一个研究团队开发了一项技术，该技术利用人工智能分析热刺激触发的脑电图信号，并客观分类疼痛强度。这项研究发表在《IEEE神经系统与康复工程汇刊》上。
该团队由DGIST工业AX创新研究所首席研究员安珍勇（An Jinung）领导，他同时担任跨学科工程学兼职教授，与光州科学技术院全成灿（Jeon Seong-chan）教授的团队合作。
由于疼痛感知因人而异，以往的方法主要依赖于患者报告的主观量表——视觉模拟量表。即使对于相同的刺激，这也导致评估结果不一致，并且在准确评估难以沟通的患者（如有意识障碍、儿童和老年人）的疼痛方面存在重大局限性。
安的团队开发了一种技术，利用人工智能分析各种热刺激过程中产生的脑电图来分类疼痛强度。与仅仅从患者主观疼痛评分中学习的传统方法不同，该团队实现了一种算法，其中两个AI模型比较它们的预测结果，并仅从高度可靠的数据中选择性学习。这有效地减少了因人而异的疼痛表达偏差。
在使用41名参与者脑电图数据的测试中，该模型相较于传统模型表现出显著的性能提升，并在模型尚未接受训练的新刺激环境中保持稳定的预测。研究人员还发现，左右前颞叶（F7和F8）的δ波活动与疼痛强度密切相关，为开发基于大脑的数字生物标志物建立了神经生理学基础。
安珍勇表示："这项研究直接解决了主观自我报告标签中的偏差问题，这是基于脑电图的疼痛分析的长期局限性。我们打算通过整合各种生物信号，将其开发成一个可在实际临床环境中使用的通用疼痛AI平台。"
第一作者、博士后研究员郑-ui-jin（Jeong Ui-jin）表示："我们希望这项技术能广泛用于手术前后疼痛监测、慢性疼痛追踪以及重症监护室中的客观疼痛评估。"郑补充说："未来，我们将致力于研究，使其能够扩展为基于脑机接口的实时监测系统。"
更多信息：Euijin Jung等人，《通过样本选择缓解主观标签偏差的基于脑电图的疼痛分类》，《IEEE神经系统与康复工程汇刊》(2026)。DOI: 10.1109/tnsre.2026.3692232
关键医学概念：疼痛、脑电图、颞叶
临床类别：神经病学
【全文结束】