Estimation of pain threshold from EEG signals of subjects in physical therapy using long-short- term memory deep learning model

dc.contributor.authorGüneç, Kutay
dc.contributor.authorKasım, Ömer
dc.contributor.authorTosun, Mustafa
dc.contributor.authorBüyükköroğlu, Emine
dc.date.accessioned2022-07-21T08:42:04Z
dc.date.available2022-07-21T08:42:04Z
dc.date.issued2021-06-28
dc.description.abstractPain is a natural stimulation to protect the whole body. An overreaction to pain can damage the tissues. Therefore, it is important to know the angle at which pain is felt when routinely measuring joint range of motion during the first examination. Detection of pain with the change in characteristics of electroencephalogram signals at the moments when pain occurs is the novelty of this study. The characteristics of the signal with power band changes were obtained by frequency analysis of the electroencephalogram signals. Pain was detected by classifying these characteristics with the Long Short Term Memory deep learning model. Validation of the model was performed with records obtained from 43 volunteer subjects with a 14-channel wireless Emotive brand electroencephalogram device. 96.1% success in binary classification as with pain or without pain and 89.6% success in multi-class classification as with high pain, low pain and without pain was achieved. This success is a quality that can support specialists in diagnosis and treatment by determining the threshold where pain occurs during the first physical therapy examination from the electroencephalogram signals.en_US
dc.description.abstractAğrı, tüm vücudu korumak için doğal bir uyarıdır. Bu uyarıya karşı gösterilecek aşırı reaksiyon, dokuda hasarlara neden olmaktadır. İlk muayenede rutin olarak eklem hareket açıklığı (EHA) ölçümünde ağrının hissedildiği açının bilinmesi önemlidir. Ağrının oluştuğu anlardaki EEG sinyallerindeki güç değişimi ile ağrının tespiti bu çalışmanın yeniliğidir. EEG sinyallerinin frekans analizi ile güç bandı değişimleri ile sinyale ait özellikler elde edilmiştir. Bu özellikler LSTM derin öğrenme modeli ile sınıflandırılarak ağrı tespit edilmiştir. Modelin doğrulanması bu çalışma kapsamında 43 gönüllü hastadan, 14 kanallı kablosuz Emotive marka EEG cihazıyla alınan kayıtlar ile yapılmıştır. İkili sınıflandırmada %96,1 çoklu sınıflandırmada ise %89,6’lik başarı elde edilmiştir. Bu başarı, ilk fizik tedavi muayenesi sırasında ağrının oluştuğu eşiğin EEG sinyallerinden belirlemesiyle uzmanları tanı ve tedavide destekleyebilecek bir niteliktir.tr_TR
dc.identifier.citationGüneç, K. vd. (2021). "Estimation of pain threshold from EEG signals of subjects in physical therapy using long-short- term memory deep learning model". Uludağ Üniversitesi Mühendislik Dergisi, 26(2), 447-460.tr_TR
dc.identifier.endpage460tr_TR
dc.identifier.issn2148-4147
dc.identifier.issn2148-4155
dc.identifier.issue2tr_TR
dc.identifier.startpage447tr_TR
dc.identifier.urihttps://doi.org/10.17482/uumfd.883100
dc.identifier.urihttps://dergipark.org.tr/tr/download/article-file/1587994
dc.identifier.urihttp://hdl.handle.net/11452/27915
dc.identifier.volume26tr_TR
dc.language.isoenen_US
dc.publisherBursa Uludağ Üniversitesitr_TR
dc.relation.journalUludağ Üniversitesi Mühendislik Dergisi / Uludağ University Journal of The Faculty of Engineeringtr_TR
dc.relation.publicationcategoryMakale - Uluslararası Hakemli Dergitr_TR
dc.rightsinfo:eu-repo/semantics/openAccessen_US
dc.subjectPain thresholden_US
dc.subjectEEG signal processingen_US
dc.subjectPower spectrumen_US
dc.subjectLSTM deep learning modelen_US
dc.subjectAğrı eşiğitr_TR
dc.subjectEEG sinyal işlemetr_TR
dc.subjectGüç spektrumutr_TR
dc.subjectLSTM derin öğrenme modelitr_TR
dc.titleEstimation of pain threshold from EEG signals of subjects in physical therapy using long-short- term memory deep learning modelen_US
dc.title.alternativeFizik tedavide hastaların EEG sinyallerinden ağrı eşiğinin uzun kısa süreli hafıza derin öğrenme modeliyle kestirimitr_TR
dc.typeArticleen_US

Files

Original bundle

Now showing 1 - 1 of 1
Loading...
Thumbnail Image
Name:
26_2_7.pdf
Size:
1.29 MB
Format:
Adobe Portable Document Format
Description:

License bundle

Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
1.71 KB
Format:
Item-specific license agreed upon to submission
Description: