Çok Modlu Biyosinyallerle Akut Ağrıların Makine Öğrenmesiyle Tespiti

Abstract

Ağrının subjektif doğası, nesnel değerlendirme yöntemlerinin geliştirilmesini zorunlu kılmaktadır. Bu çalışma, giyilebilir sensörlerden elde edilen çok modlu fizyolojik sinyalleri kullanarak farklı akut ağrı tiplerini otomatik olarak sınıflandırmanın fizibilitesini ve etkinliğini araştırmaktadır. Kamuoyuna açık "PhysioPain Dataset"ten alınan ve 99 katılımcıya ait baş ağrısı, sırt ağrısı, menstrüel ağrı ve ağrısız du- rumlardaki fizyolojik veriler (BVP, EDA, ACC, TEMP) analiz edilmiştir. Ham zaman serisi verilerinden, istatistiksel ve frekans tabanlı ayırt edici özellikler çıkarılmış ve bu özellikler, Rastgele Orman, XGBoost ve Destek Vektör Makineleri gibi standart makine öğrenmesi modelleriyle sınıflandırılmıştır. Deneysel sonuçlar, topluluk tabanlı modellerin olağanüstü bir performans sergilediğini ortaya koymuştur. XGBo- ost ve Rastgele Orman modelleri, test seti üzerinde sırasıyla %99 ve %98’lik doğruluk ve F1-skorlarına ulaşarak, çıkarılan özelliklerin farklı ağrı durumlarını ayırt etmede son derece etkili olduğunu kanıtla- mıştır. Bu yüksek başarı, daha karmaşık derin öğrenme mimarilerine olan ihtiyacı ortadan kaldırmıştır. Sonuç olarak, bu çalışma, etkili bir özellik mühendisliği süreci ve standart makine öğrenmesi algoritmaları ile fizyolojik sinyallerden akut ağrı tiplerinin neredeyse mükemmel bir doğrulukla tespit edilebileceğini göstermektedir. Bu bulgular, giyilebilir teknolojilerin ağrının nesnel, otomatik ve non-invaziv takibi için güvenilir bir klinik araç olma potansiyelini güçlendirmektedir.The subjective nature of pain necessitates the development of objective assessment methods. This study investigates the feasibility and efficacy of automatically classifying different types of acute pain using multimodal physiological signals obtained from wearable sensors. Physiological data (BVP, EDA, ACC, TEMP) from 99 participants, encompassing headache, back pain, menstrual pain, and pain-free states, were analyzed using the publicly available "PhysioPain Dataset." Discriminative statistical and frequency-based features were extracted from raw time-series data and classified using standard machine learning models, including Random Forest, XGBoost, and Support Vector Machines. Experimental results demonstrate that ensemble-based models exhibited exceptional performance. Specifically, XGBoost and Random Forest achieved accuracy and F1-scores of 99% and 98%, respectively, on the test set, confirming the high effectiveness of the extracted features in distinguishing various pain states. This superior performance eliminates the need for more complex deep learning architectures. In conclusion, this study demonstrates that acute pain types can be detected with near-perfect accuracy through effective feature engineering and standard machine learning algorithms applied to physiological signals. These findings reinforce the potential of wearable technologies as reliable clinical tools for the objective, automated, and non-invasive monitoring of pain