Optimierung der Reliabilität und Spezifität der automatisierten multimodalen Erkennung von Druck- und Hitzeschmerzintensität

Derzeit gebräuchliche Methoden zur klinischen Schmerzmessung sind nur begrenzt reliabel und valide, sie sind zeitaufwendig und können nur bedingt bei Patienten mit eingeschränkten verbalen Fähigkeiten eingesetzt werden. Wenn eine valide Schmerzmessung nicht möglich ist, kann dies zu stressbedingtem kardiologischem Risiko, zu Über- oder Unterversorgung von Analgetika und zu einer suboptimalen Behandlung von akutem und chronischem Schmerz führen.

Der Fokus dieses Projektes ist daher die Verbesserung der Schmerzdiagnostik und des Monitorings von Schmerzzuständen. Durch die Nutzung von multimodalen Sensortechnologien und hocheffektiver Datenklassifikation kann eine reliable und valide automatisierte Schmerzerkennung ermöglicht werden. Um dieses Ziel zu erreichen, wird durch die Kombination neuer innovativer Methoden der Datenanalyse, der Mustererkennung und des maschinellen Lernens auf Daten eines experimentellen Protokolls eine vielversprechende Strategie der objektiven Schmerzerkennung entwickelt. Biomedizinische, visuelle und Audiodaten werden unter experimentellen und kontrollierten Schmerzapplikationen bei gesunden Versuchspersonen gemessen. Um Merkmale extrahieren und selektieren zu können, werden die experimentellen Daten seriell mit komplexen Filtern und Dekompensationsmethoden vorverarbeitet. Die so gewonnenen Merkmale sind die Voraussetzung für eine robuste automatisierte Erkennung der Schmerzintensität in Realzeit.

Optimization of the reliability and specificity of automated multimodal detection of pressure and heat pain intensity

Currently used methods for clinical pain measurement have limited reliability and validity, are time-consuming and can only be used to a limited extent in patients with limited verbal skills. If valid pain measurement is not possible, this can lead to stress-related cardiologic risk, overuse or underuse of analgesics and suboptimal treatment of acute and chronic pain.

The focus of this project is therefore to improve pain diagnostics and the monitoring of pain conditions. The use of multimodal sensor technologies and highly effective data classification can enable reliable and valid automated pain detection. To achieve this goal, a promising strategy for objective pain recognition is being developed by combining new innovative methods of data analysis, pattern recognition and machine learning on data from an experimental protocol. Biomedical, visual and audio data will be measured under experimental and controlled pain applications in healthy subjects. In order to extract and select features, the experimental data is pre-processed serially using complex filters and decompensation methods. The features obtained in this way are the prerequisite for robust automated recognition of pain intensity in real time.