近日，团队2023级研究生刘洁等在梁艳老师、潘家辉教授的共同指导下，和南方医科大学珠江医院谢秋幼主任团队合作，研究成果"A Dynamic Local-Global Spatiotemporal Transformer Network for Pain Intensity Estimation in Patients With Disorders of Consciousness"被生物医学工程领域国际权威期刊《IEEE Transactions on Biomedical Engineering》成功录用。该论文自2025年2月18日提交，于2025年11月13日被正式接收。

1. 研究背景

意识障碍（Disorders of Consciousness, DOC）的临床诊断面临严峻挑战，尤其在区分微意识状态（MCS）与植物状态/无反应觉醒综合征（VS/UWS）时，传统行为量表评估的误诊率高达40%以上。近年来，研究发现疼痛感知能力与意识水平存在显著相关性，为DOC的客观评估提供了新思路。然而，现有疼痛识别技术难以捕捉微弱且短暂的面部微表情变化，且缺乏对时空特征的深度挖掘，限制了其在临床诊断中的应用。

针对这一难题，本研究创新性地将深度学习与疼痛生理机制相结合，提出动态局部-全局时空Transformer网络，通过精准量化患者对疼痛刺激的面部反应，为DOC辅助诊断提供客观、高效的智能化工具。

2. 方法与结果

（1）动态局部-全局时空Transformer网络架构

本研究设计的DLGSTT网络开创性地融合了三重特征提取机制：全局多尺度特征提取模块（GM-FEM）捕获面部表情的整体形态变化，局部注意力特征提取模块（LAFEM）聚焦眼周、嘴角等关键区域的细微肌肉运动，离散余弦变换增强的时间Transformer编码器（DETTE）则精准建模表情动态演化的时序规律。该架构有效解决了传统方法在时空特征提取上的局限性，显著提升了疼痛微表情的感知灵敏度。

实验结果表明，DLGSTT网络在公共数据集UNBC-McMaster上疼痛强度估计的 Concordance Correlation Coefficient（CCC）达到0.892，在BioVid热痛数据集上准确率达94.7%，均超越当前主流算法4-6个百分点，展现出优秀的泛化能力。

（2）意识障碍临床验证与性别差异发现

团队在33名DOC患者（13例VS/UWS，15例MCS，5例EMCS）中开展疼痛刺激实验，采用标准化压痛装置诱发疼痛表情，并通过DLGSTT网络实时分析。结果显示：疼痛强度评分与CRS-R意识量表得分呈显著正相关（r=0.83, p<0.001），MCS组疼痛感知强度较VS/UWS组平均高出67.3%，验证了疼痛作为意识水平生物标志物的可靠性。

更具临床价值的是，研究首次揭示了DOC患者中性别对疼痛感知阈值的影响：女性患者的疼痛感知阈值为3.2±0.8 N，显著低于男性患者的4.5±1.1 N（p<0.01），且女性对中高强度疼痛的面部反应幅度较男性高29.4%。这一发现为临床制定性别特异性的意识评估标准提供了重要依据。

3. 结论

本研究提出的动态局部-全局时空Transformer网络，通过创新性融合多尺度时空特征与注意力机制，成功构建了基于面部表情的疼痛强度估计模型，为意识障碍的辅助诊断提供了客观、精准、可量化的智能评估工具。研究不仅验证了疼痛感知作为意识水平评估指标的有效性，更首次揭示了性别差异这一关键临床因素，为个性化诊疗开辟了新路径。

未来，团队将进一步扩大DOC患者队列规模，探索脑电-表情多模态融合机制，并联合多家三甲医院开展多中心临床验证，推动该技术早日转化为临床常规评估工具，切实提升我国意识障碍诊疗水平。