准确的新生儿面部检测,以改善在具有挑战性的NICU环境中的疼痛分类
Jacqueline Hausmann1, Md Sirajus Salekin1, Ghada Zamzmi1
1Department of Computer Science and Engineering, College of Engineering, University of South Florida, Tampa, FL 33620, USA.
IEEE access : practical innovations, open solutions
|July 12, 2024
概括
使用面部表情检测新生儿疼痛是一项挑战. 经过训练的YOLO模型使疼痛分类准确度提高了8.6%的mAP和21.2%的AUC,有助于在新生儿重症监护室 (NICU) 的疼痛管理.
科学领域:
- 医疗成像医学成像
- 医疗保健中的人工智能
- 新生儿护理 新生儿护理
背景情况:
- 在新生儿重症监护室 (NICU) 等复杂环境中,物体检测系统经常失败.
- 现有的方法很难准确地检测新生儿的面部表情来评估疼痛.
- 标准面部探测器和成人训练模型对于新生儿疼痛表达分析是无效的.
研究的目的:
- 开发一个精确的面部表情检测系统,用于分类新生儿疼痛.
- 改善NICU环境中术后新生儿的疼痛评估.
- 为帮助NICU护士预测和减轻严重疼痛提供一个工具.
主要方法:
- 训练一个最先进的"你只看一次" (YOLO) 面部检测模型.
- 使用USF-MNPAD-I新生儿脸部数据集进行模型训练.
- 将YOLO模型的性能与NICU护士的手动疼痛评分进行比较.
主要成果:
- 经过训练的YOLO模型在疼痛分类中实现了8.6%高的平均精度 (mAP).
- 该模型显示,自动疼痛分类的ROC曲线下面面积 (AUC) 增加了21.2%.
- 与复杂的NICU场景中的现有方法相比,观察到精度的显著改善.
结论:
- 基于YOLO的面部表情检测模型可以准确地分类新生儿疼痛.
- 分享受过训练的模型重量可以加速疼痛管理策略的开发.
- 这项技术可以帮助预测疼痛发作,使新生儿能够及时进行治疗干预.
