoden zur Messung der Schmerzen durch Beobachtung durch geschultes Personal (z. B. der Zurich Observation Pain Bewertung8 oder die Abtei Schmerzskala-9) in den letzten Jahren entwickelt. Dennoch leiden auch diese Werkzeuge Einschränkungen in Reliabilität und Validität, da sogar ausgebildete Gutachter eine objektive Bewertung garantieren können. Darüber hinaus ist die Anwendung oft zu aufwendig für Klinikpersonal, wenn Schmerzen Bewertung regelmäßig getan werden sollte.
Mehrere Forschergruppen konzentrierten sich auf die Entwicklung von automatisierten Schmerz erkennen Systeme, die es ermöglichen für die Messung von Schmerzen mit Mitteln der physiologischen, visuelle, bzw. paralinguistischen Signal legt fest, wie neue Ansätze für die Bewertung und Überwachung der Schmerz und die Intensitäten Objektiv. Frühere Studien zeigen vielversprechende Ergebnisse bei der Erkennung und Differenzierung Schmerzen10,11,12,13,16,17,18 oder unterscheidende Schmerzen von Grundgefühle14,15 ausschließlich anhand eines Signals setzt10,11,12,13,14, 15 sowie auf eine Kombination/Fusion16,17,19 der Sets. Die oben genannten Modalitäten reagieren fast autonom zu stressig Reize wie Schmerz. Mit ihnen hat den Vorteil, dass sie nicht, die Fähigkeit einer Person benötigen, ihre/seine Schmerzen zu melden. Solche Individuen würde von einer objektiven Schmerz-Erkennungssystem profitieren die solche Modalitäten enthält. Daten-Sets bestehend aus Reaktionen provozierten Schmerz liefern wertvolle Informationen für die Schmerz-Muster Analyse und Entwicklung von praktischen Anwendungen für die Erkennung und Überwachung von Schmerzen. Unter anderem erstellt Walter Et Al.20 "BioVid Hitze Schmerzen Database", eine multimodale Datenbank, ist öffentlich zugänglich und bietet, Daten von Kurzzeit-schmerzhafte Hitzereize und entsprechende psychophysiologischen und visuellen Reaktionen induziert. Die "SenseEmotion-Datenbank" Velana Et Al.21 enthält Biosignale, Videos und paralinguistischen Informationen aus freiwilligen phasisch Wärme Schmerzen und emotionale Reize betroffen.
Während diese Datenbanken gut geeignet sind für die Prüfung von Schmerz Reaktionen, basieren sie meist auf eine bestimmte Schmerzen Modell. Schmerzen in ihrer Qualität (angeblich modellabhängig Schmerz) und in seiner Dauer unterscheidet, es kann unterscheiden sich auch in seiner physiologischen, visuelle und paralinguistischen korreliert. Nach bestem Wissen der Autoren gibt es keine multimodalen Studien oder Datenbanken, die zwei oder mehr Schmerzen Modelle kombinieren und variieren Schmerzreize in Intensität und Dauer, um nicht nur Schmerz-Muster zu erkennen, sondern auch Schmerzen Qualitäten unterscheiden.
Dieses Papier enthält ein Protokoll zur Durchführung einer komplexen psychophysiologischen Experiments Schmerz und gleichzeitig aufzeichnen physiologischen Reaktionen (z. B. EKG, EMG der Musculus Trapezius, WPA Superciliiund Zygomaticus entlocken große, SCL) sowie Video (z. B. Mimik, Körpergesten, Gesichtshaut Temperatur) und audio-Daten. Die Teilnehmer werden angeregt, mit kurz (phasisch) und länger anhaltende (Tonika) Wärme und elektrische Schmerzreize, die in ihrer Intensität zu unterscheiden. Eine Kalibrierungsphase vor dem Experiment bestimmt Schmerzschwellen für jedes Fach einzeln.
Die Studie zielt auf multimodale Datenerfassung für die Untersuchung von Schmerz (Muster) hinsichtlich Intensität, Qualität und Länge mit Hilfe statistischer Methoden, Algorithmen für maschinelles lernen, etc.. Darüber hinaus soll die bereits gesammelten Daten für wissenschaftliche Zwecke unter dem Namen "X-ITE (EXPerimentally ichNduced Thermal und ELectrical) Schmerz Datenbank" veröffentlicht werden. Es kann vorhandene Datenbanken, z. B. BioVid Hitze Schmerzen und SenseEmotion20,21, erweitern und dazu beitragen, die weitere Entwicklung, Verbesserung und/oder Auswertung von automatisierten Schmerzen Erkennungssysteme in Fragen der Gültigkeit, Zuverlässigkeit und Echtzeit-Erkennung.
Der Rest des Papiers ist in folgender Weise organisiert. Das Protokoll beschreibt, wie der Schmerz Erhebung Studie Schritt für Schritt durchzuführen. Die repräsentativen Ergebnisse stellen Sie dann das Ergebnis des Experiments. Schließlich deckt die Diskussion kritischen Schritte, Einschränkungen und Vorteile der Studie gefolgt von Anregungen für zukünftige Erweiterungen.

