从视频数据中预测血管对针的反应,使用2D-CNN与GRU和LSTM进行2D-CNN预测

科学领域:

• 医学成像医学成像
• 生物医学工程 生物医学工程
• 心理生理学 心理生理学

背景情况:

• 血管道反应 (VVR) 是常见的不良身体和情绪反应与针相关的程序,如献血.
• 目前的VVR评估依赖于主观的自我报告措施,这些措施可能不可靠.
• 需要客观的VVR预测方法来开发有效的预防干预措施.

研究的目的:

• 为了研究预测血管反应 (VVR) 水平的可行性,使用在献血期间从视频序列中获得的面部信息.
• 为了确定准确的VVR预测所需的最短的视频持续时间.
• 为了比较VVR预测准确度的深度学习模型.

主要方法:

• 收集了来自287名献血者的1945个视频,记录了整个献血过程中的面部表情.
• 使用2D卷积神经网络 (2D-CNN) 与长短期记忆 (LSTM) 和封闭循环单元 (GRU) 网络集成.
• 对于VVR预测任务 (分类和回归) 的评估视频持续时间为5,10,20,30和45秒.

主要成果:

• 在25上使用ResNet152-LSTM模型对高VVR进行分类,获得了0.74的F1得分 (精度:0.93,回忆:0.61,PR-AUC:0.86,MCC:0.61).
• 在使用GRU对50进行连续VVR得分回归时,获得了2.56的根平均平方误差 (RMSE).
• 证明视频中的面部特征可以有效预测VVR水平.

结论:

• 从视频序列的面部特征分析可以准确地预测在献血期间的血管反应.
• 这种人工智能驱动的方法为VVR评估提供了一个客观的,非侵入性的方法.
• 这些发现支持开发积极的干预措施,以缓解临床环境中的VVR.