흥미로운 주제를 다뤄주셔서 감사합니다. 궁금한 점에 대해서 질문 남기도록 하겠습니다. 1) 본 연구에서는 모두 "정상인"을 모집하였다고 했는데요, 정상인임에도 불구하고 psychometric을 측정한 이유는 무엇인가요? Score들을 보니, 수면의 질 / 불안 및 우울 / stress 척도 등 인 것 같은데, 그럼 민감한 사람(혹은 불안/예민)들이 pain에 취약하다는 가설 등이 있을까요? 아니면 본 연구에서 score들과 pain을 느끼는 강도 / 혹은 EEG features 들과 유의미한 상관이 있었나요? 굳이 psychometric을 feature로 사용한 이유가 궁금합니다. 2) Functional connectivity measure로는 뭘 사용했나요? 3) 사용한 PSD와 FC features에 대한 신경생리학적 해석은 없었나요? 추가적인 comment로는, 1) 본 연구에서 사용한 resting state EEG는 눈 감은 상태이기때문에 따로 ICA 같은 방법을 사용하여서 EOG 를 제거하지 않은 것 같은데요, 사실 눈을 감더라도 눈을 양쪽으로, 혹은 위아래로 굴리는 등의 artifact가 발생하기 때문에 적절한 artifact removal이 필요하다고 사료됩니다. 특히나 functional connectivity는 artifact에 취약고, 이러한 artifact들 때문에 spurious connection이 발생하기 때문에 pre-processing을 세밀하게 해 주는 것이 중요합니다. 2) 정상인이 pain을 느낄때와 특정 환자들이 pain을 느낄 때의 brain activity or networks 가 판이하게 다를 것 같습니다. 따라서 정상인을 대상으로 추출한 biomarkers를 환자들에게 그대로 적용하여 동일한 수준의 진단(분류) 정확도를 도출해 내는 것은 무리가 있지 않을까 하는 의견입니다.
좋은 질문과 comment 감사합니다 : 논문에 있는 내용을 바탕을 설명 드리면, 1) high sensitive로 분류된 group에서 anxiety와 depression이 높게 측정 된 것을 확인할 수 있었으며, 이 부분에서 high sensitive와 low sensitive group간의 명확한 차이가 나타났습니다. (실제로 pain과 감정적 요인의 상관 관계를 제시한 논문이 있었습니다.) 2, 3) 조금 더 정확한 답변을 드리고자 PSD와 FC에 대한 내용은 조금 더 살펴본 후에 다음 저널 리뷰(4월 29일)전까지 답변을 드리도록 하겠습니다. 죄송합니다.
답변이 늦어 죄송합니다. 지난번에 답변 드리지 못한 부분에 대해 답변을 드리도록 하겠습니다. 2) Functional connectivity measure는delta, theta, alpha, beta, gamma 밴드입니다. 3) 이 답변이 질문에 부합하는 답변인지는 확실하지 않으나, 본 논문에서는 SVM 알고리즘으로 PSD와 FC feature로 pain sensitivity를 예측할 수 있고, 신경생리학적 데이터가 통증 인식 과정에서 중추적인 signature가 될 수 있음을 추가로 확인했다는 언급이 있었습니다.
흥미로운 발표 감사합니다. 몇가지 궁금한 부분이 있어 질문드리자면, 1) 85명의 피험자 그룹을 HPT를 기준으로 high 43명 /low 42명 으로 나누었다고 하셨는데 단순히 HPT 값을 반정도로 나누어서 high, low라고 grouping하는지 아니면 HPT가 일반적으로 high, low sensitivity에 대한 통용되는 기준이 이미 설정이 되어있는지(ex. HPT 10정도면 high sensitivity이다) 궁금합니다. 2) feature로 사용된 psy는 'materials and method' 부분에서 언급된 PSQI, PCS, HADS, RLCQ 네가지 지표 중 어떤 걸 사용했는지, 임의로 이 지표중에 선택을 한가지만 한거라면 feature로 사용할 지표를 어떤 기준으로 선정했는지 궁금합니다. 그리고 psy라는 지표가 어떻게 계산된건지, 어떤 상태를 나타내는지 궁금합니다. 3) PSD도 사용한 대역 정보와 대역을 선정한 reference가 있는지 궁금합니다. 4) 마지막으로 임상사용 가능성을 말씀해주셨는데 heat 뿐만 아니라 다양한 pain sensitivity는 환자 대상으로 상태 경중을 판단하거나 치료 방법을 설정하기 위해 필요한 지표라고 생각이 됩니다. 임상에서 EEG 기반이 아니더라도 pain sensitivity를 측정하는 measure가 따로 없는지 궁금합니다.
좋은 질문 감사합니다 : ) 논문에 있는 내용을 바탕으로 답변을 드리자면, 1) 피험자 85명의 HPT에 대한 평균값을 기준으로 평균값보다 높으면 high sensitive로, 평균값보다 낮거나 같으면 low sensitive로 분류하였습니다. 2) Psy는 PSQI, PCS, HADS, RLCQ(추가로 PSS도 사용하였습니다)는 설문지에 대한 결과를 척도를 사용하여 수치화한 것으로서, 5가지 모두 psy(psychometric)에 대한 데이터이며, 이 중에서 high sensitive와 low sensitive가 명확하게 구분되는 'PCS, HADS_Anxiety, HADS_Depression' 이 세가지를 psy type의 feature로 select하였습니다. 3) Rasting-state EEG 데이터는 delta, theta, alpha, beta, gamma 대역에서 측정이 되었고, 따라서 PSD와 FC도 delta, theta, alpha, beta, gamma 대역에서 사용했다고 보시면 될 것 같고, reference는 Fz위치의 전극으로 선정하였습니다. 4) 제가 이 부분에 대해서는 자세히 알지는 못하지만, 다른 논문에서는 통증의 세기(pain intensity)를 척도로 통증의 세기를 수치화 하였습니다.