<table border="0" cellpadding="0" cellspacing="0" style="width:1531px;" width="1532">
	<tbody>
		<tr height="21">
			<td height="21" style="height:21px;width:419px;">PATHWAY Model ATS</td>
			<td style="width:514px;">Medoc Ltd., Ramat Yishai, Israel</td>
			<td style="width:178px;"></td>
			<td style="width:422px;">Thermal Stimulator</td>
		</tr>
		<tr height="21">
			<td height="21" style="height:21px;width:419px;">30 mm x 30 mm ATS Thermode</td>
			<td style="width:514px;">Medoc Ltd., Ramat Yishai, Israel</td>
			<td style="width:178px;"></td>
			<td style="width:422px;">Thermode</td>
		</tr>
		<tr height="21">
			<td height="21" style="height:21px;width:419px;">PATHWAY Software Arbel 6.3.7.22.1</td>
			<td style="width:514px;">Medoc Ltd., Ramat Yishai, Israel</td>
			<td style="width:178px;"></td>
			<td>Thermal Stimulator Software</td>
		</tr>
		<tr height="21">
			<td height="21" style="height:21px;width:419px;">Digitimer DS7A Current Stimulator</td>
			<td style="width:514px;">Digitimer Ltd., Hertfordshire, UK</td>
			<td style="width:178px;"></td>
			<td style="width:422px;">Electrical Stimulator</td>
		</tr>
		<tr height="21">
			<td height="21" style="height:21px;width:419px;">Inquisit 5</td>
			<td style="width:514px;">Millisecond Software, Seattle, WA, USA</td>
			<td style="width:178px;"></td>
			<td style="width:422px;">Software for triggering electrical stimuli</td>
		</tr>
		<tr height="21">
			<td height="21" style="height:21px;width:419px;">Analogue-To-Digital Converter</td>
			<td style="width:514px;">Wissenschaftliche Werkstatt Elektronik, University of Ulm, Ulm, Germany</td>
			<td style="width:178px;">custom built</td>
			<td></td>
		</tr>
		<tr height="21">
			<td height="21" style="height:21px;width:419px;">BIOPAC MP150 System</td>
			<td style="width:514px;">BIOPAC Systems, Inc., Goleta, CA, USA</td>
			<td style="width:178px;"></td>
			<td>Biosignal Recording Hardware</td>
		</tr>
		<tr height="21">
			<td height="21" style="height:21px;">AcqKnowledge Software 4.1.1</td>
			<td style="width:514px;">BIOPAC Systems, Inc., Goleta, CA, USA</td>
			<td style="width:178px;"></td>
			<td>Biosignal Recording Software</td>
		</tr>
		<tr height="21">
			<td height="21" style="height:21px;width:419px;">NTG-2 Dual Powered Directional Condenser Microphone</td>
			<td style="width:514px;">R&#216;DE Microphones, Silverwater, Australia</td>
			<td style="width:178px;"></td>
			<td>Audio Recording Microphone</td>
		</tr>
		<tr height="21">
			<td height="21" style="height:21px;width:419px;">Kinect v2</td>
			<td style="width:514px;">Microsoft, Redmond, WA, USA</td>
			<td style="width:178px;"></td>
			<td>Body View Camera</td>
		</tr>
		<tr height="21">
			<td height="21" style="height:21px;width:419px;">AV Pike F-145C</td>
			<td style="width:514px;">Allied Vision Technologies GmbH, Stadtroda, Germany</td>
			<td style="width:178px;"></td>
			<td>Face Camera (frontal view)</td>
		</tr>
		<tr height="21">
			<td height="21" style="height:21px;width:419px;">AV Prosilica GT 1600C</td>
			<td style="width:514px;">Allied Vision Technologies GmbH, Stadtroda, Germany</td>
			<td style="width:178px;"></td>
			<td>Face Camera (side view)</td>
		</tr>
		<tr height="21">
			<td height="21" style="height:21px;width:419px;">PIR uc 180 Thermal Camera</td>
			<td style="width:514px;">InfraTec GmbH, Dresden, Germany</td>
			<td style="width:178px;"></td>
			<td>Thermal Face Camera</td>
		</tr>
		<tr height="42">
			<td height="42" style="height:42px;width:419px;">Synchronization Hardware</td>
			<td style="width:514px;">Werkstatt, IIKT, University of Magdeburg, Magdeburg, Germany</td>
			<td style="width:178px;">custom built</td>
			<td style="width:422px;">Hardware triggering of cameras, trigger signal is recorded by BIOPAC and Audacity</td>
		</tr>
		<tr height="42">
			<td height="42" style="height:42px;width:419px;">Recording and Synchronization Software</td>
			<td style="width:514px;">Philipp Werner, Neuro-Information Technology, University of Magdeburg, Magdeburg, Germany</td>
			<td style="width:178px;">custom software</td>
			<td style="width:422px;">Real-time recording, offline video encoding, and offline synchronization</td>
		</tr>
		<tr height="21">
			<td height="21" style="height:21px;width:419px;">Examination Couch</td>
			<td style="width:514px;">ClinicalCare GmbH, Bremen, Germany</td>
			<td style="width:178px;"></td>
			<td style="width:422px;"></td>
		</tr>
		<tr height="42">
			<td height="42" style="height:42px;width:419px;">Ag-AgCl Electrodes EL254 / EL254S (Reusable, 4mm recording diameter)</td>
			<td style="width:514px;">BIOPAC Systems, Inc., Goleta, CA, USA</td>
			<td style="width:178px;"></td>
			<td>Used to record EMG M. corrugator and M. zygomaticus</td>
		</tr>
		<tr height="44">
			<td height="44" style="height:44px;width:419px;">Ag-AgCl Electrodes BlueSensor P (Disposable, skin contact size: 34 mm diameter, measuring area 154 mm2)</td>
			<td style="width:514px;">Ambu GmbH, Bad Nauheim, Germany</td>
			<td style="width:178px;"></td>
			<td>Used to record ECG and EMG M. trapezius. Also used for electrical stimulation</td>
		</tr>
		<tr height="21">
			<td height="21" style="height:21px;width:419px;">Audacity 2.1.2</td>
			<td style="width:514px;">Dominic Mazzoni (Audacity)</td>
			<td style="width:178px;"></td>
			<td>Audio Recording Software</td>
		</tr>
		<tr height="21">
			<td height="21" style="height:21px;width:419px;">Cold Gel Pack</td>
			<td style="width:514px;">C+V Pharma Depot GmbH, Versmold, Germany</td>
			<td style="width:178px;"></td>
			<td></td>
		</tr>
		<tr height="21">
			<td height="21" style="height:21px;width:419px;">Panthenol 50mg/g</td>
			<td style="width:514px;">ratiopharm GmbH, Ulm, Germany</td>
			<td style="width:178px;"></td>
			<td>Ointment</td>
		</tr>
		<tr height="21">
			<td height="21" style="height:21px;width:419px;">Alumnium Profiles</td>
			<td style="width:514px;">item Industrietechnik GmbH, Solingen, Germany</td>
			<td style="width:178px;"></td>
			<td>Used to install all cameras and microphone</td>
		</tr>
		<tr height="21">
			<td height="21" style="height:21px;width:419px;">Electrode Gel GEL1</td>
			<td style="width:514px;">BIOPAC Systems, Inc., Goleta, CA, USA</td>
			<td style="width:178px;"></td>
			<td></td>
		</tr>
		<tr height="21">
			<td height="21" style="height:21px;width:419px;">ELPREP Skin Preparation Gel</td>
			<td style="width:514px;">BIOPAC Systems, Inc., Goleta, CA, USA</td>
			<td style="width:178px;"></td>
			<td></td>
		</tr>
	</tbody>
</table>

