Автоматическое распознавание боли
Автоматическое распознавание боли (APR ) представляет собой метод объективного измерения боли и в то же время представляет собой междисциплинарную область исследований, включающую элементы медицины , психологии , психобиологии и информатики . Основное внимание уделяется компьютерному объективному распознаванию боли, реализованному на основе машинного обучения . [1] [2]
Автоматизированное распознавание боли позволяет достоверно и надежно обнаруживать и контролировать боль у людей, которые не могут общаться вербально. Базовые процессы машинного обучения заранее обучаются и проверяются с помощью унимодальных или мультимодальных сигналов тела. Сигналы, используемые для обнаружения боли, могут включать в себя мимику или жесты , а также могут иметь ( психо- ) физиологическую или паралингвистическую природу. На сегодняшний день основное внимание уделяется определению интенсивности боли, но также предпринимаются дальновидные усилия по распознаванию качества, места и временного течения боли. [ нужна ссылка ]
Однако клиническая реализация этого подхода является спорной темой в области исследований боли. Критики автоматического распознавания боли утверждают, что люди могут поставить диагноз боли только субъективно.
Фон
[ редактировать ]Диагностика боли в условиях, когда вербальное сообщение ограничено, например, у людей с речевыми и/или когнитивными нарушениями или у пациентов, находящихся под седативными препаратами или на искусственной вентиляции легких, основывается на поведенческих наблюдениях, проводимых обученными специалистами. [3] Однако все известные процедуры наблюдения (например, Цюрихская оценка боли при наблюдении) [4] (ЗОПА)); Оценка боли по шкале развитой деменции (PAINAD) требует большого опыта специалистов. Эти процедуры могут быть затруднены из-за неверных суждений наблюдателя, связанных с восприятием и интерпретацией. Что касается различий в дизайне, методологии, выборке оценки и концептуализации феномена боли, трудно сравнивать критерии качества различных инструментов. Даже если бы обученный персонал теоретически мог регистрировать интенсивность боли несколько раз в день с помощью приборов наблюдения, было бы невозможно измерять ее каждую минуту или секунду. В этом отношении целью автоматического распознавания боли является использование достоверных, надежных моделей болевых реакций, которые могут быть записаны мультимодально для временно-динамической автоматизированной системы распознавания интенсивности боли с высоким разрешением. [ нужна ссылка ]
Процедура
[ редактировать ]Для автоматического распознавания боли параметры, связанные с болью, обычно записываются с использованием неинвазивной сенсорной технологии, которая собирает данные о (физических) реакциях человека, испытывающего боль. Этого можно достичь с помощью технологии камеры, которая фиксирует выражение лица, жесты или позу, а аудиодатчики фиксируют паралингвистические особенности. (Психо-)физиологическая информация, такая как мышечный тонус и частота сердечных сокращений, может быть собрана с помощью биопотенциала датчиков ( электродов ). [5]
Распознавание боли требует извлечения значимых характеристик или закономерностей из собранных данных. Это достигается с помощью методов машинного обучения, которые способны дать оценку боли после тренировки (обучения), например, «нет боли», «легкая боль» или «сильная боль». [ нужна ссылка ]
Параметры
[ редактировать ]Хотя феномен боли включает в себя различные компоненты (сенсорно-различительный, аффективный (эмоциональный), когнитивный, вегетативный и (психо-)моторный), [6] автоматическое распознавание боли в настоящее время основано на измеримых параметрах болевых реакций. Их можно грубо разделить на две основные категории: « физиологические реакции » и « поведенческие реакции ».
