面向重症监护病房面部动作单元检测的端到端机器学习框架
计算机视觉与模式识别
2022-11-15 v1 人工智能
摘要
疼痛是入住重症监护病房（ICU）患者的常见现象。ICU 患者的疼痛评估对临床医生和 ICU 工作人员仍是一项挑战，尤其是在非言语镇静、机械通气和插管患者中。当前基于人工观察的疼痛评估工具受限于观察频次，且主观依赖于观察者。面部行为是此类观察工具的主要组成部分。此外，已有文献显示利用面部动作单元（AUs）检测疼痛性面部表情的可行性。然而，这些方法局限于受控或半受控环境，从未在临床环境中验证。在本研究中，我们呈献 Pain-ICU 数据集，这是面向动态 ICU 环境下面部行为分析的最大可用数据集。我们的数据集包含来自佛罗里达大学健康 Shands 医院 ICU 的 49 名成年患者的 76,388 帧患者面部图像，标注了 AUs。本工作中，我们评估了两种视觉 transformer 模型，即 ViT 和 SWIN，在 Pain-ICU 数据集及外部数据集上的 AU 检测表现。我们开发了完全端到端的 AU 检测流水线，目标是在 ICU 中实现实时 AU 检测。SWIN transformer Base 变体在 Pain-ICU 数据集的留出测试划分上取得了 0.88 的 F1 分数和 0.85 的准确率。
引用
@article{arxiv.2211.06570,
title = {End-to-End Machine Learning Framework for Facial AU Detection in Intensive Care Units},
author = {Subhash Nerella and Kia Khezeli and Andrea Davidson and Patrick Tighe and Azra Bihorac and Parisa Rashidi},
journal= {arXiv preprint arXiv:2211.06570},
year = {2022}
}