《npj Digital Medicine》：Pain assessment using physiological responses/markers in different types of pain: a scoping review
编辑推荐：
本文推荐一篇系统综述，聚焦于利用生理信号和机器学习技术实现疼痛的客观评估这一临床难题。研究人员分析了ECG、PPG、EDA、EEG等多种信号在不同疼痛类型（急性、慢性、术后）中的特征变化，并综述了包括SVM、LSTM、CNN在内的多种机器学习模型在疼痛识别与强度评估中的应用。结果表明，多模态信号融合策略可显著提升评估性能，为开发临床实用的客观疼痛监测工具奠定了重要基础。
疼痛，作为一种复杂的主观体验，其准确评估一直是临床实践中的重大挑战。目前，疼痛评估主要依赖患者自评工具，如视觉模拟量表(VAS)和数字评定量表(NRS)。然而，这些方法易受患者认知能力、心理状态及社会因素影响，存在显著的主观性和变异性。尤其对于无法有效沟通的患者（如婴幼儿、意识障碍者或危重病人），疼痛管理更是举步维艰。因此，开发客观、量化的疼痛评估方法已成为疼痛医学领域的迫切需求。
在这一背景下，利用生理信号进行疼痛客观评估的研究应运而生。其核心原理在于，疼痛会激活自主神经系统（ANS），引发一系列可测量的生理变化。为系统梳理该领域的最新进展，Camila Camacho-Navas等人于2026年在《npj Digital Medicine》上发表了一篇范围综述，全面回顾了2014年至2024年间利用生理信号和机器学习进行疼痛评估的研究。
研究人员通过系统文献检索，最终纳入了88项符合标准的研究进行分析。为了回答如何利用生理信号客观量化疼痛这一科学问题，本综述从两个维度展开：一是分析了不同疼痛类型下各种生理信号特征的行为模式；二是回顾了基于传统机器学习和深度学习技术的疼痛评估模型的当前发展水平。
研究采用的关键技术方法概述
本研究是一项范围综述，其数据来源于对PubMed、Embase、Scopus和Web of Science数据库的系统检索。分析的核心是基于从纳入研究中提取的多种生理信号（如ECG、PPG、EDA、EEG、EMG等）及其衍生的特征（如心率变异性HRV、脉搏率变异性PRV、皮肤电导反应SCR等），以及用于疼痛识别或强度分类的机器学习算法（如支持向量机SVM、随机森林RF、长短期记忆网络LSTM、卷积神经网络CNN等）。研究还关注了公开的疼痛生理信号数据库（如BioVid Heat Pain数据库、X-ITE Pain数据库）和已商业化的疼痛监测设备（如Medasense PMD-200系统）的应用。
生理信号对疼痛的反应模式
综述发现，不同类型的生理信号在疼痛状态下呈现出特定的变化规律。
- •
心电图与光电体积描记术：心率（HR）和R-R间期（RRI）是反映自主神经平衡的关键指标。疼痛通常导致交感神经兴奋，表现为HR升高、RRI缩短。心率变异性（HRV）的频域参数，如低频（LF，0.04-0.15 Hz）和高频（HF，0.15-0.4 Hz）功率，在急性疼痛和慢性疼痛中均显示出与疼痛强度的负相关性。从PPG信号中可提取出脉搏波振幅（PPGA）和灌注指数（PI，即AC/DC比值），这些参数与外周血管收缩程度相关，在急性疼痛刺激下通常降低。基于PPG和ECG计算的脉搏传导时间（PTT）和手术应激指数（SPI）也被证实与手术中的伤害性刺激相关。
- •
皮肤电活动：EDA直接反映交感神经胆碱能纤维支配的汗腺活动。疼痛刺激可引起皮肤电导水平（SCL，紧张性成分）升高和皮肤电导反应（SCR，相位性成分）的振幅（SCR_Amp）增大。研究表明，采用稀疏反卷积（sparsEDA）等方法从EDA信号中提取的特征，在区分疼痛与无痛状态时具有较好的分类能力。研究人员还开发了时变EDA交感神经控制指数（TVSymp）来量化疼痛相关的交感神经活动。
