Advertisement

Der Schmerz

, Volume 30, Issue 3, pp 248–256 | Cite as

Mimische Aktivität differenzierter Schmerzintensitäten

Korrelation der Merkmale von Facial Action Coding System und Elektromyographie
  • K. Limbrecht-Ecklundt
  • P. Werner
  • H. C. Traue
  • A. Al-Hamadi
  • S. Walter
Originalien

Zusammenfassung

Hintergrund

Die Analyse von mimischer Aktivität zur Abschätzung der Schmerzintensität bietet eine Möglichkeit, den Bedarf an Schmerzmedikation auch bei Patienten zu ermitteln, die nicht zu verbalen Schmerzäußerungen in der Lage sind.

Ziel der Arbeit

In dieser Studie wurden das Facial Action Coding System (FACS) und die Elektromyographie (EMG)-Analyse des M. zygomaticus und des M. corrugator supercilii als 2 Verfahren zur Analyse mimischer Aktivität miteinander verglichen, um die Gütekriterien der EMG für ein Schmerzmonitoring zu überprüfen.

Material und Methoden

Mithilfe einer Thermode wurden 87 Studienteilnehmern Schmerzintensitäten in Form von Hitzereizen am rechten Unterarm in 2 identischen Experimentalsequenzen appliziert, einmal ohne und einmal mit EMG.

Ergebnisse

Es zeigte sich, dass durch FACS die Schmerzschwelle und Schmerztoleranz signifikant unterschieden werden können. Multiple Regressionen zeigen einen signifikanten prädiktiven Wert für spezifische Muskelgruppen. Die Korrelationsanalysen zwischen EMG und Schmerzintensität und FACS und Schmerzintensität waren hochsignifikant. Die Korrelationen von EMG und FACS weisen einen niedrigen Zusammenhang auf, wobei das EMG deutlich stärker mit der Schmerzintensität korreliert.

Diskussion

Die Ergebnisse verdeutlichen, dass die Mimikanalyse durch FACS signifikant Schmerzzustände detektiert. Aufgrund des hohen personellen und zeitlichen Aufwands erscheint ein Einsatz von FACS aktuell nicht sinnvoll. Automatisierte Erkennungen von Mimik befinden sich in der Entwicklung, sind jedoch bisher abhängig von perfekten Rahmenbedingungen (Beleuchtung etc.). Der Einsatz von EMG-Analysen könnte eine Alternative darstellen, um ein kontinuierliches Monitoring von Patienten im Akutschmerzbereich zu ermöglichen.

Schlüsselwörter

Schmerzüberwachung Schmerzerfassung Mimik FACS EMG 

Mimic activity of differentiated pain intensities

Correlation of characteristics of Facial Action Coding System and electromyography

Abstract

Background

The monitoring of facial expressions to assess pain intensity provides a way to determine the need for pain medication in patients who are not able to do so verbally.

Objectives

In this study two methods for facial expression analysis – Facial Action Coding System (FACS) and electromyography (EMG) of the zygomaticus muscle and corrugator supercilii – were compared to verify the possibility of using EMG for pain monitoring.

Material and methods

Eighty-seven subjects received painful heat stimuli via a thermode on the right forearm in two identical experimental sequences – with and without EMG recording.

Results

With FACS, pain threshold and pain tolerance could be distinguished reliably. Multiple regression analyses indicated that some facial expressions had a predictive value. Correlations between FACS and pain intensity and EMG and pain intensity were high, indicating a closer relationship for EMG and increasing pain intensity. For EMG and FACS, a low correlation was observed, whereas EMG correlates much better with pain intensity.

Conclusions

Results show that the facial expression analysis based on FACS represents a credible method to detect pain. Because of the expenditure of time and personal costs, FACS cannot be used properly until automatic systems work accurately. The use of EMG seems to be helpful in the meantime to enable continuous pain monitoring for patients with acute post-operative pain.