multi-modal signals for analyzing pain responses to thermal and electrical stimuli

Die Beurteilung des Schmerzes stützt sich vor allem auf Methoden, die eine Person zu kommunizieren. Bestehende Methoden sind für Menschen mit kognitiven und sprachlichen Beeinträchtigungen, jedoch nicht ausreichend, da sie Zuverlässigkeit und Gültigkeit fehlt. Um diesem Problem zu nähern, konzentriert sich neuere Forschungen auf eine objektive Schmerz-Bewertung durch die Parameter der Antworten abgeleitet von Physiologie und Video-und Audiosignale. Um zuverlässige automatisierte Schmerzen Erkennungssysteme zu entwickeln, wurden Anstrengungen unternommen, bei der Schaffung von multimodaler Datenbanken um Schmerzen zu analysieren und gültige Schmerz-Muster zu erkennen. Während die Ergebnisse vielversprechend sind, konzentrieren sie sich nur auf diskriminierende Schmerzen oder Schmerzen Intensitäten im Vergleich keine Schmerzen. Um dies zu fördern, sollten Forschung auch die Qualität und Dauer der Schmerzen da sie zusätzliche wertvolle Informationen für die erweiterte Schmerztherapie bieten. Ergänzend zur bestehenden Datenbanken und die Analyse des Schmerzes hinsichtlich Qualität und Länge, schlägt dieses Papier eine psychophysiologische Experiment, um zu entlocken, Messen und gültige Schmerz Reaktionen zu sammeln. Teilnehmer unterliegen schmerzhafte Reize, die Intensität (niedrig, Mittel und hoch), Dauer unterscheiden (5 s / 1 min), und Modalität (Wärme / elektrische Schmerzen) während Audio-, Video-(z. B. Mimik, Körpergesten, Gesichtshaut Temperatur) und physiologischen Signale (z. B. Elektrokardiogramm [EKG], Haut Leitwert Ebene [SCL], Gesichts Elektromyographie [EMG] und EMG des M. Trapezius) werden aufgezeichnet. Die Studie besteht aus einer Kalibrierungsphase ein Thema individuelle Schmerz reichen (von niedrig bis unerträgliche Schmerzen) zu bestimmen und eine Stimulationsphase welche Schmerzen Reize, abhängig von dem kalibrierten Bereich angewendet werden. Die gewonnenen Daten können optimieren, verbessern und automatische Erkennungssysteme im Hinblick auf eine objektive Schmerz Bewertung Bewertung. Für die weitere Entwicklung solcher Systeme und Schmerz Reaktionen zusätzliche Schmerzen Modalitäten wie Druck, etwas ausführlicher zu untersuchen sind chemische oder kalten Schmerz in zukünftigen Studien einzubeziehen. Aufgezeichnete Daten dieser Studie werden als die "X-ITE-Schmerz-Datenbank" veröffentlicht.

