A funcionalidade de pesquisa está em construção.
A funcionalidade de pesquisa está em construção.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

Multimodal-Based Stream Integrated Neural Networks for Pain Assessment Redes Neurais Integradas de Fluxo Multimodal para Avaliação da Dor

Ruicong ZHI, Caixia ZHOU, Junwei YU, Tingting LI, Ghada ZAMZMI

  • Exibições de texto completo

    0

  • Cite isto

Resumo:

A dor é um fenômeno fisiológico essencial ao ser humano. A avaliação precisa da dor é importante para desenvolver o tratamento adequado. Embora o método de autorrelato seja o padrão-ouro na avaliação da dor, ele não é aplicável a indivíduos com comprometimento comunicativo. Indicadores não-verbais de dor, como expressões faciais relacionadas à dor e alterações nos parâmetros fisiológicos, podem fornecer informações valiosas para a avaliação da dor. Neste artigo, propomos uma rede neural integrada de fluxo baseada em multimodal com diferentes taxas de quadros (SINN) que combina expressão facial e sinais biomédicos para avaliação automática da dor. As principais contribuições desta pesquisa são três. (1) Existem quatro entradas de fluxo do SINN para extração de características de expressão facial. As características faciais variantes são integradas às características biomédicas e as características articulares são utilizadas para avaliação da dor. (2) As características faciais dinâmicas são aprendidas de maneira implícita e explícita para melhor representar as mudanças faciais que ocorrem durante a experiência da dor. (3) Múltiplas modalidades são utilizadas para identificar vários estados de dor, incluindo expressão facial e sinais biomédicos. Os experimentos são conduzidos em conjuntos de dados de dor disponíveis publicamente e o desempenho é comparado com vários modelos de aprendizagem profunda. Os resultados experimentais ilustram a superioridade do modelo proposto, que atinge a maior precisão de 68.2%, o que é até 5% superior aos modelos básicos de aprendizagem profunda na avaliação da dor com classificação binária.

Publicação
IEICE TRANSACTIONS on Information Vol.E104-D No.12 pp.2184-2194
Data de publicação
2021/12/01
Publicitada
2021/09/10
ISSN online
1745-1361
DOI
10.1587/transinf.2021EDP7065
Tipo de Manuscrito
PAPER
Categoria
Interação Homem-Computador

autores

Ruicong ZHI
  University of Science and Technology Beijing,Beijing Key Laboratory of Knowledge Engineering for Materials Science
Caixia ZHOU
  University of Science and Technology Beijing,Beijing Key Laboratory of Knowledge Engineering for Materials Science
Junwei YU
  University of Science and Technology Beijing,Beijing Key Laboratory of Knowledge Engineering for Materials Science
Tingting LI
  University of Science and Technology Beijing,Beijing Key Laboratory of Knowledge Engineering for Materials Science
Ghada ZAMZMI
  University of South Florida

Palavra-chave