用于新生儿术后疼痛评估的多模态时空深度学习方法

当前评估新生儿术后疼痛的做法依赖于床边护理人员。该做法主观、不一致、缓慢且间断。为形成可靠的医学判读，已有若干自动化方法被提出以改进当前做法。这些方法为单模态，且主要关注新生儿操作性（急性）疼痛评估。由于疼痛是一种多模态情绪，常通过多种模态表达，疼痛的多模态评估是必要的，尤其在术后（急性迁延）疼痛情形下。此外，时空分析随时间更为稳定，且已被证明在最小化误分类误差方面高度有效。本文中，我们提出一种新颖的多模态时空方法，其融合视觉与声音信号并用于评估新生儿术后疼痛。我们进行了综合实验以探究所提方法的有效性。我们比较了多模态与单模态术后疼痛评估的性能，并度量了时间信息融合的影响。在真实世界数据集上的实验结果显示，所提多模态时空方法取得了最高AUC（0.87）与准确率（79%），平均比单模态方法高6.67%与6.33%。结果还显示，与非时空方法相比，时间信息的融合显著提升了性能，因其捕捉了疼痛动态中的变化。这些结果表明所提方法可用作人工评估的可行替代，将为临床环境、即时检验与家庭中的全自动化疼痛监测开辟道路。