从动作单元组合中学习疼痛：一种基于多示例学习的弱监督方法
机器学习
2018-02-21 v2 机器学习
摘要
使用面部动作编码系统（FACS）定义的一组基于面部肌肉的动作单元（AUs）可以高度可靠地从面部表情中检测患者疼痛。疼痛面部表情的一个关键特征是疼痛相关 AU 组合同时出现，其自动检测对于高效实用的疼痛监测极为有益。现有的通用自动面部表情识别（AFER）系统在专门应用于疼痛检测时显得不足，因为它们要么侧重于检测单个疼痛相关 AU 而非组合，要么试图通过直接在疼痛强度数据上训练二值疼痛分类器来绕过 AU 检测，但因缺乏足够标注数据而受限。在本文中，我们提出一种新方法，模仿人类编码员将疼痛检测解耦为两个连续任务的策略：一个在单视频帧层面执行，另一个在视频序列层面执行。利用最先进的 AFER 工具在帧层面检测单个 AU，我们提出两种新颖的数据结构以从单个 AU 分数编码 AU 组合。对应于每种数据结构，采用多示例学习（MIL）和多聚类示例学习（MCIL）两种弱监督学习框架从视频序列中学习疼痛。实验结果显示在 UNBC-McMaster 肩痛表情数据集上达到了 87% 的疼痛识别准确率和 0.94 的 AUC（曲线下面积）。在肺癌患者视频数据集的长视频上的测试证明了所提系统在临床环境中进行疼痛监测的潜在价值。
引用
@article{arxiv.1712.01496,
title = {Learning Pain from Action Unit Combinations: A Weakly Supervised Approach via Multiple Instance Learning},
author = {Zhanli Chen and Rashid Ansari and Diana J. Wilkie},
journal= {arXiv preprint arXiv:1712.01496},
year = {2018}
}