DeepFaceLIFT：用于自动估计自我报告疼痛的可解释个性化模型
计算机视觉与模式识别
2017-08-17 v1 人工智能
机器学习
摘要
先前基于面部表情自动估计疼痛的研究主要集中在“一刀切”的指标上（如 PSPI）。在本工作中，我们专注于直接估计每个个体的自我报告视觉模拟量表 (VAS) 疼痛指标，因为这被认为是疼痛测量的金标准。VAS 疼痛评分具有高度主观性和上下文依赖性，且其范围在不同个体间可能差异显著。为解决这些问题，我们提出了一种新颖的两阶段个性化模型，命名为 DeepFaceLIFT，用于自动估计 VAS。该模型基于 (1) 神经网络和 (2) 高斯过程回归模型，并通过一组手工设计的个性化特征与多任务学习，用于个性化自我报告疼痛的估计。我们在疼痛分析基准数据集（The UNBC-McMaster Shoulder Pain Expression Archive）上表明，所提出的个性化模型在很大程度上优于传统的非个性化模型：组内相关系数从 19% 的基线性能提升至 35% 的个性化性能，同时提供了对模型估计的置信度——这与现有的目标任务模型形成对比。此外，DeepFaceLIFT 自动发现每个人的疼痛相关面部区域，从而能够轻松解释与疼痛相关的面部线索。
引用
@article{arxiv.1708.04670,
title = {DeepFaceLIFT: Interpretable Personalized Models for Automatic Estimation of Self-Reported Pain},
author = {Dianbo Liu and Fengjiao Peng and Andrew Shea and Ognjen and Rudovic and Rosalind Picard},
journal= {arXiv preprint arXiv:1708.04670},
year = {2017}
}