Schmerz wird von jeder Person unterschiedlich wahrgenommen und kann sich vielfältig äußern, in Mimik, paralinguistischen und/oder physiologische Signale. Das Design dieser Studie eignet sich Schmerz Antworten auf vielfältige Weise im Hinblick auf die zugrunde liegenden Ziele zu analysieren. Die gewonnenen Daten können Forschung Fragen, wie: gibt es spezifische Probleme Reaktionsmuster? Unterscheiden sich hinsichtlich Schmerzen Modell und Dauer?
134 Themen nahmen in unserem Experiment. Das Geschlechterverhältnis war 50/50. Wir sie in den folgenden Altersklassen eingeteilt: (1) 18-29 Jahre (N = 49, 23 Männer, 26 Frauen), (2) 30-39 Jahre (N = 45, 23 Männer, 22 Frauen), (3) 40-50 Jahre (N = 40, 21 Männer, 19 Frauen). Das Durchschnittsalter aller Fächer 31,4 (SD = 9,7), aller Männer = 33,4 (SD = 9,3) und aller Frauen = 32,9 (SD = 10,2) Jahren. Die Studie fand am Institut für medizinische Psychologie der Universität Ulm, Deutschland.
Das wichtigste Ergebnis dieses Protokolls ist ein Datensatz der Audio-, Video- und psychophysiologische Signale reflektiert die Themen Reaktionen auf Schmerzreize. Tabelle 1 enthält eine allgemeine Übersicht über die technischen Merkmale der aufgezeichneten Signale und die Nummern der induzierten Schmerzreize in der Studie.
<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always"><tbody>
<tr>
<td colspan="5">Technische Merkmale</td>
		</tr>
<tr>
<td>Signal:</td>
			<td colspan="2">Sampling-Rate:</td>
			<td colspan="2">Attribute:</td>
		</tr>
<tr>
<td>Audio</td>
			<td colspan="2">44100 Hz</td>
			<td colspan="2">Mono, MP3 320 Kbit/s</td>
		</tr>
<tr>
<td>Kamera 1 (Gesicht, frontale Ansicht)</td>
			<td colspan="2">25 Hz</td>
			<td colspan="2">Video Farbe: Auflösung 1384 x 1032, HEVC codiert mit libx265 (CRF 16, preset Medium)</td>
		</tr>
<tr>
<td>Kamera 2 (Gesicht, Seitenansicht)</td>
			<td colspan="2">25 Hz</td>
			<td colspan="2">Video Farbe: Auflösung 1620 x 840 HEVC codiert mit libx265 (CRF 16, preset Medium)</td>
		</tr>
<tr>
<td>Körper-Kamera</td>
			<td colspan="2">ca. 30 Hz</td>
			<td colspan="2">Video Farbe: 1500 x 600 Auflösung HEVC codiert mit libx265 (CRF 16, preset Medium); Tiefe video: Auflösung 500 X 200, verlustfreie Codierung</td>
		</tr>
<tr>
<td>Wärmebildkamera</td>
			<td colspan="2">ca. 120,8 Hz</td>
			<td colspan="2">Oberflächentemperatur video: Auflösung 120 x 160 Graustufen kodiert MPEG-4-AVC mit libx264 (CRF 0, voreingestellte schnell), codierte Temperaturbereich 26,5-52,0 ° C (0,1-Schritte)</td>
		</tr>
<tr>
<td>ECG</td>
			<td colspan="2">1000 Hz</td>
			<td colspan="2">Hardware gefiltert über BioPac: 35 Hz LP, 0,5 Hz HP, 50 Hz-Notch-filter</td>
		</tr>
<tr>
<td>SCL</td>
			<td colspan="2">1000 Hz</td>
			<td colspan="2">Hardware gefiltert über BioPac: 10 Hz-LP, keine HP keine Notch-filter</td>
		</tr>
<tr>
<td>EMG M. trapezius</td>
			<td colspan="2">1000 Hz</td>
			<td colspan="2">Hardware gefiltert über BioPac: 500 Hz LP, HP, 10 Hz keine Notch-filter</td>
		</tr>
<tr>
<td>EMG M. WPA supercilii</td>
			<td colspan="2">1000 Hz</td>
			<td colspan="2">Hardware gefiltert über BioPac: 500 Hz LP, HP, 10 Hz keine Notch-filter</td>
		</tr>
<tr>
<td>EMG M. Zygomaticus großen</td>
			<td colspan="2">1000 Hz</td>
			<td colspan="2">Hardware gefiltert über BioPac: 500 Hz LP, HP, 10 Hz keine Notch-filter</td>
		</tr>
<tr>
<td>Reize</td>
			<td colspan="2">Thermal</td>
			<td colspan="2">Elektrische</td>
		</tr>
<tr>
<td>Themen:</td>
			<td>Phasisch Reize (5 s):</td>
			<td>Tonische Reize (60 s):</td>
			<td>Phasisch Reize (5 s):</td>
			<td>Tonische Reize (60 s):</td>
		</tr>
<tr>
<td>Pro Fach</td>
			<td>90 (30 Prozent Intensität)</td>
			<td>3 (1 pro Intensität)</td>
			<td>90 (30 Prozent Intensität)</td>
			<td>3 (1 pro Intensität)</td>
		</tr>
<tr>
<td>Alle (N = 134)</td>
			<td>12060 (4020 pro Intensität)</td>
			<td>402 (134 pro Intensität)</td>
			<td>12060 (4020 pro Intensität)</td>
			<td>402 (134 pro Intensität)</td>
		</tr>
<tr>
<td>Männer (n = 67)</td>
			<td>6030 (2010 pro Intensität)</td>
			<td>201 (67 % Intensität)</td>
			<td>6030 (2010 pro Intensität)</td>
			<td>201 (67 % Intensität)</td>
		</tr>
<tr>
<td>Frauen (n = 67)</td>
			<td>6030 (2010 pro Intensität)</td>
			<td>201 (67 % Intensität)</td>
			<td>6030 (2010 pro Intensität)</td>
			<td>201 (67 % Intensität)</td>
		</tr>
</tbody></table>Tabelle 1: technische Merkmale und Anzahl der Reize induziert. Die obere Hälfte (technische Funktionen) zeigt die Sampling-Raten und Attribute der spezifischen Signale. Die untere Hälfte (Stimuli) zeigt die Nummern der induzierten spezifischen (thermisch/elektrisch) Schmerzen Reize für ein Thema, für alle Fächer und für jedes Geschlecht. (MP3 = Moving Picture Experten Group Layer 3 Audio, Kbit/s = Kilobit pro Sekunde, HEVC = hohe Effizienz Video Coding, CRF = konstante Rate, MPEG-4-AVC = Motion Picture Experten Gruppe Layer-4 Video Advanced Video Coding, Hz = Hertz, ° C = Grad Celsius, s = Sekunden, ECG = Elektrokardiogramm, SCL = Hautleitwert, EMG = Elektromyographie, LP = Low-Pass Filter, HP = High-Pass-Filter, M. = Musculus).
