完全自动化的深度学习模型与智能手机适用性用于预测疼痛使用猫眉尺度的猫眉尺度
P V Steagall1,2, B P Monteiro3, S Marangoni3
1Department of Clinical Sciences, Faculty of Veterinary Medicine, Université de Montréal, Saint-Hyacinthe, QC, Canada. pmortens@cityu.edu.hk.
Scientific reports
|December 7, 2023
概括
研究人员开发了人工智能模型,通过面部表情来检测猫咪的疼痛. 这项技术可以为智能手机应用程序提供精确的猫疼痛评估,改善动物福利.
科学领域:
- 兽医医学 兽医医学 兽医医学
- 人工智能的人工智能
- 动物福利 动物福利
背景情况:
- 准确评估猫的急性疼痛对于有效治疗至关重要.
- 猫笑尺度 (FGS) 是评估猫疼痛的验证工具,但需要训练有素的观察员.
- 开发客观的,自动化的疼痛评估方法可以提高诊断准确性和可访问性.
研究的目的:
- 开发和验证人工智能 (AI) 模型,用于预测猫咪面部地标位置和疼痛评分,使用猫咪微笑量表 (FGS).
- 评估使用深度神经网络和机器学习进行自动化,基于智能手机的猫疼痛评估工具的可行性.
主要方法:
- 使用了3447张猫脸部图像的数据集,并注释了37个地标.
- 训练有素的卷积神经网络 (CNN) 用于面部地标预测,优化大小,速度和准确性 (NRMSE).
- 采用XGBoost模型与几何描述符用于FGS得分预测,优化准确性和MSE.
主要成果:
- 最好的CNN模型 (ShuffleNetV2) 在面部地标预测中实现了16.76%的正常化根平均平方误差 (NRMSE).
- 最优的XGBoost模型显示FGS得分预测的准确率为95.5%,平均平方误差 (MSE) 为0.0096.
- 人工智能模型在区分疼痛和无疼痛的猫时表现出色的预测性能.
结论:
- 深度学习和机器学习模型可以准确地预测猫的面部地标和疼痛评分.
- 开发的人工智能技术显示出在创建用于猫的急性疼痛评估的自动化智能手机应用程序方面显著的潜力.
- 这项创新可以通过提供一个客观和可访问的工具来改善兽医护理,用于猫类疼痛管理.
