基于Transformer编码器与多尺度深度学习的生理信号疼痛分类
机器学习
2023-12-19 v2 定量方法
摘要
疼痛是一个影响广大人群的严重全球性健康问题。为了实现高效的疼痛管理与治疗，准确分类和评估疼痛程度十分必要。然而，由于疼痛是一种主观感觉驱动体验，这可能具有挑战性。测量疼痛强度的传统技术（例如自我报告量表）易受偏倚影响且在某些情况下不可靠。因此，需要更客观、自动的疼痛强度评估策略。本文中，我们开发了 PainAttnNet (PAN)，一种新颖的 transformer 编码器深度学习框架，以生理信号为输入对疼痛强度进行分类。所提方法由三种特征提取架构组成：多尺度卷积网络 (MSCN)、挤压激励残差网络 (SEResNet) 和一个 transformer 编码器块。基于疼痛刺激，MSCN 提取短窗口与长窗口信息以及序列特征。SEResNet 通过映射特征间相互依赖关系来突出相关提取特征。第三模块采用一个 transformer 编码器，由三个时间卷积网络 (TCN) 与三个多头注意力 (MHA) 层组成，以从特征中提取时间依赖关系。利用公开可用的 BioVid 疼痛数据集，我们测试了所提 PainAttnNet 模型，并证明我们的结果优于 SOTA 模型。这些结果证实，我们的方法可用于基于生理信号的疼痛强度自动分类，以改善疼痛管理与治疗。
引用
@article{arxiv.2303.06845,
title = {Transformer Encoder with Multiscale Deep Learning for Pain Classification Using Physiological Signals},
author = {Zhenyuan Lu and Burcu Ozek and Sagar Kamarthi},
journal= {arXiv preprint arXiv:2303.06845},
year = {2023}
}