Ein sekundäres Ergebnis bezüglich der Kalibrierungsphase der Studie ist in Tabelle 2dargestellt. Es zeigt die mittlere Anregung Temperaturen und Strömungen der Schmerz Intensitäten 1 und 3 (wie in Schritt 5.11 des Protokolls berechnet) für alle Fächer und zusätzlich für die männlichen und weiblichen Untergruppe.
<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always"><tbody>
<tr>
<td>Reize</td>
			<td colspan="4">[In ° C] thermische Mittelwert (SD)</td>
			<td colspan="4">[MA] elektrischen bedeuten (SD)</td>
		</tr>
<tr>
<td>Themen</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>Alle (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>Männer (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>Frauen (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>Tabelle 2: meine Anregung Temperaturen und Strömungen der Schmerz Intensitäten 1 und 3. (pH1, pH3 = phasisch Wärme Schmerzen mit Intensität 1, 3; tH1, tH3 = Tonika Wärme Schmerzen mit Intensität 1, 3; pE1, pE3 = phasisch elektrische Schmerzen mit Intensität 1, 3; tE1, tE3 = Tonika elektrische Schmerzen mit Intensität 1, 3; ° C = Grad Celsius; mA = Milliampere, SD = Standardabweichung).
Wenn alle Schritte des Protokolls sorgfältig geführt werden und keine technischen Probleme auftreten (in Bezug auf Computer oder Aufnahme Gerät Abstürze, etc.), kann ein erfolgreiches Ergebnis ähnlich wie in Abbildung 4 dargestellt aussehen. Alle Signale sind von hoher Qualität und nicht von externen Quellen von Störungen betroffen. Der Teilnehmer ist deutlich sichtbar in jede Kamera.
<img alt="Figure 4" class="xfigimg" src="/files/ftp_upload/59057/59057fig4.jpg"> Abbildung 4 : Beispieldaten aus ein gelungenes Experiment. Die Abbildung zeigt die aufgezeichneten Signale ein paar Sekunden vor, während und nach einer intensiven Schmerzreiz. Alle Signale sind nicht gefiltert und in der Zeit synchronisiert. Aus Gründen der Übersichtlichkeit sind nur repräsentative Screenshots der Videosignale hier gezeigt. (EMG = Elektromyographie, SCL = Hautleitwert, ECG Elektrokardiogramm, M=. = Musculus, s = Sekunden). <a href="https://www.jove.com/files/ftp_upload/59057/59057fig4large.jpg" target="_blank">Bitte klicken Sie hier für eine größere Version dieser Figur.</a>
Unerwartete Zwischenfällen führen jedoch die Daten laut oder beschädigt werden. Neben Computer oder Aufnahme Gerät abstürzt, die kommen aus der Elektroden (vor allem wiederverwendbare Elektroden mit kleinem Durchmesser mittels doppelseitigen Klebstoff Kragen befestigt sind) meist unbrauchbar Signale führt. Als Beispiel für eine Sub-optimale Dataset zeigt Abbildung 5 den Moment wenn eine EMG-Elektrode kommt ab und macht das entsprechende Signal unbrauchbar.
<img alt="Figure 5" class="xfigimg" src="/files/ftp_upload/59057/59057fig5.jpg"> Abbildung 5 : Beispiel-Daten von einem suboptimalen Experiment. Der rote Kreis zeigt, dass das Thema Wange der Zeit eines der EMG-Elektroden (M. Zygomaticus großen) abfiel. Dies könnte durch Schweiß oder Kopf Bewegung gewesen sein. Von diesem Moment an war das Signal verloren. (EMG = Elektromyographie, SCL = Hautleitwert, ECG Elektrokardiogramm, M=. = Musculus, s = Sekunden). <a href="https://www.jove.com/files/ftp_upload/59057/59057fig5large.jpg" target="_blank">Bitte klicken Sie hier für eine größere Version dieser Figur.</a>
Die maximale Intensität von thermischer und elektrischer Reize musste wegen ethischen Richtlinien eingeschränkt werden. In Bezug auf thermische Kalibrierung Kontrolle (siehe ergänzende Datei) erreichte 37 Probanden (31 Männer, 6 Frauen) des angegebenen Grenzwertes 50,5 ° C (Verhältnis = 37/134 = 27.61 %). Für thermische Kalibrierung Teil 1, 60 Teilnehmer (39 Männer, 21 Frauen) erreicht die Cutoff von 50,0 ° C (Verhältnis = 60/134 = 44.78 %) und betreffend Teil 2, 57 Personen (37 Männer, 20 Frauen) erreicht die Cutoff von 49,5 ° C (Verhältnis = 57/134 = 42.54 %). Die Cutoff für beide Teile elektrische Kalibrierung war 25 mA. Keiner der 134 Probanden erreicht.
Da wir beabsichtigen, die Daten zu veröffentlichen (siehe nächster Abschnitt), die Datensätze der Personen, die die Cutoffs erreicht haben wird zusätzlich gekennzeichnet werden und ihre subjektive Schmerz Ratings für die entsprechenden Cutoffs aufgenommen werden.
Wir möchten darauf hinweisen, dass der Schwerpunkt des Protokolls Multi-modale Signale für die Analyse der thermischen und elektrischen Schmerzen erhalten ist. Daher sind keine anderen Ergebnisse hier diskutiert. Nach Überprüfung und ohne Datensätze aufgrund von fehlenden Daten oder abgelehnten schriftliche Zustimmung für die gemeinsame Nutzung von Daten, werden die Datensätze dieser Studie unter dem Namen "X-ITE Schmerzen Datenbank" zugänglich gemacht werden. Besuchen Sie für weitere Informationen darüber, wann und wie die X-ITE Schmerzen DB zu erhalten bitte https://github.com/philippwerner/pain-database-list.
Ergänzende Datei 1. <a href="https://www.jove.com/files/ftp_upload/59057/Supplementary_File_1.docx" target="_blank">Bitte klicken Sie hier, um diese Datei herunterladen.</a>

