L-SFAN：用于疼痛行为检测的轻量化空间聚焦注意力网络
信号处理
2025-02-20 v1 机器学习
摘要
慢性腰痛（CLBP）影响全球数以百万计的人口，显著影响个人福祉，并给医疗系统带来经济负担。尽管人工智能（AI）和深度学习为分析疼痛相关行为以改进康复策略提供了前景，但当前模型（包括卷积神经网络（CNN）、循环神经网络和图神经网络）存在局限性。这类方法通常仅关注时间维度，或需要复杂的体系结构来利用多变量时序数据中的空间相互关系。为此，本文引入了 \hbox{L-SFAN}，一种集成 2D 过滤器的轻量化 CNN 架构，旨在细致捕捉来自运动捕捉和表面电肌电图传感器数据的时空相互作用。我们的模型增强了倾向于聚焦关键特征的全局感受野池化层和多头自注意力机制，从而更好地理解 CLBP，实现了具竞争力的分类准确率。在 EmoPain 数据集上进行的实验结果表明，我们的方法不仅在显著减少参数数量的同时提升了性能指标，还促进了模型可解释性，为临床医生管理 CLBP 提供了宝贵见解。这一突破性进展凸显了 AI 在处理类似 CLBP 这类慢性疾病的医疗实践中的潜力，为对复杂生物医学数据进行细致分析提供了 sophisticated 框架。
引用
@article{arxiv.2406.16913,
title = {L-SFAN: Lightweight Spatially-focused Attention Network for Pain Behavior Detection},
author = {Jorge Ortigoso-Narro and Fernando Diaz-de-Maria and Mohammad Mahdi Dehshibi and Ana Tajadura-Jiménez},
journal= {arXiv preprint arXiv:2406.16913},
year = {2025}
}