좋은 발표 감사드립니다. 특히 열에 대한 민감도에 따라서 뇌파로 분류가 가능하다는 점에서 흥미로운 연구였던 것 같습니다. 발표를 보다 궁금한 사항이 생겨서 질문드립니다. 1) 데이터에 대한 전처리를 진행할 때 ICA를 거친 후 그에 대한 component를 육안으로 판단해서 noise를 뺀것이 아닌지 생각이들어서 전처리를 할때 논문에서 정말 단순히 육안으로만 노이즈를 제거하였다고 언급이 되어있었던 것인지 궁금합니다.
좋은 발표 감사합니다. 몇 가지 궁금한 사항이 있어서 질문 드립니다. 1. HPT data에서 High와 Low-sensitive를 나눈 기준이 단순히 높은 온도에서 열에 대한 통증을 느낀 온도로 나뉜 것인지 아니면 기준을 나누는데 사용된 방법이 더 있는지 궁금합니다. 2. linear SVM과 quadratic SVM, cubic SVM에 FC feature와 PSD featrue를 같이 사용하거나 FC만 사용한 경우는 있는데 PSD만 사용한 경우는 따로 언급된 것이 없었나요?
좋은 질문 감사합니다 : ) 논문에 있는 내용을 바탕으로 답변드리자면, 1. 피험자 85명의 HPT에 대한 평균값을 기준으로 평균값보다 높으면 high sensitive로, 평균값보다 낮거나 같으면 low sensitive로 분류하였습니다. 2. 분류 정확도를 확인하기 위하여 사용된 모델은 feature type별 동일하며, 다만 결과를 봤을 때 분류 정확도의 높게 나온 모델 만을 표로 제시한 것으로 보입니다. 특히, PSD만을 사용한 모델 중에서는 Fine gaussian SVM에서 비교적 높게 나왔다고 보시면 될 것 같습니다.
재미있는 연구 소개 감사드립니다. Heat pain sensitivity 라는 재미있는 주제를 잘 설명해주셔서 감사드립니다. 몇가지 질문이 있는데요, 1) Heat pain senstivity 라는 지표가 임상에서 어떠한 의미를 지니고 있는지? (이 지표로 할 수 있는 것이 무엇이 있어서, 이것을 예측하는 것이 어떤 의미가 있는지요?) 2) 지표별로 사용한 model 이 SVM으로 동일하긴 하지만 parameter 가 다른것 같은데, 모든 parameter에 대해서 결과를 계산해 보고 논문에선 그 중 몇몇 결과만을 뽑아서 보여준 것인지요? 동일한 parameter 가 아니라서 결과를 직접 비교하기엔 약간 무리가 있는 것 같아서 여쭙니다 3) 결과 table을 보면 feature별로 갯수가 몇 개인지 나와있는데, 이 개수를 모두 사용한 것인지요? 아니면 dimension reduction을 진행한 후에 일정 개수를 선별하여 진행한 것인지요? 감사합니다.
좋은 질문 감사합니다 : ) 논문에 있는 내용을 바탕으로 답변을 드리자면, 1. 본 논문에서는 pain senstivity를 평가하는 것은 precision medicine에서 중요한 부분이라는 언급이 있었으며, 향후 연구가 더 진행이 되어야 하지만, heat pain senstivity에 대한 분류 정확도가 80%정도 나온 결과를 통해 실제 임상에서도 EEG 데이터를 통해 환자의 heat pain senstivity를 구별할 수 있을 것으로 생각됩니다. 2. 본 논문에서는 feature type 별로 다른 Kernel에 대한 SVM과 KNN model이 동일하게 사용되었으며, 지표별로 제시한 결과는 높은 성능의 분류 정확도를 가진 model에 대해서만 제시를 한 것입니다. 3. Psy와 PSD, FC에서 high sensitive와 low sensitive사이에 명확한 차이가 있는 feature를 select하였고, 그 결과 Psy는 3개, PSD는 85개, FC는 145개의 feature가 high sensitive와 low sensitive사이에 명확한 차이가 나타났다고 보시면 될 것 같습니다.
좋은 발표 감사합니다. 몇가지 궁금한 사항이 있어 질문드립니다. 1. PSD와 functional connectivity를 통해 분류를 함에 있어서 전처리 과정의 1-40 Hz 전체 대역을 그대로 사용한 것인지, 아니면 별도의 주파수 대역을 선정하여 사용하였다고 언급된 부분이 있을까요? 2. Pain sensitivity 정도를 EEG 기반으로 분류하는것에 어떠한 이점이나, pain sensitivity를 구분함으로서 재활이나, 치료와 같은 다른 영역에서 이 정보가 활용되는 방향에 대해 언급된 부분이 있었는지 궁금합니다.
좋은 질문 감사합니다 : ) 논문에 있는 내용을 바탕으로 설명드리자면, 1. 전처리 과정은 모든 데이터를 1-40 Hz로 동일하게 하였고, delta, theta, alpha, beta, gamma 대역에서 high sensitive와 low sensitive가 명확하게 구분되는 featrue를 select하였습니다. 2. 본 논문에서 pain senstivity를 평가하는 것은 precision medicine에서 중요한 부분이라는 언급은 있었지만, 다른 영역에서 어떻게 활용된다는 언급은 따로 없었던 것 같습니다. 또한, Pain sensitivity를 EEG 기반으로 분류하는 것에 대한 이점에 대한 언급은 없었지만, resting-state의 뇌 활동이 pain senstivity와 관련이 있다는 언급을 통해 EEG 기반으로 pain senstivity가 가능하다고 볼 수 있을 것 같습니다.
좋은 질문 감사합니다 : ) 논문에서는 실제 임상에 어떻게 활용 할 수 있을지에 대한 언급은 없었지만, pain senstivity를 평가하는 것은 precision medicine에서 중요한 부분이라는 언급이 있었습니다. 이를 통해, heat pain sensitivity와 같은 환자마다 다른 여러가지 정보들을 종합적으로 분석하여 최적의 치료 방법을 제공하는 의료 서비스에 활용될 수 있을 것으로 생각됩니다.