Watch this Scientific Journal Video about Multi-Modal Signals for Analyzing Pain Responses to Thermal and Electrical Stimuli at JoVE.com

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

Dieser Artikel befasst sich mit der experimentellen Erhebung von Schmerzen durch Wärme (thermische) und elektrische Stimulation während der Aufnahme physiologische, optische und paralinguistischen Antworten. Ziel ist die gültige multimodale Datenerfassung für die Analyse von Schmerzen aufgrund seiner Intensität, Qualität und Dauer.

Multi-modale Signale für die Analyse von Schmerz Reaktionen auf thermische und elektrische Reize

The assessment of pain relies mostly on methods that require a person to communicate. However, for people with cognitive and verbal impairments, existing ...

Die mit der vorgestellten Methode gewonnenen Daten können unabhängig vom zugrunde liegenden Schmerzmodell Aufschluss darüber geben, wie Schmerzintensitäten erkannt werden können. Es kann auch helfen, die Schmerzdauer zu beurteilen. Der Hauptvorteil dieser Technik ist ihre Multimodalität in Bezug auf Signalaufzeichnung und Schmerzstimulation.Es erweitert den Umfang der Schmerzforschung erheblich. Diese Technik kann angewendet werden, um die Schmerzpräsenz in der pathologiebehandlung für ein effizienteres Schmerzmanagement zu überwachen. Die Ausführung des Protokolls erfordert viele komplexe manuelle Aktionen, wie z. B. Elektrodenanwendungen, die durch visuelle Demonstration schneller und einfacher zu erlernen sind.Demonstriert wird das Verfahren von Sandra Gebhardt, einer Studentin aus meinem Labor, die für diese Studie als Experimentatorin ausgebildet wurde. Um sich auf das Verfahren vorzubereiten, begrüßen Sie das ankommende Subjekt und führen Sie sie in den Kalibrierraum. Informieren Sie sie ausführlich über das Kalibrierverfahren und die folgende Schmerzstimulation.Führen Sie als Nächstes die Schmerzstimulation in einem kameraüberwachten, temperaturgeregelten und geräuscharmen Versuchsraum neben dem Kalibrierüberwachungsraum durch. Verwenden Sie geeignete Aufnahmecomputer, Software und Aufnahmegeräte, um physiologische Daten, Audio, Videos sowie thermische und elektrische Stimulatorausgänge während des Experiments zu erfassen. Geben Sie die Werte der phasischen elektrischen und Wärmeschmerzintensitäten und der Tontechnik-Elektro- und Wärmeintensitäten ein, die basierend auf der durchgeführten Kalibrierung im thermischen und elektrischen Stimulator berechnet werden.Legen Sie die Ausgangstemperatur auf 32 Grad Celsius und die Temperaturrate auf 8 Grad Celsius pro Sekunde fest, und speichern Sie dann alle Einstellungen. Anschließend bereiten Sie die Schmerzentlösungsschrift vor, wie hier gezeigt. Legen Sie die Anzahl jeder phasischen Stimulusintensität auf 30 und die Anzahl der einzelnen Tonikumsreizintensitäten auf eins fest.Legen Sie dann die Dauer jedes phasischen Stimulus auf fünf Sekunden und die Dauer jedes Tonikums auf 60 Sekunden fest. Randomisieren Sie die Reihenfolge aller Reize und die Pausen zwischen den phasischen Reizen auf acht bis 12 Sekunden. Danach stellen Sie die Pausen nach den tonischen Reizen auf 300 Sekunden.Um mit der Schmerzstimulation zu beginnen, bitten Sie das Subjekt, sich bequem auf die Untersuchungscouch zu legen. Reinigen Sie alle Hautbereiche, in denen die Elektroden mit Alkohollösung befestigt werden. Entfernen Sie abgestorbene Hautzellen auf der Oberfläche der linken Wange, hinter dem linken Ohr, über der linken Augenbraue und auf der Stirn mit abrasivem Gel.Dann reinigen Sie diese Bereiche mit einer Alkohollösung. Zur Messung des Hautleitfähigkeitsniveaus befestigen Sie zwei vorgegelte nicht-polorizierbare Silber-Silber-, Silberchloridelektroden an der Unterseite der distalen Phalanx des rechten Zeige- und Mittelfingers mit Velcro Riemen. Um EKG aufzuzeichnen, verwenden Sie drei vorgegelte Klebesilber- und Silberchlorid-Schnappelektroden mit kreisförmigen Kontaktflächen.Legen Sie die Kathodenelektrode auf die Brust, etwa sechs Zentimeter unter dem rechten Schlüsselbein und die Anodenelektrode auf der linken 9. und 10. Rippe. Befestigen Sie die Referenzelektrode an der rechten Taille neben dem Beckenknochen. Um EMG von musculus trapezius aufzuzeichnen, verwenden Sie auch drei vorgegelte Klebesilber- und