Feature Selection for Electrical Brain Activity Classification in Newborns in Case of Painful Events

Скорочена інформація про документ
dc.contributor.authorBondarev, V. R.
dc.contributor.authorIvanko, K. O.
dc.contributor.authorPopov, A. O.
dc.contributor.authorKarplyuk, Ye. S.
dc.contributor.authorKorogod, N. S.
dc.date.accessioned2026-04-14T11:13:13Z
dc.date.available2026-04-14T11:13:13Z
dc.date.issued2025
dc.description.abstractThe understanding of pain mechanisms in infants is critically important because newborns lack verbal communication abilities to report their pain experiences. This study focuses on analyzing electrical brain activity features in time and time-frequency domains using electroencephalographic (EEG) signals collected during clinically required noxious stimuli in newborns. Different feature extraction techniques are explored by applying a combined feature selection approach with forward feature selection and statistical measures involved. Six machine learning algorithms, namely Logistic Regression, Linear Discriminant, K-Nearest Neighbors, Support Vector Machines, Random Forest, and Gaussian Naive Bayes, were used and compared with the purpose of painful events recognition in newborns. Two binary classification tasks were considered: the first task was to distinguish between EEG signals before painful stimulus and after it (painless and painful state of the patient) and the second task was to distinguish between EEG signals on the background of the painful event (heel lance for blood sampling in neonates) and signals without painful events (audio stimulation). In the task of EEG signals classification into pre- and post-painful stimulus segments, the support vector machines classifier showed the best accuracy estimate of 93.5% with the pre-painful EEG segments classification accuracy of 100% and post-painful segment classification accuracy of 86.9%. In the task of distinguishing between EEG signals containing painful events as heel lance and signals without painful events, the linear discriminant algorithm showed the best accuracy estimate of 84% with 76.9% correctly determined EEG segments containing painful events and 91.6% correctly determined EEG segments without painful events. Results demonstrate the potential of using features that focus on spectral power in alpha, beta, and gamma frequency bands and machine learning techniques for advancing pain detection in neonates.
dc.description.abstractotherРозумiння механiзмiв болю та виявлення больових подiй у новонароджених є критично важливим, оскiльки новонародженi не мають здатностi до вербального спiлкування, щоб повiдомляти про свої больовi вiдчуття. Це дослiдження зосереджено на аналiзi особливостей електричної активностi мозку новонароджених в часовiй та часово-частотнiй областях з використанням електроенцефалографiчних (ЕЕГ) сигналiв, зареєстрованих пiд час больових подiй, а саме забору кровi шляхом проколу шкiри у новонароджених iз використанням п’яткового ланцету. З метою автоматизованого виявлення больових подiй у новонароджених було побудовано масив ознак iз використанням широкого набору методiв розрахунку ознак в часовiй та часо-частотнiй областях i застосовано комбiнований пiдхiд до їх вiдбору, що включає метод прямого вiдбору ознак та статистичнi оцiнки. Для вирiшення задачi виявлення больових подiй за даними аналiзу електричної активностi мозку новонароджених було використано та порiвняно шiсть алгоритмiв машинного навчання, а саме: логiстичну регресiю, модель на основi лiнiйного дискримiнантного аналiзу, метод K-найближчих сусiдiв, метод опорних векторiв, випадковий лiс дерев рiшень та наївний байєсiв класифiкатор. Для задачi класифiкацiї сегментiв ЕЕГ як таких, що були зафiксованi до та пiсля больового стимулу, модель на основi методу опорних векторiв показала точнiсть 93,5% правильно класифiкованих ЕЕГ сегментiв. Для задачi класифiкацiї ЕЕГ-сигналiв, що вiдповiдають наявностi такої больової подiї як прокол шкiри, та ЕЕГ сигналiв у станi спокою, модель на основi лiнiйного дискримiнантного аналiзу показала найкращу оцiнку точностi у 84%, при цьому точнiсть класифiкацiї ЕЕГ сигналiв, що вiдповiдають наявностi больової подiї становить 76,9%, а точнiсть розпiзнавання ЕЕГ у станi спокою склала 91,6%. Результати демонструють потенцiал використання ознак, що зосередженi на спектральнiй потужностi в альфа-, бета- та гамма-дiапазонах частот, та методiв машинного навчання для покращення виявлення болю у новонароджених.
dc.format.pagerangeС. 40-50
dc.identifier.citationFeature Selection for Electrical Brain Activity Classification in Newborns in Case of Painful Events / Bondarev V. R., Ivanko K. O., Popov A. O., Karplyuk Ye. S., Korogod N. S. // Вісник НТУУ «КПІ». Радіотехніка, радіоапаратобудування : збірник наукових праць. – 2025. – Вип. 102. – С. 40-50. – Бібліогр.: 26 назв.
dc.identifier.doihttps://doi.org/10.64915/RADAP.2025.102.40-50
dc.identifier.orcid0009-0000-3512-0334
dc.identifier.orcid0000-0002-3842-2423
dc.identifier.orcid0000-0002-1194-4424
dc.identifier.orcid0000-0002-4224-7760
dc.identifier.orcid0000-0002-5463-5795
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/80133
dc.language.isoen
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.relation.ispartofВісник НТУУ «КПІ». Радіотехніка, радіоапаратобудування : збірник наукових праць, Вип. 102, 2025
dc.rights.urihttps://creativecommons.org/licenses/by/4.0/
dc.subjectelectroencephalography
dc.subjectpain markers
dc.subjectnewborns
dc.subjectmachine learning
dc.subjectfeature selection
dc.subjectclassification
dc.subjectclassification accuracy
dc.subjectbiosignal analysis
dc.subjectелектроенцефалографiя
dc.subjectбольовi маркери
dc.subjectновонародженi
dc.subjectмашинне навчання
dc.subjectвибiр ознак
dc.subjectкласифiкацiя
dc.subjectточнiсть класифiкацiї
dc.subjectаналiз бiосигналiв
dc.subject.udc004.89
dc.titleFeature Selection for Electrical Brain Activity Classification in Newborns in Case of Painful Events
dc.title.alternativeВибiр ознак для класифiкацiї електричної активностi мозку у новонароджених у разi больових подiй
dc.typeArticle

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
40-50.pdf
Розмір:
1.15 MB
Формат:
Adobe Portable Document Format
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
8.98 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Вісник НТУУ «КПІ». Радіотехніка, радіоапаратобудування : збірник наукових праць, Вип. 102