关于使用脑电图（EEG）的深度学习模型在脑卒中患者中检测多级神经性疼痛的初步研究结果

《International Journal of Neuroscience》：Preliminary Findings on a Deep Learning Model Using Electroencephalogram for Multi-Level Neuropathic Pain Detection in Post-Stroke Patients

　　神经性疼痛检测框架开发及临床应用价值研究。该模型创新融合深度可分离残差网络、金字塔注意力机制与量子启发变换层，有效降低计算复杂度并提升脑电图信号多尺度特征提取能力，在基准数据集上实现99.65%准确率与98.00%召回率，为术后康复提供客观检测工具。

　　

摘要

目的

神经性疼痛在中风后较为常见，是患者致残的主要原因之一。本研究旨在开发一种基于脑电图（EEG）信号的、准确且计算效率高的多层次神经性疼痛检测框架。

方法

提出了一种受量子启发的金字塔深度可分离残差网络（Quantum-Inspired Pyramid Depthwise Separable Residual Network），该网络融合了三项创新技术：深度可分离残差网络用于降低计算复杂度；金字塔注意力机制用于捕捉多尺度模式；以及受量子启发的变换层用于模拟脑电图特征之间的复杂非线性关系。

结果

在基准脑电图数据集上的实验表明，所提出的模型准确率为99.65%，召回率为98.00%。

结论

所提出的模型为中风后患者的神经性疼痛客观检测提供了可靠的解决方案。该框架具有集成到智能临床决策支持系统和基于脑机接口的康复系统中的潜力。