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

Aug, 2023

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

Enhancing Machine Learning Performance with Continuous In-Session Ground Truth Scores: Pilot Study on Objective Skeletal Muscle Pain Intensity Prediction

PDF

Boluwatife E. Faremi, Jonathon Stavres, Nuno Oliveira, Zhaoxian Zhou, Andrew H. Sung

TL;DR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。

Abstract

machine learning (ML) models trained on subjective self-report scores struggle to objectively classify pain accurately due to the significant variance between real-time pain experiences and recorded scores afterwards. This study developed two devices for acquisition of real-time, conti

machine learning pain classification real-time pain scores endodermal activity ml performance

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

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

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

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

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

基于循环卷积神经网络回归的视频疼痛强度连续估计

本研究提出了一种基于循环卷积神经网络的实时回归框架，用于自动帧级疼痛强度估计，该方法通过考虑足够多的历史帧来预测每一帧的疼痛强度，并在模型内部参数规模限制方面取得了有前途的结果。

May, 2016

传统机器学习不容忽视：简单且可解释的技术在睡眠评分方面与深度学习相竞争

本研究比较了使用工程特征向量的传统机器学习模型（包括线性模型和梯度提升模型）与使用深度学习模型在睡眠暂停得分任务中的表现，并在公共数据集上展示了其具有竞争力的性能。观察到工程特征向量的表达力与深度学习模型内部学习的表示相当，这使得传统机器学习模型具有更好的可解释性和成功的历史，可以在临床中得到更好的应用。

Jul, 2022

基于集成学习的评估情感体验和生理变化动态

测量和数据分析等最新技术的应用为解决情感体验和生理变化之间的相似性问题提供了希望，开放科学和开放数据实践以及面向学术界的数据分析挑战也是解决这一问题的有希望的工具。

Dec, 2023

探究焦虑的生理特征的普适性

使用机器学习技术检测焦虑和压力的效果已得到证明，本研究通过对心电图 (ECG) 和电脑皮肤反应 (EDA) 信号提取的特征进行统计回归分析以及跨数据集验证的方法，第一次对焦虑和高度兴奋情绪之间的关系进行了跨数据集评估，发现模型可能更多地识别情绪激发而非压力。

Jan, 2024