Silberchlorid-Schnappelektroden mit kreisförmigen Kontaktflächen.Legen Sie die Kathode und die Anodenelektroden nebeneinander auf den Trapezmuskel an der linken Seite des Halses. Platzieren Sie dann die Referenzelektrode unten, auf dem linken Schlüsselbein. Verwenden Sie sechs wiederverwendbare geschirmte Silber-Silber-, Silberchloridelektroden, um die EMGs von Musculus-Corrugator-Supercilii und Musculus zygomaticus major zu messen.Befestigen Sie eine Seite der doppelseitigen Klebekragen an den Elektroden. Anschließend die Hohlräume der Elektroden mit Elektrolytgel füllen. Entfernen Sie die Papierträger auf der anderen Seite der doppelseitigen Klebekragen.Für Musculus-Corrugator supercilii, legen Sie die Anodenelektrode direkt über der linken Augenbraue, neben der glabella Linie. Legen Sie dann die Kathode elektrode einen Zentimeter seitlich auf die Anodenelektrode. Befestigen Sie die Referenzelektrode an der Mitte des Frontalknochens, direkt unter dem Haaransatz.Zeichnen Sie für den Musculus zygomaticus major eine imaginäre Linie von der linken mündlichen Kommissure zum linken Ohrläppsel. Legen Sie die Anodenelektrode etwas unterhalb der Mitte der Linie und die Kathodenelektrode einen Zentimeter medial daneben. Befestigen Sie die Referenzelektrode am linken Mastoid.Schließen Sie dann alle Elektroden an die entsprechenden Eingänge des Biosignalaufzeichnungsgeräts an. Führen Sie eine visuelle Überprüfung durch, indem Sie die Biosignal-Aufnahmesoftware verwenden, um sicherzustellen, dass alle physiologischen Signale von guter, ausgezeichneter Qualität sind. Als nächstes legen Sie die silberne, silberne Chlorid-Anode-Elektrode auf die Oberseite der Zwischenphalanx des linken Zeigefingers und die Kathodenelektrode auf der Oberseite der proximalen Phalanx des linken Mittelfingers.Schließen Sie die Elektroden an den elektrischen Stimulator an. Tragen Sie die Thermode auf die Oberseite des linken Unterarms des Motivs auf, etwa 30 Millimeter proximal auf das Handgelenk, mit einem Velcro Riemen. Starten Sie alle Kameras.Stellen Sie sicher, dass der Teilnehmer in der Kamera perfekt sichtbar ist. Starten Sie dann alle Aufzeichnungsgeräte, die die Anforderungen für die Datensynchronisierung erfüllen. Führen Sie das Skript zur Schmerzentregung aus.Überwachen Sie das Thema und den Fortschritt des Schmerzstimulationsteils sorgfältig. Beenden Sie nach dem Ende des Schmerzentlüftungsskripts alle Aufnahmegeräte. Prüfen Sie, ob der Teilnehmer in Ordnung ist und lösen Sie alle Elektroden und die Thermode.Als nächstes wickeln Sie ein hygienisches, vlieses Handtuch um eine kalte Gelpackung. Bitten Sie den Teilnehmer, ihn auf den Hautbereich aufzutragen, in dem die Thermode mindestens fünf Minuten lang platziert wurde. Dann Salbe auf den Hautbereich auftragen, wo die Thermode platziert wurde.Anschließend bedanken Sie sich bei den Teilnehmern und verabschieden sie sich. Entsorgen Sie alle Einwegelektroden. Reinigen Sie alle wiederverwendbaren Elektroden und die Untersuchungscouch.Hier sind die Bilder des Motivs vor, während und nach einem intensiven Schmerzreiz zu sehen. Alle aufgezeichneten Signale werden nicht gefiltert und rechtzeitig synchronisiert. Zur Verdeutlichung werden nur repräsentative Screenshots der Videosignale angezeigt.Beim Versuch dieses Verfahrens ist es wichtig, sicherzustellen, dass alle Signale optimiert werden, bevor die Schmerzstimulation gestartet wird. Stellen Sie außerdem sicher, dass alle Aufnahmegeräte eingeschaltet sind, bevor Sie das Schmerzentregungsskript ausführen. Nach diesem Verfahren können andere Methoden, wie die Implementierung einer Nahinfrarot-Nachtsichtkamera oder die Aufzeichnung für Biosignale, durchgeführt werden, um Schmerzen in einer nächtlichen Umgebung effizienter zu erkennen.Diese Technik ermöglicht es, Schmerzen objektiv zu erkennen, ohne mit dem Patienten kommunizieren zu müssen. Es kann hilfreich sein, verschiedene Schmerzeigenschaften zu unterscheiden und Einblick in die zugrunde liegende Schmerzquelle zu geben. Schmerzstimulatoren können schwere Verletzungen verursachen, wenn sie nicht von geschultem Personal betrieben werden.Befolgen Sie immer die ethischen und Sicherheitsbeschränkungen in Bezug auf Stimulusintensitätsabschaltungen, um die Sicherheit der Teilnehmer zu gewährleisten.

