在日本 (Macaca fuscata) 中用于面部检测和疼痛评估的深度学习

科学领域:

• 动物福利科学 动物福利科学
• 计算生物学 计算生物学
• 兽医医学 兽医医学 兽医医学

背景情况:

• 面部表情分析对于评估哺乳动物的情绪状态至关重要,特别是对于识别研究动物的疼痛,以确保健康和数据完整性.
• 在动物中自动检测疼痛可以促进早期诊断和治疗,提高研究可靠性和伦理标准.
• 由人工神经网络驱动的深度学习已经成为图像分类任务的强大工具,为自动化面部表情分析提供了潜力.

研究的目的:

• 根据面部表情调查深度学习模型在检测日本的疼痛方面的有效性.
• 为了比较不同的面部特征提取方法,以优化疼痛检测的准确性.
• 建立可靠的自动化系统来评估研究中使用的非人类灵长类动物的疼痛.

主要方法:

• 收集了日本之前 (没有疼痛) 和手术后 (疼痛) 的视频.
• 用RetinaFace (边界框) 和Mask R-CNN (轮提取) 进行了面部检测和图像提取.
• 在75%的图像上训练了一个ResNet50模型,并在剩余的25%上进行了测试,预处理和微调的变化.

主要成果:

• 在使用边界框提取时,面部表情分类准确度较低 (48-54%),可能是由于不相关的特征包含.
• 使用Mask R-CNN的轮提取,图像预处理和微调将分类精度提高到64%.
• 该研究表明,在这种情况下,Mask R-CNN适用于面部特征提取.

结论:

• 深度学习模型,特别是通过Mask R-CNN使用轮提取时,显示出从面部表情中准确检测日本的疼痛的潜力.
• 优化图像处理和模型微调对于实现自动化疼痛评估的可靠性能至关重要.
• 这种自动化方法可以大大提高研究动物的福利和科学研究的有效性.