基于 GRU 的稀疏连接 RNN 用于疼痛程度与疼痛相关行为分类
信号处理
2023-07-17 v1 人机交互
机器学习
摘要
将深度学习应用于生物特征分析的研究日益增多。然而，某些情况可能损害所提出的生物特征数据分析方法的客观性与准确性。例如，慢性疼痛（CP）患者会无意识地调整特定身体动作以避免受伤或额外疼痛。由于尚无专用基准数据库来分析此相关性，我们在本研究中考虑了日常活动中潜在影响个人生物特征的特定情形之一，并对 EmoPain 数据库中的疼痛程度与疼痛相关行为进行分类。为此，我们提出了一种稀疏连接循环神经网络（s-RNNs）集成，其采用门控循环单元（GRU），并利用共享训练框架整合多个自编码器。该架构由来自惯性测量单元（IMU）与表面肌电（sEMG）传感器的多维数据驱动。此外，为补偿时间维度上可能未在 s-RNNs 潜空间中完美表示的变异，我们将基于信息论方法提取的手工特征与共享隐藏状态中所表征的特征相融合。我们进行了若干实验，表明所提方法在疼痛程度与疼痛相关行为分类上均优于现有最优方法。
引用
@article{arxiv.2212.14806,
title = {Pain level and pain-related behaviour classification using GRU-based sparsely-connected RNNs},
author = {Mohammad Mahdi Dehshibi and Temitayo Olugbade and Fernando Diaz-de-Maria and Nadia Bianchi-Berthouze and Ana Tajadura-Jiménez},
journal= {arXiv preprint arXiv:2212.14806},
year = {2023}
}