좋은 발표 감사드립니다. 몇 가지 궁금한 점이 있는데, 분류 과정에서 Leave-one-out CV를 사용하였는데, 전체 dataset이 85명인걸 감안하면 65개의 training data가 이해가 가질 않는데, 전체 피험자 set을 사용한 것이 아닌지 궁금합니다! 또한, Result 부분의 Fig.7을 보면 모든 분류 정확도가 5의 배수로 딱 떨어지는데, 혹시 분류 정확도에 추가적인 작업을 한 결과인지 궁금합니다! 감사합니다.
좋은 질문 감사합니다 : ) 논문에 있는 내용을 바탕으로 설명드리자면, 85개 데이터 중 65개의 데이터로 training과 test를 진행 했다고 생각하시면 될 것 같습니. 또한, Fig.7에 대한 결과는 20개의 데이터로 본 논문에서 사용된 모델이(가상으로) 실제 임상에 사용될 수 있을지 확인하기 위하여 20개의 데이터를 가지고 모델의 정확도를 예측해본 결과로 이해하시면 될 것 같습니다.
좋은 발표 감사합니다. 제가 놓친 부분이 있는 건지 몇 가지 궁금한 점이 있어 질문드립니다. 1. 85개의 데이터 중 65개의 데이터를 Leave-one-out CV를 통해 training하고 25개의 데이터를 test로 썼다고 하셨는데 65개의 데이터는 모델 구축과 그 모델의 accuracy를 도출하는데 쓰이고 남은 25개의 데이터는 fig.7과 같이 새로운 데이터로 가정하고 test했다고 이해하면 되는 건가요? 일반적으로 training/test data와는 이해하는 게 조금 다른 것 같아 질문드립니다. 2. high sensitive와 low sensitive는 특정 기준값이 따로 정해져있는지, 아니면 65명의 상위 50%와 하위 50%로 나눈건지도 궁금합니다. 그 기준이 일반적으로 사용되는 건가요?? 3. PSD와 FC를 feature로 사용하였는데 특정 대역을 사용한 건지 전체 대역을 한 번에 사용한 건지 궁금합니다.
좋은 질문 감사합니다 : ) 논문에 있는 내용을 바탕으로 답변을 드리겠습니다. 1. 저도 논문을 읽으면서 이 부분에 대해서 가장 의문이 많았는데, 85개 데이터 중 65개의 데이터로 training과 test를 진행 했다고 생각하시면 될 것 같고, 20개의 데이터는 본 논문에서 사용된 모델이(가상으로) 실제 임상에 사용될 수 있을지 확인하기 위하여 모델의 정확도를 예측해본 결과로 이해하시면 될 것 같습니다. 2. 본 논문에서 피험자 85명을 대상으로 high sensitive와 low sensitive로 분류를 진행하였으면, 85명의 HPT의 평균값을 기준으로 평균값보다 높으면 high sensitive로, 평균값보다 낮거나 같으면 low sensitive로 분류하였습니다. 3. Rasting-state EEG 데이터는 delta, theta, alpha, beta, gamma 대역에서 측정이 되었고, 따라서 PSD와 FC도 delta, theta, alpha, beta, gamma 대역에서 사용했다고 보시면 될 것 같습니다.
흥미로운 연구 소개 감사합니다. 65 training dataset, 20 test dataset으로 사용되었다고 말씀하셨는데, 여기서 dataset을 subject로 이해하면 될까요?? psychometric 데이터와 heat pain이 얼마나 correlation을 가지는지 본연구에서 소개 된 부분이 있을까요? 만약 어느정도 연관성이 있다면, 그리고 heat pain을 일반적인 다른 pain과 일반화 시킬수 있다면, 해당 데이터로 classification이 아니라 regression을 해서 사람별로 pain에 대한 prediction모델을 만들어보는 것도 재밌을 것 같네요~!
좋은 질문 감사합니다 : ) 논문에 있는 내용을 바탕으로 답변을 드리자면, 먼저, 말씀하신 대로 dataset을 subject로 이해하시면 될 것 같습니다. 또한, high sensitive로 분류된 group에서 psychometric 데이터 중 anxiety와 depression이 높게 측정 된 것을 확인할 수 있었으며, 본 논문에서도 추후에 regression을 사용하여 더 많은 데이터를 가지고 다양한 pain senstivity를 나타내는 시험이 필요하다고 제안했습니다.
재미있는 연구 발표 감사합니다. 뇌파로 통증에 얼마나 민감한지를 예측할 수 있다는게 신기하네요 한가지 궁금한 사항이 있어서 질문 드립니다. -결국 high sensitive 와 low sensitive가 class를 나누는 기준이 된 것 같은데, 사람 수가 정확히 반반으로 나뉜게 조금 의문이 드네요. 만약 온도에 따라 내림차순으로 순서를 정한거라면 중앙값에 가까이 있는 사람들은 그 기준이 모호할 것 같은데 이에 대한 언급이 있었는지 궁금합니다.
좋은 질문 감사합니다 : ) 논문에 있는 내용을 바탕으로 답변드리자면, 피험자 85명의 HPT에 대한 평균값을 기준으로 평균값보다 높으면 high sensitive로, 평균값보다 낮거나 같으면 low sensitive로 분류하였는데, 추후에 더 정확한 결과를 얻기 위해서 heat pain sensitive에 대한 평가 척도가 필요하지 않을까 생각됩니다.