Keywords

Pain monitoring Pain measurement Facial expression FACS EMG 

Notes

Einhaltung ethischer Richtlinien

Interessenkonflikt

K. Limbrecht-Ecklundt, P. Werner, H.C. Traue und S. Walter geben an, dass kein Interessenkonflikt besteht.

Alle im vorliegenden Manuskript beschriebenen Untersuchungen am Menschen wurden mit Zustimmung der zuständigen Ethik-Kommission, im Einklang mit nationalem Recht sowie gemäß der Deklaration von Helsinki von 1975 (in der aktuellen, überarbeiteten Fassung) durchgeführt. Von allen beteiligten Patienten liegt eine Einverständniserklärung vor.

Finanzielle Förderung an Harald C. Traue durch die Deutsche Forschungsgemeinschaft (DFG) im Projekt „Weiterentwicklung und systematische Validierung eines Systems zur automatisierten Schmerzerkennung auf der Grundlage von mimischen und psychobiologischen Parametern“ (DFG/TR 233/12-1). Das Projekt wurde von der Ethikkommission der Universität Ulm evaluiert und erfüllt alle ethischen und berufsrechtlichen Kriterien (Aktz. 196/10-UBB/bal. vom 16.9.2010).

Literatur

  1. 1.
    Kunz M, Mylius V, Schepelmann K, Lautenbacher S (2004) On the relationship between self-report and facial expression of pain. J Pain 5:368–376CrossRefPubMedGoogle Scholar
  2. 2.
    Prkachin KM, Solomon PE (2008) The structure, reliability and validity of pain expression: evidence from patients with shoulder pain. Pain 139:267–274CrossRefPubMedGoogle Scholar
  3. 3.
    Kunz M, Mylius V, Scharmann S, Schepelman K, Lautenbacher S (2009) Influence of dementia on multiple components of pain. Eur J Pain 13:317–325CrossRefPubMedGoogle Scholar
  4. 4.
    Geuter S, Gamer M, Onat S, Büchel C (2014) Parametric trial-by-trial prediction of pain by easily available physiological measures. Pain 155:994–1001CrossRefPubMedGoogle Scholar
  5. 5.
    Mathew PJ, Mathew JL (2003) Assessment and management of pain in infants. Postgrad Med J 79:438–443CrossRefPubMedPubMedCentralGoogle Scholar
  6. 6.
    Kunz M, Scharmann S, Hemmeter U, Schepelmann K, Lautenbacher S (2007) The facial expression of pain in patients with dementia. Pain 133:221–228CrossRefPubMedGoogle Scholar
  7. 7.
    von Baeyer CL, Spagrud LJ (2007) Systematic review of observational (behavioral) measures of pain for children and adolescents aged 3 to 18 years. Pain 127:140–150CrossRefGoogle Scholar
  8. 8.
    Büttner W, Finke W (2008) Analysis of behavioural and physiological parameters for the assessment of postoperative analgesic demand in newborns, infants and young children: a comprehensive report on seven consecutive studies. Pediatr Anesth 10:303–318CrossRefGoogle Scholar
  9. 9.
    Simon D, Craig KD, Gosselin F, Belin P, Rainville P (2008) Recognition and discrimination of prototypical dynamic expressions of pain and emotions. Pain 135:55–64CrossRefPubMedGoogle Scholar
  10. 10.
    Deyo KS, Prkachin KM, Mercer SR (2004) Development of sensitivity to facial expression of pain. Pain 107:16–21CrossRefPubMedGoogle Scholar
  11. 11.
    Handel E (2010) Praxishandbuch ZOPA©: Schmerzeinschätzung bei Patienten mit kognitiven und/oder Bewusstseinsbeeinträchtigungen. Huber, BernGoogle Scholar
  12. 12.
    Ekman P, Friesen WV, Hager JC (2002) Facial action coding system. Research Nexus division, Salt Lake City UTGoogle Scholar
  13. 13.
    Hill ML, Craig KD (2002) Detecting deception in pain expressions: The structure of genuine and deceptive facial displays. Pain 98:135–144CrossRefPubMedGoogle Scholar
