面向患者受限条件下视频中改进疼痛识别的合成数据生成研究

在视频中识别疼痛对于改善患者-计算机交互系统至关重要，然而该领域传统的数据收集引发了重大的伦理和后勤挑战。本研究引入了一种新颖的方法，利用合成数据来增强基于视频的疼痛识别模型，提供了一种合乎伦理且可扩展的替代方案。我们提出了一条流水线，通过从少量参与者中捕捉细微的面部运动，并将其映射到多样化的合成虚拟人上，从而合成逼真的 3D 面部模型。该过程生成了 8,600 张合成面孔，从不同角度和视角准确反映了真实的疼痛表情。利用先进的面部捕捉技术，并借助 CelebV-HQ 和 FFHQ-UV 等公共数据集实现人口统计学多样性，我们的新合成数据集显著增强了模型训练，同时通过面部替换匿名化身份以确保隐私。实验结果表明，在合成数据与少量真实参与者数据组合上训练的模型在疼痛识别中取得了优异的性能，有效弥合了合成模拟与真实世界应用之间的差距。我们的方法解决了数据稀缺和伦理问题，为疼痛检测提供了一种新解决方案，并为隐私保护数据集生成研究开辟了新途径。所有资源均公开可用，以鼓励该领域的进一步创新。