使用个性化多任务学习进行生理和行为特征分析以评估伤害性疼痛

NIPSNov, 2017

使用个性化多任务学习进行生理和行为特征分析以评估伤害性疼痛

Physiological and behavioral profiling for nociceptive pain estimation using personalized multitask learning

Daniel Lopez-Martinez, Ognjen Rudovic, Rosalind Picard

TL;DR本研究提出了一种新的个性化多任务机器学习方法，利用个体生理和行为对痛苦的反应来估计疼痛水平，并在有多种反应的数据集中，表明其优势。

Abstract

Pain is a subjective experience commonly measured through patient's self report. While there exist numerous situations in which automatic pain estimation methods may be preferred, inter-subject variability in physiological and behavioral pain responses has hindered the development of such methods. In this work, we address this problem by introducing a novel

pain estimation multitask machine learning physiological response behavioral response nociceptive heat pain

发现论文，激发创造

基于生理信号的个性化疼痛识别多任务神经网络

研究基于神经网络的多任务学习方法，利用生理信号进行疼痛强度测量，以应对无法口头交流疼痛感受的患者，测试结果显示其在多模态生理反应的测试数据中表现良好。

Aug, 2017

面部表情自动估计个性化自报疼痛强度

该文章提出了一种基于面部表情的自动疼痛感知系统，使用递归神经网络和隐藏式条件随机场进行自动疼痛强度和视觉模拟评分的估计。通过引入每个人的面部表情得分进行模型的个性化定制，证明了个性化方法优于传统的非个性化方法。

Jun, 2017

利用远程生理测量预测视频序列中的非接触式疼痛识别

本文提出了一种新的多任务学习框架，使用非接触式的外貌变化和生理信号来进行自动疼痛识别，并通过关注机制和时空注意机制以及在辅助任务中从视频中恢复生理信号 (rPPG) 进行学习，取得了公共疼痛数据库中最先进的非接触式自动疼痛识别性能，表明 rPPG 预测可用作辅助任务来促进非接触式自动疼痛识别。

May, 2021

DeepFaceLIFT：自动估算自报疼痛感受的可解释个性化模型

本文提出了一种基于神经网络和高斯过程回归模型的个性化估计疼痛程度的方法 DeepFaceLIFT，并在 UNBC-McMaster 肩疼痛表情库上展示了较高的性能，同时提供了置信度估计及易于解释的面部表情区域。

Aug, 2017

基于神经网络的疼痛强度估计的不确定性量化

本研究提出了基于神经网络的方法来进行客观疼痛区间估计，并将不确定性量化纳入考虑。通过三种算法：bootstrap 方法、遗传算法优化的上下界估计（LossL）和梯度下降算法优化的改进上下界估计（LossS），实证结果表明 LossS 方法在提供更窄的预测区间方面优于其他两种方法。我们评估了 LossS 方法在三种不同的疼痛评估场景中的性能，包括广义方法（整个人群使用单一模型）、个人化方法（每个个体使用单独模型）和混合方法（每个个体群集使用单独模型），结果显示混合方法具有卓越的性能，在临床环境中具有显著的实用性。该方法有潜力成为临床医生的有价值工具，能够在进行客观疼痛强度评估时考虑不确定性，从而促进有效的疼痛管理，降低治疗不当所带来的风险。

Nov, 2023

慢性疼痛患者叙述可用于估计当前疼痛强度

本研究提出基于慢性疼痛患者个人经历的语言叙述对疼痛强度估计，通过使用计算模型，发现患者的语言特征确实提供了有关疼痛强度的信息。其中，轻度疼痛患者侧重动词的使用，而中度和重度疼痛患者则侧重副词、名词和形容词的使用。

Oct, 2022

EMOPAIN Challenge 2020：基于面部和身体表达的多模态疼痛评估

EmoPain 2020 挑战是第一个国际比赛，旨在创建一个统一的平台，用于比较机器学习和多媒体处理方法，以便从人类表情行为中进行自动慢性疼痛评估，并识别与疼痛相关的行为。该挑战旨在通过实时监测和反馈，帮助管理病情并保持身体活动，促进较少使用但至关重要的身体表达信号对于自动疼痛和疼痛相关情绪识别的使用。本文介绍了挑战的描述，比赛指南，基准数据集以及三个子任务的基线系统架构和性能：从面部表情中估计疼痛，从多模态运动中识别疼痛，以及检测保护性运动行为。

Jan, 2020

利用持续的会话内基准分数提高机器学习性能：客观骨骼肌疼痛强度预测的试点研究

使用连续的会话中真实疼痛评分显著增强了疼痛强度的机器学习性能，克服了真实评分稀疏性、数据不平衡和高方差等问题，该研究为未来基于客观的机器学习疼痛系统培训提供了重要参考。

Aug, 2023

疼痛语言的计算分析：系统综述

该研究旨在系统综述有关疼痛语言的计算处理的文献，无论是由患者还是医生产生，以确定当前的趋势和挑战。

Apr, 2024

自适应分层时空动态成像的疼痛分析

通过自适应分层时空动态图像（Adaptive Hierarchical Spatio-temporal Dynamic Image，AHDI）技术，我们在医疗保健和医学领域中引入了自动疼痛强度估计方法。该方法使用面部表情作为主要工具，利用 AHDI 将面部视频的时空变化编码为一个单一的 RGB 图像，并应用简化的二维深度模型进行视频表征。该技术框架中，我们采用残差网络来获得面部的广义表征，并针对两个任务进行优化：疼痛强度估计和真实与模拟疼痛表达的区分。方法在两个广泛使用的疼痛数据集上进行测试，在两个任务上均取得了令人鼓舞的结果。除了最小化对大量标记数据的需求外，我们的方法还提高了疼痛评估的精度，提供了更好的疼痛管理。

Dec, 2023