KI-System entschlüsselt und verfolgt Schmerzsignale über EEG

Technik und Auswirkungen

Vorrangig zeigte die Plattform die Fähigkeit, stabile und hochpräzise Vorhersagen der Schmerzintensität auch dann aufrechtzuerhalten, wenn sie vollständig neuen Stimulusumgebungen ausgesetzt wurde, die während der Trainingsphase der KI noch nie begegnet waren.

Isolierung der F7- und F8-Neuro-Biomarker: Die Studie erbrachte eine bedeutende neuropsychophysiologische Entdeckung, indem sie die exakten Schädelkoordinaten kartierte, an denen Schmerz registriert wird.

Die Forscher isolierten Delta-Wellen-Aktivität, die spezifisch in den linken und rechten anterioren Temporallappen lokalisiert ist und elektrophysiologisch den Frontal-Knoten F7 und F8 zugeordnet wurde, was beweist, dass dieses spezifische Gehirnwellen-Muster direkt mit der physischen Schmerzintensität korreliert.

Technik und Auswirkungen

Übergang zu Echtzeit-BCI-Plattformen: Wie der Erstautor Dr. Jeong Ui-jin feststellt, liegt die endgültige Entwicklungstrajektorie dieser Technologie darin, über statische Tests hinaus zu gehen und ein auf Brain-Computer-Interface (BCI) basierendes Netzwerk für Echtzeit-Monitoring zu etablieren.

Dies würde es Krankenhäusern ermöglichen, das Leiden:innen kontinuierlich zu erfassen, ohne dass verbale Kommunikation erforderlich ist. Vektor für den sofortigen klinischen Einsatz: Unterstützt durch die Nationale Forschungsfoundation Südkoreas ist das Framework als universelle KI-Plattform für Schmerzkonzeption konzipiert.

Zu seinen unmittelbaren Anwendungen in der Praxis gehören die Echtzeit-Überwachung komplexen Operationen, die objektive Erfassung in Intensivstationen (ICUs) sowie die langfristige diagnostische Verfolgung chronischer Schmerzstörungen.

Technik und Auswirkungen

Das Daegu-Gyeongbuk-Institut für Wissenschaft und Technologie (DGIST, Präsident Lee Kunwoo) gab bekannt, dass ein vom leitenden Forscher An Jinung am DGIST-Institut für industrielle AX-Innovation geleiteter Forschungsteam – er fungiert zudem als Honorarprofessor am Fachbereich für interdisziplinäre Ingenieurwissenschaften – in Zusammenarbeit mit dem Team Gwangju-Institut für Wissenschaft und Technologie (GIST) eine Technologie entwickelt hat, die künstliche Intelligenz (KI) nutzt, um durch thermische Reize ausgelöste Elektroenzephalogramm-Signale (EEG) zu analysieren und die Schmerzintensität objektiv zu klassifizieren.

Da die Schmerzwahrnehmung, stützten sich frühere Methoden stark auf die Visuelle Analogskala (VAS), eine subjektive Skala, die führte zu inkonsistenten Bewertungen, selbst bei gleichem Reiz, und erschwerte eine genaue Schmerzeinschätzung bei Patienten mit eingeschränkter Kommunikationsfähigkeit, wie etwa bei Bewusstseinsgestörten, Kindern oder älteren Menschen erheblich.

Ein dualer, sich selbst korrigierender KI-Algorithmus kann subjektive Verzerrungen aus EEG-Signalen filtern und die Aktivität der Delta-Wellen an den anterioren temporalen Knoten F7 und F8 isolieren, um die Schmerzintensität objektiv zu klassifizieren. Quelle: Neuroscience News.

Technik und Auswirkungen

Das Team des Hauptforschers An hat eine Technologie entwickelt, die KI nutzt, um EEGs zu analysieren, die während verschiedener thermischer Reize erzeugt werden, um die Schmerzintensität zu klassifizieren.

