推进疼痛识别中的多模态数据融合：一种利用统计相关性和以人为本视角的策略

本研究提出了一种新颖的多模态数据融合方法，用于疼痛行为识别，该方法将统计相关性分析与以人为本的洞察相结合。我们的方法引入了两项关键创新：1) 将数据驱动的统计相关性权重整合到融合策略中，以有效利用来自异质模态的互补信息；2) 将以人为本的运动特征纳入多模态表示学习，以对疼痛行为进行详细建模。在各种深度学习架构上的验证表明，我们的方法具有优越的性能和广泛的适用性。我们提出了一个可定制的框架，根据统计显著性将每个模态与合适的分类器对齐，推进了个性化和有效的多模态融合。此外，我们的方法提供了多模态数据的可解释分析，有助于医疗保健中的可解释和可解释AI。通过强调数据多样性和模态特定表示的重要性，我们增强了传统融合技术，并为识别复杂疼痛行为设定了新标准。我们的发现对促进以患者为中心的医疗干预和支持可解释的临床决策具有重要意义。