Физиологические реакции
[ редактировать ]У человека боль почти всегда инициирует вегетативные нервные процессы, которые заметно отражаются в различных физиологических сигналах. [7]
Физиологические сигналы
[ редактировать ]Измерения могут включать электродермальную активность (EDA, а также проводимость кожи), электромиографию (ЭМГ), электрокардиограмму (ЭКГ), пульс объема крови (BVP), электроэнцефалограмму (ЭЭГ), дыхание и температуру тела . [8] [9] которые являются регуляторными механизмами симпатической и парасимпатической систем. Физиологические сигналы в основном регистрируются с помощью специальных неинвазивных поверхностных электродов (для ЭДА, ЭМГ, ЭКГ и ЭЭГ), датчика объема пульса крови (БВП), дыхательного пояса (дыхание) и термодатчика (температуры тела). Эндокринологические и иммунологические параметры также можно регистрировать, но для этого необходимы несколько инвазивные меры (например, забор крови). [ нужна ссылка ]
Поведенческие реакции
[ редактировать ]Поведенческие реакции на боль выполняют две функции: защиту организма (например, посредством защитных рефлексов ) и внешнюю передачу боли (например, как крик о помощи). Реакции особенно очевидны в мимике, жестах и паралингвистических особенностях.
Выражения лица
[ редактировать ]Захваченные поведенческие сигналы включают модели выражения лица (экспрессивное поведение), которые измеряются с помощью видеосигналов. Распознавание выражения лица основано на ежедневных клинических наблюдениях о том, что боль часто проявляется в мимике пациента, но это не всегда так, поскольку выражение лица можно подавлять посредством самоконтроля. Несмотря на возможность сознательного влияния на выражение лица, поведение выражения лица представляет собой важный источник информации для диагностики боли и, следовательно, также является источником информации для автоматического распознавания боли. Одним из преимуществ распознавания выражений лица на основе видео является бесконтактное измерение лица при условии, что его можно заснять на видео, что невозможно в любом положении (например, лежа лицом вниз) или может быть ограничено повязками, закрывающими лицо. Анализ выражения лица основан на быстрых, спонтанных и временных изменениях нервно-мышечной активности, которые приводят к визуально обнаруживаемым изменениям на лице. [ нужна ссылка ]
Жесты
[ редактировать ]Жесты также фиксируются преимущественно с помощью технологии бесконтактной камеры. Реакции на моторную боль различаются и сильно зависят от типа и причины боли. Они варьируются от резких защитных рефлексов (например, спонтанное втягивание конечностей или сгибание пополам) до возбуждения (патологического беспокойства) и избегающего поведения (неуверенных, осторожных движений).
Паралингвистические особенности языка
[ редактировать ]Помимо прочего, боль приводит к невербальному языковому поведению, которое проявляется в таких звуках, как вздох, удушье, стон, нытье и т. д. Паралингвистические особенности обычно фиксируются с помощью высокочувствительных микрофонов.
Алгоритмы
[ редактировать ]После записи, предварительной обработки (например, фильтрации) и извлечения соответствующих признаков дополнительное объединение информации может быть выполнено . В ходе этого процесса модальности из разных источников сигналов объединяются для создания новых или более точных знаний. [ нужна ссылка ]
Боль классифицируется с помощью процессов машинного обучения. Выбранный метод оказывает существенное влияние на скорость распознавания и во многом зависит от качества и детализации исходных данных. Подобно области аффективных вычислений , [10] следующие классификаторы В настоящее время используются :
Машина опорных векторов (SVM ): цель SVM — найти четко определенную оптимальную гиперплоскость с наибольшим минимальным расстоянием до двух (или более) классов, которые необходимо разделить. Гиперплоскость действует как решающая функция для классификации неизвестного шаблона.
Случайный лес (RF ): RF основан на композиции случайных, некоррелированных деревьев решений. Неизвестный образец оценивается каждым деревом индивидуально и присваивается классу. Окончательная классификация образцов РФ затем основывается на решении большинства.
k-ближайшие соседи (k-NN ): алгоритм k-NN классифицирует неизвестный объект, используя метку класса, которая чаще всего классифицирует k ближайших к нему соседей. Его соседи определяются с использованием выбранной меры сходства (например, евклидова расстояния, коэффициента Жаккара и т. д.).
Искусственные нейронные сети (ИНС ): ИНС созданы на основе биологических нейронных сетей и очень упрощенно моделируют их организационные принципы и процессы. Шаблоны классов изучаются путем корректировки весов отдельных нейронных связей.
