基于人脸图像疼痛估计的个性化联邦深度学习

标准的机器学习方法需要将用户数据集中在一台计算机或共享数据库中，这引发了数据隐私和保密性问题。因此，限制中心化访问十分重要，尤其在数据监管严格的医疗场景中。解决此问题的一种潜在方法是联邦学习（Federated Learning, FL），它使多方能够通过使用本地训练模型的参数协同学习一个共享预测模型，同时将原始训练数据保留在本地。在AI辅助疼痛监测背景下，我们希望实现保密且非侵入式的疼痛估计，用于长期疼痛监测，并减轻护理人员进行频繁常规检查的负担。为此，我们提出了一种新颖的个性化联邦深度学习（Personalized Federated Deep Learning, PFDL）方法，用于从人脸图像估计疼痛。PFDL在不同客户端（即受试者）间对使用轻量级CNN架构实现的深度模型进行协同训练，而不共享其人脸图像。与标准FL共享模型所有参数不同，PFDL将最后一层保留在本地（用于个性化疼痛估计）。这（i）增加了另一层数据保密性，使攻击者难以推断目标受试者的疼痛程度，同时（ii）通过本地参数调优将疼痛估计个性化到每个受试者。我们使用公开的疼痛人脸视频数据集（UNBC-McMaster Shoulder Pain Database）表明，PFDL的性能可与标准集中式和FL算法相媲美或更好，同时进一步增强数据隐私。这有潜力通过使传统疼痛监测更安全、计算高效且可扩展至大量个体（例如用于家庭疼痛监测），提供及时且非侵入式的疼痛测量，从而改进传统疼痛监测。