机器学习（ML）已被用于从脑电图（EEG）数据预测主观疼痛强度。然而，很少有用于疼痛评估的ML模型经过外部验证，特别是对于连续疼痛预测。研究人员使用多阶段验证来外部验证ML回归模型，以从单次试验振荡EEG特征预测疼痛强度。共招募了91名参与者，分为三个样本。样
机器学习（ML）已被用于从脑电图（EEG）数据预测主观疼痛强度。然而，很少有用于疼痛评估的ML模型经过外部验证，特别是对于连续疼痛预测。研究人员使用多阶段验证来外部验证ML回归模型，以从单次试验振荡EEG特征预测疼痛强度。共招募了91名参与者，分为三个样本。样本一（n=40）用于模型开发，样本二（n=51）用于跨被试外部验证，样本三（n=25）由样本一参与者的额外记录会话组成，用于被试内时间外部验证。气动压力刺激以10个分级强度水平递送。使用单次试验EEG时频特征训练随机森林（RF）模型和长短期记忆（LSTM）网络以预测疼痛强度。两个模型均优于随机预测模型，RF在内部验证、跨被试外部验证和被试内外部验证中的平均绝对误差（MAE）分别为19.59、21.29和18.90。然而，两个模型均未优于预测训练集平均评分的基线哑模型。研究人员还训练了一个RF分类器来区分低疼痛和高疼痛试验，在内部和外部验证中分别达到高达64%和58%的准确率。总体而言，研究人员的结果表明，使用ML从振荡EEG变化预测连续疼痛评分仍然极具挑战性。分类模型在所有验证样本中表现出高于随机水平的性能，但仍低于临床有意义阈值。在ML能够在疼痛评估中实现临床实用性之前，需要进一步的方法学改进，特别是整合复合测量。视角：这项研究提供了对基于EEG的机器学习进行疼痛评估的严格评估，表明虽然连续疼痛预测仍然不可靠，但离散疼痛状态可以合理解码。这些发现代表了向临床验证迈出的重要一步，并为开发临床适用的基于大脑的疼痛评估工具建立了现实性能基准。
本研究旨在通过严格的外部验证，评估基于脑电图（EEG）的机器学习（ML）模型在连续疼痛预测中的实际性能。疼痛评估依赖自报告，但无法适用于非语言人群，如认知障碍或意识障碍患者。EEG可捕捉疼痛相关的皮质振荡变化，然而，现有ML模型多依赖内部验证，可能高估性能，且缺乏对连续疼痛预测的外部验证。研究人员招募91名参与者，分为三个样本：模型开发样本（n=40）、跨被试外部验证样本（n=51）、被试内时间外部验证样本（n=25，来自前一样本的重测）。使用气动压力刺激递送10个强度等级，从单次试验EEG时频特征（包括theta、alpha、beta、gamma频带的事件相关去同步/同步，ERD/ERS）训练随机森林（RF）回归器和长短期记忆（LSTM）网络，并训练RF分类器区分低/高疼痛。研究发现，RF和LSTM回归模型在所有验证集上的平均绝对误差（MAE）均未优于简单基线模型（预测训练集均值），但均优于随机模型。RF分类器在内部交叉验证、内部保留集、跨被试及被试内外部验证中分别达到64%、62%、57%和58%的准确率，高于随机水平，但低于临床有意义阈值（如AUC
**关键技术方法**（不超过250字）：样本来自英国利物浦大学的机遇抽样，共91名参与者，三个样本（n=40,51,25）。EEG采集使用129通道系统，预处理采用HAPPE管道（包括CleanLine去噪、0.5-70Hz滤波、500Hz重采样、坏道球形样条插值、小波阈值伪迹校正）。时频分析采用多锥形方法（1-70Hz，±4Hz平滑，7个锥形），计算事件相关去同步/同步（ERD/ERS）百分比变化。特征提取：从单次试验时频数据计算18个候选特征（描述性统计，如均值、方差、偏度、峰度、熵等），共11520个特征，经序贯特征选择（结合F检验筛选和包装器）选出55个最优特征。机器学习：RF回归器（随机搜索优化超参数，树数145，深度8）和双向LSTM网络（2层，256和128隐藏单元，学习率0.001，200轮次）。评估指标：平均绝对误差（MAE），与随机模型和基线模型（预测均值）比较。分类：RF分类器（ANOVA F检验特征选择，超参数优化）区分低/高疼痛，使用准确率、AUC、曲线下面积Brier分数等。
**主观疼痛评分**：通过线性混合效应模型，三个样本中刺激强度均显著预测主观疼痛评分（开发样本：β=7.40，p
<0.001；跨被试验证样本：β=7.34，p
<0.001；被试内验证样本：β=6.61，p
<0.001），表明分级刺激有效诱发差异化疼痛体验。
**事件相关去同步/同步**：平均地形图显示，theta频带在额叶出现事件相关同步（ERS），alpha和beta频带在感觉运动区出现双侧事件相关去同步（ERD），且高疼痛条件下ERD更强；gamma频带在额叶出现ERS，高疼痛时更广泛。这些模式支持EEG振荡与疼痛加工相关。
**机器学习结果**：RF和LSTM回归模型在所有验证集上的MAE均未显著优于基线模型（预测均值），但均优于随机模型。例如，内部验证中RF的MAE=19.59，LSTM的MAE=19.97，基线；跨被试验证中RF的MAE=21.29，LSTM的MAE=21.17，基线；被试内验证中RF的MAE=18.90，LSTM的MAE=19.03，基线。统计检验显示，RF与LSTM之间无显著差异，且均与基线模型无差异。预测值偏向中值范围（25-50），无法预测极端值，表明未能提取有效信息。
**探索性分类分析**：RF分类器区分低（强度4-5）与高（强度9-10）疼痛试验，内部交叉验证准确率64%（AUC=0.67），保留集62%（AUC=0.68）；跨被试外部验证准确率57%（AUC=0.62），被试内验证准确率58%（AUC=0.62）。校准曲线显示模型总体校准良好，轻微低估低概率、高估高概率。性能高于随机但低于临床有意义阈值（AUC≥0.75）。
**总结讨论**：讨论指出，回归模型未超越简单基线，但分类结果具有前景。性能与先前研究（如Huang等基于激光诱发电位LAEP的MAE约1.03-1.82）一致，但强调外部验证的重要性，因内部验证可能高估性能。样本量增大导致性能下降，反映小样本研究可能的膨胀效应。局限性包括单次试验EEG高变异性、试次数量有限（每强度16次）、空间滤波未使用、特征仅基于单通道功率谱。未来需提高信噪比（如空间滤波）、整合复合生理测量（如心率变异性、皮肤电导、瞳孔测量）和心理测量（如疼痛灾难化量表），并探索替代神经影像模态（如脑磁图MEG）。**研究结论翻译**：本研究使用单次试验EEG外部验证了预测主观疼痛强度的机器学习模型。研究结果表明，使用单次试验振荡EEG特征可能无法可靠实现疼痛评分的精细预测，因为基于EEG的模型并未优于简单基线模型。尽管如此，对于预测离散疼痛类别（如低疼痛vs高疼痛），结果仍然有前景，RF分类器在跨被试和被试内外部验证中均表现高于随机水平。鉴于大样本和多阶段外部验证框架，本研究为ML-EEG疼痛预测提供了稳健性能估计。提高EEG信噪比仍然是优先事项，同时需探索和外部验证复合生理测量，这可能增强预测性能以接近临床有意义阈值。总体而言，ML和EEG对离散疼痛状态的预测高于随机水平，但性能仍低于临床显著阈值，尚不足以进行临床转化。