흥미로운 주제와 발표 감사합니다. 1. 다른 연구원 분들도 같은 질문을 해주신 것 같은데 heat-sensitivity를 구분할 때에 구분경계가 불분명한 것 같은데 이 점이 궁금하며, 추후에 임상에도 사용한다고 하셨는데 heat-sensitivity를 구분하는 것이 어떤 필드에 사용될 수 있을까요? 2. 분류를 위한 feature로 psy, PSD, fc 3가지를 사용하고 그 feature 조합에 따라 분류 정확도를 나타내었는데 1) 1가지의 단일 feature를 사용하였을 때 분류 정확도를 비교한 슬라이드에서 모두 같은 SVM이기는 하나 모두 다른 특성을 가지고 있는 것 같은데 이를 통일 하지 않고 fc피처를 사용하였을 때 분류 정확도가 가장 좋았다고 하기에는 조심스러울 것 같습니다. 2) 또한 psy와 fc를 함께 사용했을 때의 정확도와 fc를 단일로 사용했을 때의 정확도가 거의 차이가 나지 않으며 psy를 단일로 사용했을 때에 정확도가 매우 낮은 점을 고려하였을 때 psy feature가 그리 큰 역할을 하지 않는 것으로 보이는데 이 부분에 대해서는 어떻게 생각하실까요? 3) 3가지 모든 feature를 함께 사용했을 때의 정확도가 fc 단일로 사용하였을 경우 보다 낮은 점을 보면 역시 PSD feature 또한 긍정적인 역할은 하지 않을 것으로 보입니다. 이 부분을 고려하였을 때 feature selection을 적용해보거나 적용했을 때에 fc feature만 사용되었다는 부분은 없을까요?
좋은 질문 감사합니다 : ) 논문에 있는 내용을 바탕으로 답변을 드리자면, 1. heat pain senstivity는 피험자 85명의 HPT에 대한 평균값을 기준으로 평균값보다 높으면 high sensitive로, 평균값보다 낮거나 같으면 low sensitive로 분류하였습니다. 또한, 본 논문에서 pain senstivity를 평가하는 것은 precision medicine에서 중요한 부분이라는 언급이 있었는데, 이를 통해 heat pain senstivity에 대한 분류 또한 precision medicine에 사용될 수 있지 않을까 생각됩니다. 2. 1) 각 모델에 대한 분류는 모두 동일하게 이루어졌고, 분류 정확도가 좋은 모델에 대한 결과만 제시하였습니다. 2) 제 생각도 psy가 heat pain senstivity를 분류하는데 큰 역할을 하지 않는다고 생각합니다. 실제로 본 연구에서 피험자 85명에 대한 psy에서 유의미한 feature는 3개(pain catastrophizing, anxiety, depression)였으며, 추가로 진행된 모델 성능 확인에 사용된 20개의 testing data에서 psy에 대한 유의미한 feature는 2개(anxiety, depression)였습니다. 이러한 결과로 생각해봤을 때, 그룹이 어떻게 형성되어 있는지에 따라 psy에서 유의미한 feature가 다를 수 있고, 따라서 feature type을 PSD와 FC만 추출하는 것이 더 효율적이지 않을까 생각됩니다. 3) 질문에 대해 제가 알고 있는 내용으로 최대한 답변을 드리자면, 65개의 데이터(training data)에 대한 정확도로만 확인했을 때는 3가지 모든 feature를 함께 사용했을 때의 정확도가 fc 단일로 사용하였을 경우 보다 낮았지만, 추가로 20개에 대한 데이터로 분류 성능을 확인했을 때(이 경우는 실제 임상에 사용할 수 있는지 가상으로 테스트를 진행한 결과로 이해하시면 될 것 같습니다.) 결과(Fig7)를 보시면 PSD+FC와 PSD+Psy+FC에서 80%의 분류 정확도를 얻은 것을 확인하실 수 있고, 이 결과를 봤을 때 PSD가 긍정적인 역할을 했다고 판단할 수 있지 않을까 생각됩니다.
좋은 질문 감사합니다 : ) 논문에 있는 내용을 바탕으로 답변을 드리자면, 먼저, 피험자 85명의 HPT에 대한 평균값을 기준으로 평균값보다 높으면 high sensitive로, 평균값보다 낮거나 같으면 low sensitive로 분류하였습니다. 또한, 전처리 과정에서 육안으로 artifact를 제거할 때는 확연하게 드러나는 artifact만을 제거하는 것으로 알고 있으며, 본 논문에서는 육안으로 artifact를 제거할 뿐만 아니라 PCA를 활용하여 ECG와 EOG에 대한 artifact도 제거한다고 설명하였습니다.
![[저널 미팅] Automatic ECG-Based Emotion Recognition in Music Listening](http://i.ytimg.com/vi/Lp3rIupVCOM/mqdefault.jpg)
![[저널 미팅] Automatic ECG-Based Emotion Recognition in Music Listening](/img/tr.png)
![[저널미팅] EEG temporal-spatial transformer for person identification](http://i.ytimg.com/vi/0toyGdk0MCQ/mqdefault.jpg)
![[저널 미팅] A Model for Estimating Tactile Sensation by Machine Learning Based on Vibration Information](http://i.ytimg.com/vi/nLMy8Yp8Oac/mqdefault.jpg)
흥미로운 주제를 다뤄주셔서 감사합니다. 궁금한 점에 대해서 질문 남기도록 하겠습니다. 1) 본 연구에서는 모두 "정상인"을 모집하였다고 했는데요, 정상인임에도 불구하고 psychometric을 측정한 이유는 무엇인가요? Score들을 보니, 수면의 질 / 불안 및 우울 / stress 척도 등 인 것 같은데, 그럼 민감한 사람(혹은 불안/예민)들이 pain에 취약하다는 가설 등이 있을까요? 아니면 본 연구에서 score들과 pain을 느끼는 강도 / 혹은 EEG features 들과 유의미한 상관이 있었나요? 굳이 psychometric을 feature로 사용한 이유가 궁금합니다. 2) Functional connectivity measure로는 뭘 사용했나요? 3) 사용한 PSD와 FC features에 대한 신경생리학적 해석은 없었나요?
