基于 fNIRS 与双向 LSTM 的疼痛评估
机器学习
2020-12-29 v2 人工智能
摘要
评估无法说话的患者（也称为非语言患者）的疼痛极为复杂，通常依靠临床判断进行。然而，该方法不可靠，因为患者的生命体征可能由于其他潜在疾病而显著波动。迄今为止，尚无客观的诊断测试可协助医疗从业者诊断疼痛。在本研究中，我们提出使用功能性近红外光谱（fNIRS）和深度学习来评估人体疼痛。本研究的目的是探索使用深度学习从 fNIRS 原始数据中自动学习特征，以减少设计手工特征所需的主观性和领域知识。评估了四种深度学习模型：多层感知机（MLP）、前向和后向长短期记忆网络（LSTM）以及双向 LSTM。结果表明，Bi-LSTM 模型取得了最高准确率（90.6%）且比其他三种模型更快。这些结果推进了使用神经影像作为诊断方法的疼痛评估知识，并代表着向开发基于生理学的人体疼痛诊断更近一步，这将惠及无法自我报告疼痛的脆弱人群。
引用
@article{arxiv.2012.13231,
title = {Pain Assessment based on fNIRS using Bidirectional LSTMs},
author = {Raul Fernandez Rojas and Julio Romero and Jehu Lopez-Aparicio and Keng-Liang Ou},
journal= {arXiv preprint arXiv:2012.13231},
year = {2020}
}