Bemerkenswert ist, dass das Team ömmlichen Methoden abgewichen ist, die lediglich auf den subjektiven Schmerzangaben der Patienten basierten, und stattdessen einen innovativen Algorithmus implementiert hat, bei dem zwei KI-Modelle ihre Vorhersagergebnisse vergleichen und selektiv nur ässigen Daten lernen.

Durch diesen Ansatz wurde die Verzerrung in der Schmerzausdrucksweise, die, wirksam reduziert. Im Anschluss an Tests mit EEG-Daten von 41 Teilnehmern zeigte das Vergleich zu konventionellen Modellen signifikante Leistungsverbesserungen und behielt stabile Vorhersagen auch in neuen Stimulusumgebungen bei, in denen das Modell noch nicht trainiert worden war.

Technik und Auswirkungen

Darüber hinaus zeigten sie, dass Delta-Wellen-Aktivität in den linken und rechten anterioren Temporallappen (F7 und F8) eng mit der Schmerzintensität korreliert, wodurch eine neurophysiologische Grundlage für die Entwicklung digitaler Biomarker auf Basis des Gehirns geschaffen wird. „Diese Studie adressiert direkt die Verzerrung in subjektiv berichteten Labels, was die chronische Limitation EEG-basierter Schmerzanalyse darstellte", so An. „Wir beabsichtigen, dies zu einer universellen KI-Plattform für Schmerzmanagement weiterzuentwickeln, die durch die Integration verschiedener Biosignale in tatsächlichen klinischen Settings eingesetzt werden kann." Der Erstautor Jeong Ui-jin, ein Postdoktorand, erklärte: „Wir hoffen, dass diese Technologie zur Schmerzüberwachung vor und nach Operationen, zur Verfolgung chronischer Schmerzen sowie zur objektiven Schmerzeinschätzung in Intensivstationen weit verbreitet genutzt wird." Er fügte hinzu: „In Zukunft werden wir uns der Forschung widmen, um das System zu einem Echtzeit-Monitoring auf Basis eines Gehirn-Computer-Interfaces (BCI) auszubauen." Diese Studie wurde mit Unterstützung des Mid-Career Researcher Support Program der National Research Foundation of Korea sowie des Future Promising Convergence Technology Pioneer (Challenge Type) Program durchgeführt.

Die Ergebnisse wurden im Mai-Heft Systems and Rehabilitation Engineering, einer angesehenen internationalen Zeitschrift für Rehabilitationstechnik, veröffentlicht. Zentrale Fragen beantwortet: A: Weil die traditionelle Medizin bisher ber kein objektives, physikalisches Ma fr Leiden verfgte.

Seit Jahrzehnten sttzen sich Kliniken ausschlielich auf die Visuelle Analogskala (VAS), bei der Patienten ihre Schmerzintensitt verbal beschreiben oder durch Zeigen angeben mssen.

Technik und Auswirkungen

Wenn ein Patient ein beeintrchtigtes Bewusstsein hat, zu jung ist, um zu sprechen, oder ein lterer Mensch Schwierigkeiten hat, sich zu verstndigen, mssen rzte raten, da es bisher keine Mglichkeit gab, Schmerz direkt aus dem menschlichen Nervensystem abzulesen. A: Durch die Zwangslufigkeit, zwei getrennte KI-Modelle gegenseitig zu berprfen.

Herkmmliche KI-Modelle scheitern, weil sie versuchen, aus stark verzerrten, subjektiven Selbstausknften zu lernen.

Die Teams dieses Problem gelst, indem sie einen Algorithmus entwickelten, bei dem zwei unterschiedliche KI-Systeme ihre Vorhersagen in Echtzeit vergleichen und ausschlielich, die beide Modelle als hochzuverlssig einstufen  wodurch individuelle emotionale Verzerrungen effektiv neutralisiert werden.