추가적인 comment로는, 1) 본 연구에서 사용한 resting state EEG는 눈 감은 상태이기때문에 따로 ICA 같은 방법을 사용하여서 EOG 를 제거하지 않은 것 같은데요, 사실 눈을 감더라도 눈을 양쪽으로, 혹은 위아래로 굴리는 등의 artifact가 발생하기 때문에 적절한 artifact removal이 필요하다고 사료됩니다. 특히나 functional connectivity는 artifact에 취약고, 이러한 artifact들 때문에 spurious connection이 발생하기 때문에 pre-processing을 세밀하게 해 주는 것이 중요합니다. 2) 정상인이 pain을 느낄때와 특정 환자들이 pain을 느낄 때의 brain activity or networks 가 판이하게 다를 것 같습니다. 따라서 정상인을 대상으로 추출한 biomarkers를 환자들에게 그대로 적용하여 동일한 수준의 진단(분류) 정확도를 도출해 내는 것은 무리가 있지 않을까 하는 의견입니다.
좋은 질문과 comment 감사합니다 :
논문에 있는 내용을 바탕을 설명 드리면,
1) high sensitive로 분류된 group에서 anxiety와 depression이 높게 측정 된 것을 확인할 수 있었으며, 이 부분에서 high sensitive와 low sensitive group간의 명확한 차이가 나타났습니다.
(실제로 pain과 감정적 요인의 상관 관계를 제시한 논문이 있었습니다.)
2, 3) 조금 더 정확한 답변을 드리고자 PSD와 FC에 대한 내용은 조금 더 살펴본 후에 다음 저널 리뷰(4월 29일)전까지 답변을 드리도록 하겠습니다. 죄송합니다.
답변이 늦어 죄송합니다. 지난번에 답변 드리지 못한 부분에 대해 답변을 드리도록 하겠습니다.
2) Functional connectivity measure는delta, theta, alpha, beta, gamma 밴드입니다.
3) 이 답변이 질문에 부합하는 답변인지는 확실하지 않으나, 본 논문에서는 SVM 알고리즘으로 PSD와 FC feature로 pain sensitivity를 예측할 수 있고, 신경생리학적 데이터가 통증 인식 과정에서 중추적인 signature가 될 수 있음을 추가로 확인했다는 언급이 있었습니다.
좋은 발표 감사합니다. heat pain sensitivity를 뇌파로 분류를 하였다는 점에서 상관관계를 살펴볼 수 있어서 흥미로웠습니다. 흥미로운 주제에 대해 소개해주셔서 감사합니다.
들어주셔서 감사합니다 : )
좋은 발표 감사합니다!
통각과 뇌파의 상관관계가 매우 흥미로웠습니다!
들어주셔서 감사합니다 : )
열에 대한 통증을 EEG로 해석할 수 있다는 점이 흥미로웠습니다! 좋은 발표 감사합니다!
들어주셔서 감사합니다 : )
좋은 발표 감사합니다. EEG로 열에 대한 통증을 예측할 수 있다는 흥미로운 사실을 새롭게 알 수 있었습니다! 감사합니다!
들어주셔서 감사합니다 : )
흥미로운 발표 감사합니다. 몇가지 궁금한 부분이 있어 질문드리자면,
1) 85명의 피험자 그룹을 HPT를 기준으로 high 43명 /low 42명 으로 나누었다고 하셨는데 단순히 HPT 값을 반정도로 나누어서 high, low라고 grouping하는지 아니면 HPT가 일반적으로 high, low sensitivity에 대한 통용되는 기준이 이미 설정이 되어있는지(ex. HPT 10정도면 high sensitivity이다) 궁금합니다.
2) feature로 사용된 psy는 'materials and method' 부분에서 언급된 PSQI, PCS, HADS, RLCQ 네가지 지표 중 어떤 걸 사용했는지, 임의로 이 지표중에 선택을 한가지만 한거라면 feature로 사용할 지표를 어떤 기준으로 선정했는지 궁금합니다. 그리고 psy라는 지표가 어떻게 계산된건지, 어떤 상태를 나타내는지 궁금합니다.
3) PSD도 사용한 대역 정보와 대역을 선정한 reference가 있는지 궁금합니다.
4) 마지막으로 임상사용 가능성을 말씀해주셨는데 heat 뿐만 아니라 다양한 pain sensitivity는 환자 대상으로 상태 경중을 판단하거나 치료 방법을 설정하기 위해 필요한 지표라고 생각이 됩니다. 임상에서 EEG 기반이 아니더라도 pain sensitivity를 측정하는 measure가 따로 없는지 궁금합니다.
좋은 질문 감사합니다 : )
논문에 있는 내용을 바탕으로 답변을 드리자면,
1) 피험자 85명의 HPT에 대한 평균값을 기준으로 평균값보다 높으면 high sensitive로, 평균값보다 낮거나 같으면 low sensitive로 분류하였습니다.
2) Psy는 PSQI, PCS, HADS, RLCQ(추가로 PSS도 사용하였습니다)는 설문지에 대한 결과를 척도를 사용하여 수치화한 것으로서, 5가지 모두 psy(psychometric)에 대한 데이터이며, 이 중에서 high sensitive와 low sensitive가 명확하게 구분되는 'PCS, HADS_Anxiety, HADS_Depression' 이 세가지를 psy type의 feature로 select하였습니다.
3) Rasting-state EEG 데이터는 delta, theta, alpha, beta, gamma 대역에서 측정이 되었고, 따라서 PSD와 FC도 delta, theta, alpha, beta, gamma 대역에서 사용했다고 보시면 될 것 같고, reference는 Fz위치의 전극으로 선정하였습니다.
4) 제가 이 부분에 대해서는 자세히 알지는 못하지만, 다른 논문에서는 통증의 세기(pain intensity)를 척도로 통증의 세기를 수치화 하였습니다.
@@Ahyun_Kim 자세한 답변 감사합니다!
좋은 발표 감사드립니다. 특히 열에 대한 민감도에 따라서 뇌파로 분류가 가능하다는 점에서 흥미로운 연구였던 것 같습니다.