Базы данных
[ редактировать ]Чтобы правильно классифицировать боль, необходимо создать репрезентативные, надежные и действительные базы данных боли , которые доступны машинному обучению для обучения. Идеальная база данных должна быть достаточно большой и состоять из естественных (не экспериментальных) высококачественных болевых реакций. Однако естественные реакции трудно зарегистрировать, и их можно получить лишь в ограниченной степени; в большинстве случаев они характеризуются неоптимальным качеством. Таким образом, доступные в настоящее время базы данных содержат экспериментальные или квазиэкспериментальные реакции на боль, и каждая база данных основана на различной модели боли. В следующем списке показаны наиболее актуальные базы данных о боли (последнее обновление: апрель 2020 г.): [11]
- UNBC-Макмастер Боль в плече
- BioVid Тепловая боль
- ЭмоПейн
- ЧувствоЭмоции
- X-ITE Боль
Ссылки
[ редактировать ]- ^ GmbH, Интернет-службы Südwest Press (11 апреля 2017 г.). «Исследование: сделать боль измеримой» . swp.de (на немецком языке) . Проверено 20 апреля 2020 г.
- ^ «Искусственный интеллект распознает боль» . AerzteZeitung.de (на немецком языке). 2 марта 2017 г. Проверено 20 апреля 2020 г.
- ^ Основы медицины боли . Ченг, Цзяньго (профессор анестезиологии), Розенквист, Ричард В. Чам, Швейцария. 8 февраля 2018 г. ISBN 978-3-319-64922-1 . OCLC 1023425599 .
{{cite book}}: CS1 maint: отсутствует местоположение издателя ( ссылка ) CS1 maint: другие ( ссылка ) - ^ Элизабет Гендель: Практическое руководство ZOPA: Оценка боли у пациентов с когнитивными нарушениями и / или нарушениями сознания. Хубер, Берн, 2010 г., ISBN 978-3-456-84785-6 .
- ^ Анбарджафари, Голамреза (2018). Машинное обучение для распознавания лиц, эмоций и боли . Горбова, Елена, Хаммер, Рейн Эрик, Расти, Пейман, Норузи, Фатеме, Общество инженеров фотооптических приборов. Беллингем, Вашингтон. ISBN 978-1-5106-1986-9 . OCLC 1035460960 .
{{cite book}}: CS1 maint: отсутствует местоположение издателя ( ссылка ) - ^ Хенрик Кесслер (2015), краткий учебник по медицинской психологии и социологии (на немецком языке) (3-е изд.), Штутгарт/Нью-Йорк: Thieme, стр. 34, ISBN 978-3-13-136423-4
- ^ Бирбаумер, Нильс. (2006). Биологическая психология: с 41 таблицей: [Дополнительный материал в Интернете] . Шмидт, Роберт Ф. (6-е, полностью переработанное и дополненное изд.). Гейдельберг: Спрингер. ISBN 978-3-540-25460-7 . OCLC 162267511 .
- ^ С. Грусс и др.: Скорость распознавания интенсивности боли с помощью шаблонов биопотенциальных признаков с помощью машин опорных векторов. В: PLoS One. Том. 10, № 10, 2015, С. 1–14, doi:10.1371/journal.pone.0140330 .
- ^ С. Уолтер и др.: Автоматическая количественная оценка боли с использованием вегетативных параметров. В: Психол. Неврология. Нет. 7, № 3, 2014, с. 363–380, doi:10.3922/j.psns.2014.041 .
- ^ Пикард, Розалинда В. (2000). Аффективные вычисления (1-е изд. MIT Press pbk). Кембридж, Массачусетс: MIT Press. ISBN 0-262-66115-2 . OCLC 45432790 .
- ^ Вернер, Филипп; Лопес-Мартинес, Даниэль; Уолтер, Штеффен; Аль-Хамади, Аюб; Грусс, Саша; Пикард, Розалинда (2019). «Методы автоматического распознавания, поддерживающие оценку боли: опрос». Транзакции IEEE для аффективных вычислений . 13 : 530–552. дои : 10.1109/TAFFC.2019.2946774 . hdl : 1721.1/136497 . ISSN 1949-3045 . S2CID 210588609 .