- •
脑电图：EEG直接记录皮层神经电活动。疼痛处理涉及多个脑区，导致EEG不同频段（如Delta、Theta、Alpha、Beta、Gamma波）的功率改变。例如，疼痛可能引起顶叶区脑电功率密度的增加以及中央顶叶区Alpha、Beta和Gamma波段功率的降低。基于EEG的疼痛指数（Pi）和事件相关电位（如N2-P2成分）也被探索作为疼痛的生物标志物。
- •
其他信号与技术：肌电图（EMG）信号（如皱眉肌、颧肌的活动）可用于监测疼痛相关的肌肉紧张。功能性近红外光谱（fNIRS）通过测量前额叶皮层等脑区的氧合血红蛋白（HbO）浓度变化来反映疼痛相关脑活动。瞳孔测量术则通过检测疼痛引起的瞳孔直径变化来评估疼痛。
机器学习算法在疼痛评估中的应用
在88项纳入研究中，有36项采用了机器学习方法。这些方法可分为浅层学习和深度学习。
- •
浅层学习算法：逻辑回归（LR）、线性判别分析（LDA）、支持向量机（SVM）和随机森林（RF）等是常用的分类器。这些模型通常以从生理信号中提取的手工特征（如统计特征、时域特征、频域特征）作为输入，进行疼痛状态的二元分类或多级别疼痛强度识别。例如，Chu等人（2017）发现SVM在利用ECG、PPG和EDA信号进行急性疼痛强度分类时，性能优于LDA和K近邻算法。
- •
深度学习算法：这类方法能够自动从原始信号或简单预处理后的信号中学习特征，减少了对人工特征工程的依赖。常用的模型包括：
- •
卷积神经网络（CNN）：擅长捕捉信号的局部空间或频谱模式。Yu等人（2020）使用了多频带CNN（DFB-ConvNets）从EEG信号中学习特征用于疼痛分类。
- •
长短期记忆网络（LSTM）及其变体：适用于处理生理信号的时间序列特性。例如，双向LSTM（BiLSTM）和与CNN结合的CNN-LSTM混合模型被用于建模疼痛的时序动态变化。
- •
其他网络：多层感知机（MLPNN）、深度信念网络（DBN）以及结合了注意力机制的模型（如TCAtt-PainNet）也被应用于提高模型对疼痛相关信息的选择能力和解释性。
研究表明，多模态信号融合（如结合ECG和EDA，或EEG和fNIRS）的模型通常比单一模态的模型表现更好，因为其能更全面地捕捉疼痛的多维度生理反应。
研究结论与意义
本综述系统性地揭示了几点重要结论。首先，多种生理信号的特征与疼痛强度之间存在显著但复杂的关联，其变化模式可能因疼痛类型（急性、慢性、术后）而异。其次，机器学习，特别是深度学习技术，在从多模态生理数据中自动识别和量化疼痛方面展现出巨大潜力。第三，结合多种生理信号的多模态方法普遍优于单一信号方法，有助于提高疼痛评估的准确性和鲁棒性。
该研究的意义重大。它系统地总结了当前利用生理信号进行客观疼痛评估的技术路线、关键生物标志物和先进算法，为后续研究提供了清晰的地图。它指出，尽管已有像PMD-200（NOL指数）和NIPE监护仪这样的商业化设备在围术期疼痛监测中应用，但将实验室研究成果转化为广泛临床实践仍面临挑战。这些挑战包括个体间生理反应的巨大差异、不同疼痛条件下信号特征行为的不一致性，以及模型在多样化人群和真实临床场景中的泛化能力问题。
未来研究需要关注几个方向：开发更高效、更轻量的模型以适应可穿戴设备的实时监测；深入探索慢性疼痛的长期生理信号模式；在更大规模、更具代表性的临床队列中验证现有模型；以及将心理社会因素等主观维度整合到客观评估模型中，从而最终实现真正精准、个性化的疼痛管理。这篇综述为疼痛客观评估这一新兴交叉领域的发展奠定了坚实的基础，指明了未来的前进方向。
