优化了基于注意力的高效网络,用于神经医疗保健中的面部表情分析
Muhammad Munsif1, Muhammad Sajjad2, Mohib Ullah3
1Sejong University, Seoul, 143-747, Republic of Korea.
Computers in biology and medicine
|July 10, 2024
概括
这项研究引入了一种高效的深度学习网络,用于分析面部表情,以帮助诊断神经障碍 (ND). 轻量级模型达到73.2%的准确性,有助于在移动设备上进行早期检测.
科学领域:
- 神经学 神经学
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 面部表情分析 (FEA) 对于早期诊断诸如阿尔茨海默氏症和帕金森氏症等神经系统疾病至关重要.
- 手动FEA受到专业知识和时间的限制;自动方法在数据稀缺和计算需求方面扎.
- 现有的自动化FEA方法经常提取不相关的特征,影响诊断准确度.
研究的目的:
- 为自动化面部表情分析 (FEA) 开发一个高效,轻量级的深度学习网络 (DLN).
- 协助医疗专业人员早期诊断和管理神经系统疾病 (NDs).
- 克服手动FEA和计算密集型自动化方法的局限性.
主要方法:
- 提出了一种使用基于卷积块注意模块 (CBAM) 的DLN的新方法.
- 该方法涉及从真实ND患者收集数据,面部检测和注意力增强的DLN用于特征提取.
- 该模型在真实患者数据上进行了验证,以评估其性能.
主要成果:
- 提议的注意力增强DLN实现了令人信服的性能,精度高达73.2%.
- 该模型轻量级,只需要3MB的存储空间,适合移动医疗保健设备.
- 与现有的FEA方法相比,已经证明了显著的进步.
结论:
- 开发的轻量级DLN显示了提高早期ND诊断和护理的巨大潜力.
- 准确的情绪识别和相关特征提取使医疗专业人员在ND管理中获得权力.
- 这项研究代表了FEA在改善神经健康结果方面取得的重大进展.