발표를 보다 궁금한 사항이 생겨서 질문드립니다. 1) 데이터에 대한 전처리를 진행할 때 ICA를 거친 후 그에 대한 component를 육안으로 판단해서 noise를 뺀것이 아닌지 생각이들어서 전처리를 할때 논문에서 정말 단순히 육안으로만 노이즈를 제거하였다고 언급이 되어있었던 것인지 궁금합니다.
좋은 질문 감사합니다 : )
논문에 있는 내용을 바탕으로 답변을 드리자면,
본 논문에서는 ICA에 대한 언급은 없었으며, 전처리 과정에서는 육안으로 artifact를 제거하고, PCA를 활용하여 ECG와 EOG에 대한 artifact도 제거했다고 설명하였습니다.
좋은 발표 감사합니다.
몇 가지 궁금한 사항이 있어서 질문 드립니다.
1. HPT data에서 High와 Low-sensitive를 나눈 기준이 단순히 높은 온도에서 열에 대한 통증을 느낀 온도로 나뉜 것인지 아니면 기준을 나누는데 사용된 방법이 더 있는지 궁금합니다.
2. linear SVM과 quadratic SVM, cubic SVM에 FC feature와 PSD featrue를 같이 사용하거나 FC만 사용한 경우는 있는데 PSD만 사용한 경우는 따로 언급된 것이 없었나요?
좋은 질문 감사합니다 : )
논문에 있는 내용을 바탕으로 답변드리자면,
1. 피험자 85명의 HPT에 대한 평균값을 기준으로 평균값보다 높으면 high sensitive로, 평균값보다 낮거나 같으면 low sensitive로 분류하였습니다.
2. 분류 정확도를 확인하기 위하여 사용된 모델은 feature type별 동일하며, 다만 결과를 봤을 때 분류 정확도의 높게 나온 모델 만을 표로 제시한 것으로 보입니다. 특히, PSD만을 사용한 모델 중에서는 Fine gaussian SVM에서 비교적 높게 나왔다고 보시면 될 것 같습니다.
@@Ahyun_Kim 답변 감사합니다.
재미있는 연구 소개 감사드립니다. Heat pain sensitivity 라는 재미있는 주제를 잘 설명해주셔서 감사드립니다. 몇가지 질문이 있는데요,
1) Heat pain senstivity 라는 지표가 임상에서 어떠한 의미를 지니고 있는지? (이 지표로 할 수 있는 것이 무엇이 있어서, 이것을 예측하는 것이 어떤 의미가 있는지요?)
2) 지표별로 사용한 model 이 SVM으로 동일하긴 하지만 parameter 가 다른것 같은데, 모든 parameter에 대해서 결과를 계산해 보고 논문에선 그 중 몇몇 결과만을 뽑아서 보여준 것인지요? 동일한 parameter 가 아니라서 결과를 직접 비교하기엔 약간 무리가 있는 것 같아서 여쭙니다
3) 결과 table을 보면 feature별로 갯수가 몇 개인지 나와있는데, 이 개수를 모두 사용한 것인지요? 아니면 dimension reduction을 진행한 후에 일정 개수를 선별하여 진행한 것인지요?
감사합니다.
좋은 질문 감사합니다 : )
논문에 있는 내용을 바탕으로 답변을 드리자면,
1. 본 논문에서는 pain senstivity를 평가하는 것은 precision medicine에서 중요한 부분이라는 언급이 있었으며, 향후 연구가 더 진행이 되어야 하지만, heat pain senstivity에 대한 분류 정확도가 80%정도 나온 결과를 통해 실제 임상에서도 EEG 데이터를 통해 환자의 heat pain senstivity를 구별할 수 있을 것으로 생각됩니다.
2. 본 논문에서는 feature type 별로 다른 Kernel에 대한 SVM과 KNN model이 동일하게 사용되었으며, 지표별로 제시한 결과는 높은 성능의 분류 정확도를 가진 model에 대해서만 제시를 한 것입니다.
3. Psy와 PSD, FC에서 high sensitive와 low sensitive사이에 명확한 차이가 있는 feature를 select하였고, 그 결과 Psy는 3개, PSD는 85개, FC는 145개의 feature가 high sensitive와 low sensitive사이에 명확한 차이가 나타났다고 보시면 될 것 같습니다.
좋은 발표 감사합니다. 몇가지 궁금한 사항이 있어 질문드립니다.
1. PSD와 functional connectivity를 통해 분류를 함에 있어서 전처리 과정의 1-40 Hz 전체 대역을 그대로 사용한 것인지, 아니면 별도의 주파수 대역을 선정하여 사용하였다고 언급된 부분이 있을까요? 2. Pain sensitivity 정도를 EEG 기반으로 분류하는것에 어떠한 이점이나, pain sensitivity를 구분함으로서 재활이나, 치료와 같은 다른 영역에서 이 정보가 활용되는 방향에 대해 언급된 부분이 있었는지 궁금합니다.
좋은 질문 감사합니다 : )
논문에 있는 내용을 바탕으로 설명드리자면,
1. 전처리 과정은 모든 데이터를 1-40 Hz로 동일하게 하였고, delta, theta, alpha, beta, gamma 대역에서 high sensitive와 low sensitive가 명확하게 구분되는 featrue를 select하였습니다.
2. 본 논문에서 pain senstivity를 평가하는 것은 precision medicine에서 중요한 부분이라는 언급은 있었지만, 다른 영역에서 어떻게 활용된다는 언급은 따로 없었던 것 같습니다. 또한, Pain sensitivity를 EEG 기반으로 분류하는 것에 대한 이점에 대한 언급은 없었지만, resting-state의 뇌 활동이 pain senstivity와 관련이 있다는 언급을 통해 EEG 기반으로 pain senstivity가 가능하다고 볼 수 있을 것 같습니다.
@@Ahyun_Kim 답변 감사합니다.
좋은 발표 감사합니다. heat pain sensitivity 얻어 내서 실제 임상에 어떻게 활용 할 수 있는지 궁금합니다.
