基于GGN和脑电数据的慢性疼痛评估模型软件
知识产权简介
本软件以高密度脑电(HD-EEG)为数据基础,结合近年来关于慢性/神经病理性疼痛在频谱特征、功能连接与时空动力学方面的研究证据,提出并实现了一个图生成式神经网络(Graph-Generative Network, GGN)的疼痛客观评估方案。与仅依赖静态功率谱或固定功能连接矩阵的传统方法不同,GGN 在端到端框架内显式建模“连接的概率”:模型首先对多频段时序特征进行编码,随后通过概率图生成器为任意电极/脑区对学习到边存在性的分布,获得个体化功能连接图。在此基础上,结合图注意力解码,软件完成疼痛分型(如神经病理性/非神经病理性/健康对照)与疼痛强度回归(VAS/NRS)两类任务,实现从“时间特征”和“连接网络”的协同表征
转化前景
本软件以高密度脑电(HD-EEG)数据为基础,结合近年来关于慢性及神经病理性疼痛在频谱特征、功能连接与时空动力学方面的研究进展,提出并实现了一种基于图生成式神经网络(Graph-Generative Network, GGN)的疼痛客观评估方案。在应用前景上,该方法为临床疼痛的客观评估与分型诊断提供了可推广的智能化工具,有望减少主观量表的偏差,促进个体化治疗策略的制定。同时,该模型框架可扩展至其他神经疾病(如抑郁、焦虑或认知障碍)的脑功能网络分析,为神经影像学与人工智能融合研究提供新的技术路径。