Research

JoVE Journal

Behavior

Simultaneous Scalp Electroencephalography (EEG), Electromyography (EMG), and Whole-body Segmental Inertial Recording for Multi-modal Neural Decoding

Simultaneous Scalp Electroencephalography EEG, Electromyography EMG, and Whole-body Segmental Inertial Recording for Multi-modal Neural Decoding

Gleichzeitige Scalp Elektroenzephalographie (EEG), Elektromyographie (EMG) und Ganzkörper-Segment Inertial Recording für Multi-modal Neural Decoding

Recent  studies support the involvement of supraspinal networks in control of bipedal  human walking. Part of this evidence  encompasses studies, ...

Forschung

Verhalten

Contextual and Cued Fear Conditioning Test Using a Video Analyzing System in Mice

Kontextuelle und Cued Angst Anlage Test mit einer Video-Analyse-System bei Mäusen

The contextual and cued fear conditioning test is one of the behavioral tests that assesses the ability of mice to learn and remember an association ...

Early Metamorphic Insertion Technology for Insect Flight Behavior Monitoring

Frühe Metamorphic Insertion Technologie für Fluginsektenverhaltensüberwachung

Early Metamorphosis Insertion Technology (EMIT) is a novel methodology for integrating microfabricated neuromuscular recording and actuation platforms on ...

A Fully Automated Rodent Conditioning Protocol for Sensorimotor Integration and Cognitive Control Experiments

Eine vollautomatische Nageranlage Protokoll für die Integration sensorischer und kognitiver Kontrollexperimente

Rodents have been traditionally used as a standard animal model in laboratory experiments involving a myriad of sensory, cognitive, and motor tasks. ...

Irrelevant Stimuli and Action Control: Analyzing the Influence of Ignored Stimuli via the Distractor-Response Binding Paradigm

Irrelevante Reize und Aktionssteuerung: Analyse der Einfluss von Stimuli ignoriert über die Distraktor-Response-Paradigma-Bindung

Selection tasks in which simple stimuli (e.g. letters) are presented and a target stimulus has to be selected against one or more distractor stimuli are ...

Determining Pain Detection and Tolerance Thresholds Using an Integrated, Multi-Modal Pain Task Battery

Die Bestimmung Schmerzerkennung und Toleranzschwellen mit Hilfe eines integrierten, Multi-Modal Schmerz Task-Batterie

Human pain models are useful in the assessing the analgesic effect of drugs, providing information about a drug&#39;s pharmacology and identify ...

A Protocol of Manual Tests to Measure Sensation and Pain in Humans

Ein Protokoll von manuellen Tests zu messen Sensation und Schmerzen beim Menschen

Numerous qualitative and quantitative techniques can be used to test sensory nerves and pain in both research and clinical settings. The current study ...

A Method for Manipulating Blood Glucose and Measuring Resulting Changes in Cognitive Accessibility of Target Stimuli

Ein Verfahren zum Manipulieren von Blutzucker und Mess resultierende Veränderungen der kognitiven Zugänglichkeit von Ziel Stimuli

Much research in social psychology has investigated the impact of bodily energy need on cognition and decision-making.  As such, blood glucose, the body's ...

Simultaneous Recordings of Cortical Local Field Potentials and Electrocorticograms in Response to Nociceptive Laser Stimuli from Freely Moving Rats

Gleichzeitige Aufnahmen von kortikalen lokales Feld Potentialen und Electrocorticograms in Reaktion auf Reize der nozizeptiven Laser von frei beweglichen Ratten

Electrocortical responses, elicited by laser heat pulses that selectively activate nociceptive free nerve endings, are widely used in many animal and ...

Generating Strictly Controlled Stimuli for Figure Recognition Experiments

Generierung von kontrolliert streng Reize für Abbildung Anerkennung Experimente

This protocol introduces a method for generating strictly controlled and objectively defined stimuli for figure recognition experiments. A (6, n) figure ...