机构名称：
¥ 1.0
背景和目标：慢性神经性疼痛（NP）是一种慢性疼痛疾病，严重影响患者的生活。疼痛管理被证明是不可能的。提供NP相关信息的低成本，无创工具是脑电图（EEG）。但是，事实证明，常用的线性脑电图特征在表征NP病理生理学方面受到限制。本研究试图确定非线性脑电图特征（例如近似熵（APEN））是否比绝对条带功率更好地区分疼痛严重性。方法：基于简短疼痛清单（BPI）的非参数统计方法，以及线性和非线性EEG特征。为此，招募了36例慢性NP患者，并注册了22个渠道。此外，将13名参与者的控制数据库用作参考，其中有19个通道注册。对于两组，在静止状态下记录了脑电图10分钟：5分钟，眼睛睁开（EO）和5分钟，闭上眼睛（EC）。在两组的所有通道中估计了五个临床频带（Delta，Theta，Alpha，beta和Gamma）中五个临床频带（Delta，Theta，Alpha，Beta和Gamma）中的绝对带功率和APEN EEG特征。结果，分别为实验和对照类别获得了220维和190维特征向量。对于实验类别，NP患者根据BPI评估分为三组：低，中度和高疼痛。©2023作者。由Elsevier B.V.最后，使用Kruskal Wallis和Hoc Dunn的测试比较组之间的特征向量。结果：APEN揭示了大多数频段和组之间的统计差异（P <= 0.0 0 01）。相比之下，群体之间的差异较小，尤其是在EO之间。此外，NP组仅在Theta，Alpha和Beta带中仅使用APEN聚集。结论：结果表明，APEN有效地表征了慢性NP的不同严重性，而不是常用的线性特征。APEN和其他非线性技术（例如，光谱熵，香农熵）可能是监测慢性NP体验的更合适的方法。这是CC下的开放式访问文章（http://creativecommons.org/licenses/4.0/）
慢性神经性疼痛中的EEG频带分析
主要关键词
相关文件推荐