좋은 질문 감사합니다 : )
논문에서는 실제 임상에 어떻게 활용 할 수 있을지에 대한 언급은 없었지만, pain senstivity를 평가하는 것은 precision medicine에서 중요한 부분이라는 언급이 있었습니다. 이를 통해, heat pain sensitivity와 같은 환자마다 다른 여러가지 정보들을 종합적으로 분석하여 최적의 치료 방법을 제공하는 의료 서비스에 활용될 수 있을 것으로 생각됩니다.
좋은 발표 감사드립니다.
몇 가지 궁금한 점이 있는데, 분류 과정에서 Leave-one-out CV를 사용하였는데, 전체 dataset이 85명인걸 감안하면 65개의 training data가 이해가 가질 않는데, 전체 피험자 set을 사용한 것이 아닌지 궁금합니다!
또한, Result 부분의 Fig.7을 보면 모든 분류 정확도가 5의 배수로 딱 떨어지는데, 혹시 분류 정확도에 추가적인 작업을 한 결과인지 궁금합니다!
감사합니다.
좋은 질문 감사합니다 : )
논문에 있는 내용을 바탕으로 설명드리자면,
85개 데이터 중 65개의 데이터로 training과 test를 진행 했다고 생각하시면 될 것 같습니. 또한, Fig.7에 대한 결과는 20개의 데이터로 본 논문에서 사용된 모델이(가상으로) 실제 임상에 사용될 수 있을지 확인하기 위하여 20개의 데이터를 가지고 모델의 정확도를 예측해본 결과로 이해하시면 될 것 같습니다.
@@Ahyun_Kim 답변 감사드립니다!!
발표 감사합니다. 같은 대역대 뇌파로 열 통증 민감도 외에, 불쾌감이나 고통의 정도와 같은 것들도 구분하거나 정량화가 가능할까요?
좋은 질문 감사합니다 : )
논문에 있는 내용을 바탕으로 답변을 드리자면,
척도를 사용하여 통증의 정도를 수치화한 다른 논문은 있었지만, 본 논문에서는 열 통증 민감도 이외에 발생할 수 있는 불쾌감이나 고통의 정도를 따로 구분하거나 정량화하지는 않았습니다.
좋은 발표 감사합니다. 제가 놓친 부분이 있는 건지 몇 가지 궁금한 점이 있어 질문드립니다.
1. 85개의 데이터 중 65개의 데이터를 Leave-one-out CV를 통해 training하고 25개의 데이터를 test로 썼다고 하셨는데 65개의 데이터는 모델 구축과 그 모델의 accuracy를 도출하는데 쓰이고 남은 25개의 데이터는 fig.7과 같이 새로운 데이터로 가정하고 test했다고 이해하면 되는 건가요? 일반적으로 training/test data와는 이해하는 게 조금 다른 것 같아 질문드립니다.
2. high sensitive와 low sensitive는 특정 기준값이 따로 정해져있는지, 아니면 65명의 상위 50%와 하위 50%로 나눈건지도 궁금합니다. 그 기준이 일반적으로 사용되는 건가요??
3. PSD와 FC를 feature로 사용하였는데 특정 대역을 사용한 건지 전체 대역을 한 번에 사용한 건지 궁금합니다.
좋은 질문 감사합니다 : )
논문에 있는 내용을 바탕으로 답변을 드리겠습니다.
1. 저도 논문을 읽으면서 이 부분에 대해서 가장 의문이 많았는데, 85개 데이터 중 65개의 데이터로 training과 test를 진행 했다고 생각하시면 될 것 같고, 20개의 데이터는 본 논문에서 사용된 모델이(가상으로) 실제 임상에 사용될 수 있을지 확인하기 위하여 모델의 정확도를 예측해본 결과로 이해하시면 될 것 같습니다.
2. 본 논문에서 피험자 85명을 대상으로 high sensitive와 low sensitive로 분류를 진행하였으면, 85명의 HPT의 평균값을 기준으로 평균값보다 높으면 high sensitive로, 평균값보다 낮거나 같으면 low sensitive로 분류하였습니다.
3. Rasting-state EEG 데이터는 delta, theta, alpha, beta, gamma 대역에서 측정이 되었고, 따라서 PSD와 FC도 delta, theta, alpha, beta, gamma 대역에서 사용했다고 보시면 될 것 같습니다.
@@Ahyun_Kim 답변 감사합니다!!
흥미로운 연구 소개 감사합니다. 65 training dataset, 20 test dataset으로 사용되었다고 말씀하셨는데, 여기서 dataset을 subject로 이해하면 될까요?? psychometric 데이터와 heat pain이 얼마나 correlation을 가지는지 본연구에서 소개 된 부분이 있을까요? 만약 어느정도 연관성이 있다면, 그리고 heat pain을 일반적인 다른 pain과 일반화 시킬수 있다면, 해당 데이터로 classification이 아니라 regression을 해서 사람별로 pain에 대한 prediction모델을 만들어보는 것도 재밌을 것 같네요~!
좋은 질문 감사합니다 : )
논문에 있는 내용을 바탕으로 답변을 드리자면,
먼저, 말씀하신 대로 dataset을 subject로 이해하시면 될 것 같습니다. 또한, high sensitive로 분류된 group에서 psychometric 데이터 중 anxiety와 depression이 높게 측정 된 것을 확인할 수 있었으며, 본 논문에서도 추후에 regression을 사용하여 더 많은 데이터를 가지고 다양한 pain senstivity를 나타내는 시험이 필요하다고 제안했습니다.
재미있는 연구 발표 감사합니다. 뇌파로 통증에 얼마나 민감한지를 예측할 수 있다는게 신기하네요
한가지 궁금한 사항이 있어서 질문 드립니다.
-결국 high sensitive 와 low sensitive가 class를 나누는 기준이 된 것 같은데, 사람 수가 정확히 반반으로 나뉜게 조금 의문이 드네요. 만약 온도에 따라 내림차순으로 순서를 정한거라면 중앙값에 가까이 있는 사람들은 그 기준이 모호할 것 같은데 이에 대한 언급이 있었는지 궁금합니다.
