Jan, 2020

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

PDF
TL;DREmoPain 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。
发现论文，激发创造
  • 基于深度学习的自动面部识别系统用于成年脑性麻痹病人的疼痛评估

    研究使用深度学习技术构建面向脑瘫患者的自动面部表情识别系统，以提高神经病变和沟通障碍患者疼痛识别的准确性和敏感性。

    Jan, 2024

  • EmoNets: 多模深度学习方法用于视频情感识别

    本研究使用深度学习技术，以多模态方式，使用面部检测、音频流等模态，探索影片情感识别模型，成果在 2013 年的 EmotiW 挑战中成为获胜者，并在 2014 年的数据集上实现了约 47.67% 的准确率。

    Mar, 2015

  • 探索老年人与虚拟教练交互中的情绪表达识别

    EMPATHIC 项目的研究旨在设计一款情感表达丰富的虚拟教练，能够吸引健康老年人提高幸福感并促进独立老龄化。本文概述了虚拟教练的情感表达识别模块的开发，包括数据收集、标注设计和针对项目需求的第一种方法论。结果表明，研究的多模态方法在对老年人进行情感分类时具有信息量，并且通常优于其他方法（音频标签准确率约为 68％，视频标签准确率为 72-74％）。这些发现有助于有限的关于情感识别在老年人与人工智能交互中的文献。

    Nov, 2023

  • 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

  • AVEC 2016 - 抑郁症、情绪和情感识别研讨会和挑战

    这篇文章介绍了 “音频 / 视觉情感挑战和研讨会（AVEC 2016）” 的比赛指南，使用的数据和基线系统在情感分析任务方面的表现，该比赛旨在比较多媒体处理和机器学习方法的自动音频、视觉和生理抑郁症和情绪分析，并为多模态信息处理提供一个公共基准测试集。

    May, 2016

  • 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

  • 可解释的多模态情感识别：利用面部特征和生理信号

    本文介绍了一种融合了多种多样信息的多模态框架，通过将来自视觉面部特征和视频输入中提取的 rPPG 信号的信息融合从而实现情感理解。基于排列特征重要性分析的解释性技术用于计算 rPPG 和视觉模态对将给定视频分类到特定情感类别的贡献。IEMOCAP 数据集上的实验表明，从多个模态组合的互补信息可以提高情感分类性能。

    Jun, 2023

  • 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

    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。

    Nov, 2017

  • 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

  • 采用隐私合规特征进行野外多模态群体情绪识别

    本研究在 EmotiW Challenge 2023 中探索了符合隐私规范的野外群体情绪识别。提出的多模态模型通过视频和音频分支以及跨模态注意力实现，使用全局特征而避免使用个体特征，仅依靠分布在视频中的 5 个均匀帧即可达到相当高的准确率。

    Dec, 2023