Was die Studie zeigt

A: Es handelt sich um die exakten neurophysiologischen Koordinaten, an denen körperlicher Schmerz seine digitale Signatur hinterlässt. Die Forscher stellten fest, dass die Delta-Wellen-Aktivität in den linken und rechten anterioren Temporallappen – spezifisch an den Elektrodenpositionen F7 und F8 erfasst – sich exakt mit der Schmerzintensität korreliert.

Die Isolierung dieses präzisen Hirnwellen-Highways liefert einen definitiven, objektiven digitalen Biomarker, der es Wissenschaftlern ermöglicht, Echtzeit-Hirn-Computer-Schnittstellen zur Überwachung: Dieser Artikel wurde News bearbeitet. Zusätzliche Kontextinformationen wurden ügt.

Über diese Neuigkeiten zur Neurotechnologie und KI: Autor: Wankyu Lim, Quelle: DGIST, Kontakt: Wankyu Lim – DGIST, Bild: Das Bild ist Neuroscience News zuzuordnen, Originalforschung: Zugangsbeschränkt. „EEG-basierte Schmerzklassifizierung mittels Stichprobenauswahl zur Minderung subjektiver Label-Bias"; Sung Chan Jun; Jinung An.

Technischer Hintergrund

IEEE Transactions on Neural Systems and Rehabilitation Engineering DOI:10.1109/TNSRE.2026.3692232 Schmerzintensitätsklassifizierung mittels EEG durch Stichprobenauswahl zur Minderung subjektiver Label-Bias Die Quantifizierung der Schmerzintensität ist entscheidend, um eine personalisierte Schmerztherapie zu ermöglichen.

In jüngster Zeit wurden EEG-basierte Ansätze untersucht, um Schmerzstufen abzuschätzen, insbesondere bei Patienten, die aufgrund kognitiver oder neurologischer Beeinträchtigungen ihren Schmerz nicht kommunizieren können. Die meisten bestehenden Methoden werden jedoch mit selbstberichteten Schmerzlabels trainiert, die.

Diese Subjektivität führt häufig zu verzerrten Modellen, die die Zuverlässigkeit der Vorhersagen einschränken. Um dieses Problem zu lösen, stellen wir eine neuartige Methode vor, die während des Trainings eine zuverlässige Stichprobenauswahl für die EEG-basierte Klassifizierung Ansatz quantifiziert die Informationsgehalt ätzt die Zuverlässigkeit der Labels.

Technik und Auswirkungen

Jedem Datensatz wird anschließend eine Priorität zugewiesen, und diejenigen, die als nicht zuverlässig oder nicht informativ identifiziert werden, werden ausgeschlossen, um die Robustheit des Modells zu erhöhen.

Wir evaluieren die Methode unter Verwendung 41 Teilnehmern, die warmen, kühlen und thermischen Grill-Illusion (TGI)-Reizen ausgesetzt wurden, wobei Schmerzlabel über die Numerical Rating Scale (NRS) erfasst wurden.

Zur Sicherstellung der Robustheit sowohl bei quantitativen als auch bei qualitativen Bewertungen wird ein 5-faches Kreuzvalidierungsverfahren angewendet. Das vorgeschlagene Modell erzielt statistisch signifikante Verbesserungen gegenüber Basismodellen bei der Mehrklassenklassifikation mit 3, 6 und 10 Klassen.

Was die Studie zeigt

Darüber hinaus zeigen wir, dass unsere Methode sich gut auf zuvor unbekannte Arten der thermischen Stimulation verallgemeinert, was ihr Potenzial für eine objektive Schmerzbewertung bei nicht kommunikativen Patienten unterstreicht.

Zusätzliche Analysen zeigen EEG-Merkmale im Zusammenhang mit Schmerz, die darauf hindeuten, dass die Aktivität im Delta-Band an den frontotemporalen Elektroden links und rechts (F7 und F8) stark mit der wahrgenommenen Schmerzintensität korreliert.