좋은 질문 감사합니다 : )
논문에 있는 내용을 바탕으로 답변드리자면,
피험자 85명의 HPT에 대한 평균값을 기준으로 평균값보다 높으면 high sensitive로, 평균값보다 낮거나 같으면 low sensitive로 분류하였는데, 추후에 더 정확한 결과를 얻기 위해서 heat pain sensitive에 대한 평가 척도가 필요하지 않을까 생각됩니다.
@@Ahyun_Kim 답변 감사합니다. 말씀하신 것처럼 정확한 척도가 필요할 것 같고, 오히려 분류보단 회귀분석을 통해 error를 계산 하는 것이 더 좋았을 것 같다는 생각이 드네요
@@Hyungtak_Lee 본 논문에서도 추후에 regression을 사용하여 더 많은 데이터를 가지고 다양한 pain senstivity를 나타내는 시험이 필요하다고 제안했습니다.
흥미로운 주제와 발표 감사합니다.
1. 다른 연구원 분들도 같은 질문을 해주신 것 같은데 heat-sensitivity를 구분할 때에 구분경계가 불분명한 것 같은데 이 점이 궁금하며, 추후에 임상에도 사용한다고 하셨는데 heat-sensitivity를 구분하는 것이 어떤 필드에 사용될 수 있을까요?
2. 분류를 위한 feature로 psy, PSD, fc 3가지를 사용하고 그 feature 조합에 따라 분류 정확도를 나타내었는데 1) 1가지의 단일 feature를 사용하였을 때 분류 정확도를 비교한 슬라이드에서 모두 같은 SVM이기는 하나 모두 다른 특성을 가지고 있는 것 같은데 이를 통일 하지 않고 fc피처를 사용하였을 때 분류 정확도가 가장 좋았다고 하기에는 조심스러울 것 같습니다. 2) 또한 psy와 fc를 함께 사용했을 때의 정확도와 fc를 단일로 사용했을 때의 정확도가 거의 차이가 나지 않으며 psy를 단일로 사용했을 때에 정확도가 매우 낮은 점을 고려하였을 때 psy feature가 그리 큰 역할을 하지 않는 것으로 보이는데 이 부분에 대해서는 어떻게 생각하실까요? 3) 3가지 모든 feature를 함께 사용했을 때의 정확도가 fc 단일로 사용하였을 경우 보다 낮은 점을 보면 역시 PSD feature 또한 긍정적인 역할은 하지 않을 것으로 보입니다. 이 부분을 고려하였을 때 feature selection을 적용해보거나 적용했을 때에 fc feature만 사용되었다는 부분은 없을까요?
좋은 질문 감사합니다 : )
논문에 있는 내용을 바탕으로 답변을 드리자면,
1. heat pain senstivity는 피험자 85명의 HPT에 대한 평균값을 기준으로 평균값보다 높으면 high sensitive로, 평균값보다 낮거나 같으면 low sensitive로 분류하였습니다. 또한, 본 논문에서 pain senstivity를 평가하는 것은 precision medicine에서 중요한 부분이라는 언급이 있었는데, 이를 통해 heat pain senstivity에 대한 분류 또한 precision medicine에 사용될 수 있지 않을까 생각됩니다.
2. 1) 각 모델에 대한 분류는 모두 동일하게 이루어졌고, 분류 정확도가 좋은 모델에 대한 결과만 제시하였습니다.
2) 제 생각도 psy가 heat pain senstivity를 분류하는데 큰 역할을 하지 않는다고 생각합니다. 실제로 본 연구에서 피험자 85명에 대한 psy에서 유의미한 feature는 3개(pain catastrophizing, anxiety, depression)였으며, 추가로 진행된 모델 성능 확인에 사용된 20개의 testing data에서 psy에 대한 유의미한 feature는 2개(anxiety, depression)였습니다. 이러한 결과로 생각해봤을 때, 그룹이 어떻게 형성되어 있는지에 따라 psy에서 유의미한 feature가 다를 수 있고, 따라서 feature type을 PSD와 FC만 추출하는 것이 더 효율적이지 않을까 생각됩니다.
3) 질문에 대해 제가 알고 있는 내용으로 최대한 답변을 드리자면, 65개의 데이터(training data)에 대한 정확도로만 확인했을 때는 3가지 모든 feature를 함께 사용했을 때의 정확도가 fc 단일로 사용하였을 경우 보다 낮았지만, 추가로 20개에 대한 데이터로 분류 성능을 확인했을 때(이 경우는 실제 임상에 사용할 수 있는지 가상으로 테스트를 진행한 결과로 이해하시면 될 것 같습니다.) 결과(Fig7)를 보시면 PSD+FC와 PSD+Psy+FC에서 80%의 분류 정확도를 얻은 것을 확인하실 수 있고, 이 결과를 봤을 때 PSD가 긍정적인 역할을 했다고 판단할 수 있지 않을까 생각됩니다.
@@Ahyun_Kim 상세한 답변 감사합니다!
좋은 논문 발표 감사드립니다. 중간에 궁금한게 85명의 피험자들을 high or low senistive로 나눈다고했는데 기준이 어떻게 되나요? 그리고 preprocessing에서 육안으로 artifact를 제거하면 결국 data에 대한 신뢰성을 잃게 되는것 아닌가요?
좋은 질문 감사합니다 : )
논문에 있는 내용을 바탕으로 답변을 드리자면,
먼저, 피험자 85명의 HPT에 대한 평균값을 기준으로 평균값보다 높으면 high sensitive로, 평균값보다 낮거나 같으면 low sensitive로 분류하였습니다.
또한, 전처리 과정에서 육안으로 artifact를 제거할 때는 확연하게 드러나는 artifact만을 제거하는 것으로 알고 있으며, 본 논문에서는 육안으로 artifact를 제거할 뿐만 아니라 PCA를 활용하여 ECG와 EOG에 대한 artifact도 제거한다고 설명하였습니다.