响应热压和神经刺激的心率变化

背景：

疼痛评估：

虽然温度、脉搏、呼吸和血压都是客观测量的，但疼痛本质上是主观的。 鉴于这一基本困难，难怪未能正确评估疼痛是导致不同环境下患者疼痛控制不佳和缺乏治疗的常见原因 (1)。 此外，疼痛是多维的，具有“感觉-辨别力、认知-评价力和情感-动机”成分（2），即影响身体、思想和精神，其复杂性使其难以衡量（1 ). 由于疼痛已被认为是影响患者康复和生活质量的一种重要方式，因此它被称为“第五生命体征”，现在正在常规检查期间在患者图表中进行评估和登记。 疼痛本身由患者和护理人员或医务人员反复评估，并进行跟踪和治疗。

对于常规标准化，疼痛按 0（无疼痛）到 10（可能的最严重疼痛）的等级绘制。 疼痛强度为 0 至 4 时，患者将功能干扰描述为轻度（反映在日常活动和情绪中），疼痛强度为 5 至 6 时，患者描述为中度，而 7 至 10 时，患者描述为严重 (2)。 对于标准缩放，开发了不同的评估工具。 一维疼痛量表要求患者描述疼痛强度，是当今最常用的工具 (1)。 这些是 VAS- 视觉模拟评分（例如，患者在 10 厘米的线上放置一个标记以指示疼痛的强度；线的一端标记为“无痛”，另一端标记为“最严重的疼痛”） 、数字（“请按 1 到 10 的等级对疼痛强度进行评分”）和分类（“请将疼痛评分为无、轻度、中度或重度”）。 这些量表可靠有效，可与世界卫生组织 (WHO) 镇痛阶梯指南结合使用。 (3)

可以修改一维强度量表以产生疼痛缓解量表、患者疼痛满意度量表或疼痛管理指数 (4)。 此外，还开发了全面的多维疼痛评估工具，如 Brief Pain Inventory，以帮助疼痛管理专家测量和评估疼痛对情绪、活动和生活质量的影响——这是一维工具无法做到的。 (2) 这些工具对于患者和医务人员而言较难完成，通常不会在日常实践中使用 (1)。

近年来，人们对疼痛及其治疗的兴趣日益浓厚，因此对这些工具的评估产生了更多的研究。 这些工具基本上被认为是可靠的，但 Grossman SA 等人 (5) 发现，患者在自我评估量表上表达的疼痛强度与护理人员对疼痛的评估相关性较差，疼痛强度越大，疼痛程度越差患者和护理人员之间的相关性。 此外，无法与医务人员沟通的患者，例如失去知觉或镇静的患者、年幼的儿科患者或精神病患者或智障患者，由护理人员或医务人员进行主观评估，这具有很大的差异，并不总是评估正确地了解受苦患者的疼痛状态。 出于这个原因，最近提出了客观的疼痛评估工具，以便在包括镇静和麻醉在内的不同环境下的患者中更准确和全面地指示这种方式。

客观疼痛评估：

研究了不同的数学工具，主要是心率变异性、心率频谱分析来评估麻醉深度和疼痛 (6-7)。 对人类患者所做的大部分工作都是在新生儿疼痛识别方面完成的 ( )。 一些针对成年患者的研究也已经完成，试图使用心率及其分析来定义疼痛。 由于疼痛对增加心率的急性影响是众所周知的，Storella 等人假设了这一点。 (10)，在他们的工作中，慢性疼痛可能对心血管系统的自主调节产生适应性影响，可以通过镇痛来逆转。 他们检查了慢性疼痛的急性缓解是否会影响心率变异性，并根据实验数据得出结论，即慢性疼痛的急性缓解伴随着许多患者心率变异性的镇痛特异性增加。 雷等人。在他们的工作中使用这种方法进行 ECG 信号处理，并开发了一种新的麻醉期间疼痛评估监测器 (11)。 使用心率信号，计算 R-R 间隔和频谱分析。 输出包含有关呼吸周期的信息，从中得出 RSA（呼吸性窦性心律失常），他们认为意识水平与之成正比。 该研究证明了这种方法的可行性，但他们的文章指出了该系统的许多缺点和限制，目前临床上并未使用这种方法。

方法

信号处理：

我们知道，心电图和脑电图等生理信号由各种模式和现象的混合物组成，这些模式和现象在每次记录期间以不同模式和不同时间点累积。 有些发生在非常短的时间间隔内，有些持续时间更长，有些则周期性重复。 这些信号的另一个特征是存在系统性和非系统性的高电平噪声。

传统的分析方法经过设计和优化以处理包含单类模式的信号，例如纯谐波（傅里叶表示/字典）或分段常数函数（小波表示/字典），在简化和不真实的情况下，简单的操作如在适当的表示空间中进行阈值计算或过滤，对于信号和噪声的分离（去噪）、分解为基本成分、模式检测等非常有效。 然而，这种使用单一表示方法的基本操作在应用于如上所述的真实复杂生物信号时通常会产生平庸的结果，尤其是在信噪比 (SNR) 非常低的情况下。 数字信号处理 (DSP) 的最新趋势使用合并几种不同表示方法的新想法来创建所谓的过完备字典，这种方法的示例包括 Mallat 等人 (12) 和 Basis 描述的 Matching Pursuit 算法追踪算法，由 Donoho 等人描述。 人（13）。

匹配追踪和基本追踪只要采用合适的表示方法，就可以对复杂信号的不同类型分析得到近似最优解。 我们打算首次开发这种新颖的信号处理工具并将其应用于 ECG 信号。 我们相信，与当今基于单一词典的传统分析方法相比，此类工具有可能更好地了解信号基本成分及其与不同生理状态的关系。

在这项研究中，我们打算应用由 Elad (14) 开发的高级监督学习方法，以适应性地生成 ECG 信号的最佳词典和表示方法，并使用这些词典开发基于完整词典的高效分析方法，以便分离将复杂的 ECG 信号分解为它的基本成分和噪声。 然后，我们打算应用先进的统计和数据挖掘技术，以便将 ECG 信号的基本模式与设计组中采样的疼痛联系起来。

测试组：

在这项研究中，我们打算从两组中抽取心电图样本。 第一组将由 20 名健康的年轻人组成，他们自愿使用 TSA 2000 进行热痛、压力痛和神经刺激痛（本研究将由 Soroka 大学医学中心 IRB 委员会授权）；这些受试者将在热痛诱导之前、期间和之后接受 VAS 和 ECG 监测。 重要的是要声明该仪器通过授权协议造成热痛，不会伤害或产生任何组织损伤。

假设：

我们的假设是，可以使用这些处理技术通过常规 ECG 采样检测疼痛，将其与噪音区分开来并进行诊断。