  14. 14.
    Hale CJ, Hadjistavropoulos T (1997) Emotional components of pain. Pain Res Manag 2:217–225CrossRefGoogle Scholar
  15. 15.
    Hadjistavropoulos T, LaChapelle DL, Hadjistavropoulos HD, Green S, Asmundson GJG (2002) Using facial expressions to assess musculoskeletal pain in older persons. Eur J Pain 6:179–187CrossRefPubMedGoogle Scholar
  16. 16.
    Prkachin KM, Craig KD (1995) Expressing pain: the communication and interpretation of facial pain signals. J Nonverbal Behav 19:191–205CrossRefGoogle Scholar
  17. 17.
    Prkachin KM (1992) The consistency of facial expressions of pain: a comparison across modalitie. Pain 51:297–306CrossRefPubMedGoogle Scholar
  18. 18.
    Czarnecki K, Brauer H, Köberlein J (2014) Schmerzmedizinische Versorgung von Patienten mit kognitiven Beeinträchtigungen. Dtsch Med Wochenschr 139:735–739CrossRefPubMedGoogle Scholar
  19. 19.
    Lucey P, Cohn JF, Lucey S, Matthews I (2009) Automatically detecting pain using facial actions International Conference on Affective Computing & Intelligent Interaction., S 1–8Google Scholar
  20. 20.
    Lucey P, Cohn JF, Prkachin KM, Solomon PE, Chew S, Matthews I (2012) Painful monitoring: Automatic pain monitoring using the UNBC-McMaster shoulder pain expression archive database. Image Vis Comput 30:197–205CrossRefGoogle Scholar
  21. 21.
    Werner P, Al-Hamadi A, Niese R, Walter S, Gruss S, Traue HC (2014) Automatic pain recognition from video and biomedical signals 22nd International Conference on Pattern Recognition, Stockholm., S 4582–4587Google Scholar
  22. 22.
    Walter S, Gruss S, Limbrecht-Ecklundt K, Traue HC, Werner P, Al-Hamadi A et al (2014) Automatic pain quantification using autonomic parameters. Psychol Neurosci 7:363–380CrossRefGoogle Scholar
  23. 23.
    Gruss S, Treister R, Werner P, Traue HC, Crawcour S, Andrade A et al (2015) Pain intensity recognition rates via biopotential feature patterns with support vector machines. PloS One 10:e0140330CrossRefPubMedPubMedCentralGoogle Scholar
  24. 24.
    Andrade AO (2005) Decomposition and analysis of electromyographic signals. University of ReadingGoogle Scholar
  25. 25.
    Kappesser J, de Williams ACC (2002) Pain and negative emotions in the face: judgements by health care professionals. Pain 99:197–206CrossRefPubMedGoogle Scholar
  26. 26.
    Tan J‑W, Walter S, Scheck A, Hrabal D, Hoffmann H, Kessler H et al (2012) Repeatability of facial electromyography (EMG) activity over corrugator supercilii and zygomaticus major on differentiating various emotions. J Ambient Intell Humanzied Comput 3:3–10CrossRefGoogle Scholar

Copyright information

© Deutsche Schmerzgesellschaft e.V. Published by Springer-Verlag Berlin Heidelberg - all rights reserved 2016

Authors and Affiliations

  • K. Limbrecht-Ecklundt
    • 1
  • P. Werner
    • 2
  • H. C. Traue
    • 3
  • A. Al-Hamadi
    • 2
  • S. Walter
    • 3
  1. 1.Schmerzmedizin und Schmerzpsychologie, Zentrum für Anästhesiologie und Intensivmedizin, Klinik und Poliklinik für AnästhesiologieUniversitätsklinikum Hamburg-Eppendorf (UKE)HamburgDeutschland
  2. 2.Institut für Informations- und KommunikationstechnikOtto-von-Guericke-Universität MagdeburgMagdeburgDeutschland
  3. 3.Sektion Medizinische PsychologieUniversität UlmUlmDeutschland

Personalised recommendations