基于语音的疼痛水平分类用于传感器辅助的智能护理

科学领域:

• 生物医学工程 生物医学工程
• 医疗保健中的人工智能
• 信号处理 信号处理

背景情况:

• 由于人员短缺,智能医疗保健系统在疼痛评估方面面临挑战.
• 传统的疼痛检测方法在成本,可访问性和专业支持要求方面存在局限性.
• 基于声学传感器的疼痛检测为实时监测提供了一个有希望的替代方案.

研究的目的:

• 开发一种轻量级,传感器辅助的系统,用于实时疼痛水平分类.
• 研究语音光谱特征在疼痛检测中的有效性.
• 通过模拟和硬件原型验证系统.

主要方法:

• 使用声学传感器来捕获语音信号.
• 雇佣的卷积神经网络 (CNN) 模型训练了语音频谱特征.
• 开发了一种三级疼痛分类方法.
• 通过木星笔记本模拟和Raspberry Pi硬件原型验证了系统.

主要成果:

• 在三级疼痛分类中达到72.74%的平均准确率.
• 在相同的疼痛水平颗粒度下,超过现有方法的性能为18.94-26.74%.
• 在低成本硬件原型 (<100美元) 上展示了实时处理速度 (6-22秒).
• 展示了各种机器学习算法的适用性 (ANN,XGBoost,随机森林,决策树).

结论:

• 拟议的传感器辅助系统为实时疼痛检测提供了有效和负担得起的解决方案.
• 语音光谱分析与机器学习相结合,特别是CNN,是一种可行的疼痛评估方法.
• 该系统有可能增强智能医疗保健和辅助生活环境.