STAL: Spike Threshold Adaptive Learning Encoder for Classification of Pain-Related Biosignal Data

本文介绍了脉冲神经网络（SNNs）在EmoPain数据集上用于慢性下腰痛（CLBP）分类的首次应用。我们的工作有两个主要贡献。我们引入了Spike Threshold Adaptive Learning（STAL），这是一个可训练的编码器，可以有效地将连续的生物信号转换成脉冲序列。此外，我们提出了一种Spiking Recurrent Neural Network（SRNN）分类器集合，用于对sEMG和IMU数据进行多流处理。为了解决样本量小和类别不平衡的挑战，我们在批处理创建过程中实现了少数类过采样和加权样本替换。我们的方法取得了出色的性能，准确率为80.43％，AUC为67.90％，F1得分为52.60％，Matthews相关系数（MCC）为0.437，超过了传统的基于速率和延迟的编码方法。STAL编码器在保留时间动态和适应信号特征方面表现出优异的性能。重要的是，我们的方法（STAL-SRNN）在MCC方面优于最佳的深度学习方法，表明类别预测更加平衡。这项研究为生物信号分析的神经形态计算的发展做出了贡献。它为慢性疼痛管理中的低功耗、可穿戴解决方案提供了希望。

论文旨在利用脉冲神经网络（SNN）对慢性下腰痛（CLBP）进行分类，以解决慢性疼痛管理中的问题。

论文提出了可训练的编码器STAL，将连续生物信号转换为脉冲列，同时采用SRNN分类器进行多流处理，实现了小样本和类别不平衡的挑战。

实验结果表明，STAL-SRNN方法在准确率、AUC、F1分数和MCC等指标上均表现出色，超过了传统的基于速率和延迟的编码方法。此外，该方法在保持时间动态和适应信号特征方面也表现出优越性。该研究为生物信号分析的神经形态计算发展做出了贡献，为慢性疼痛管理提供了可能的低功耗可穿戴解决方案。

近期在这个领域还有一些相关研究，如“Deep Learning for Chronic Pain Classification Based on High-Dimensional Spatio-Temporal Features of EEG Signals”和“Automatic Pain Assessment with Facial Expression Images Based on Deep Learning”。