Автоматическое распознавание боли (APR ) - это метод объективного измерения боли и в то же время представляет собой междисциплинарную область исследований, включающую элементы медицины , психологии , психобиологии и информатики . Основное внимание уделяется компьютерному объективному распознаванию боли, реализованному на основе машинного обучения . [1] [2]
Автоматическое распознавание боли позволяет достоверно и надежно обнаруживать и отслеживать боль у людей, которые не могут общаться устно. Базовые процессы машинного обучения обучаются и проверяются заранее с помощью одномодальных или мультимодальных сигналов тела. Сигналы, используемые для обнаружения боли, могут включать мимику или жесты, а также могут иметь ( психо- ) физиологический или паралингвистический характер. На сегодняшний день основное внимание уделяется определению интенсивности боли, но также предпринимаются визионерские усилия по распознаванию качества, локализации и временного течения боли.
Однако клиническая реализация этого подхода является спорной темой в области исследования боли. Критики автоматического распознавания боли утверждают, что диагностика боли может быть выполнена только людьми субъективно.
Задний план
Диагностика боли в условиях, когда устное сообщение ограничено - например, у людей с вербальными и / или когнитивными нарушениями или у пациентов, находящихся на седативной или механической вентиляции, - основывается на поведенческих наблюдениях обученных специалистов. [3] Однако все известные процедуры наблюдения (например, Zurich Observation Pain Assessment [4] (ZOPA)); Оценка боли по расширенной шкале деменции (PAINAD) требует большого опыта специалистов. Эти процедуры могут быть усложнены ошибочными суждениями наблюдателя, связанными с восприятием и интерпретацией. Что касается различий в дизайне, методологии, выборке оценки и концептуализации феномена боли, трудно сравнивать критерии качества различных инструментов. Даже если бы обученный персонал мог теоретически регистрировать интенсивность боли несколько раз в день с помощью приборов наблюдения, было бы невозможно измерять ее каждую минуту или секунду. В этом отношении цель автоматического распознавания боли состоит в использовании достоверных, надежных паттернов реакции на боль, которые могут быть записаны мультимодально для динамической во времени автоматизированной системы распознавания интенсивности боли с высоким разрешением.
Процедура
Для автоматического распознавания боли параметры, относящиеся к боли, обычно регистрируются с помощью неинвазивной сенсорной технологии, которая фиксирует данные о (физических) реакциях человека, испытывающего боль. Это может быть достигнуто с помощью технологии камеры, которая фиксирует мимику, жесты или позу, в то время как аудиодатчики фиксируют паралингвистические особенности. (Психо-) физиологическая информация, такая как мышечный тонус и частота сердечных сокращений, может быть собрана с помощью датчиков биопотенциала ( электродов ). [5]
Распознавание боли требует извлечения значимых характеристик или закономерностей из собранных данных. Это достигается с помощью методов машинного обучения, которые могут дать оценку боли после тренировки (обучения), например, «нет боли», «умеренная боль» или «сильная боль».
Параметры
Хотя феномен боли включает в себя различные компоненты (сенсорно-дискриминационный, аффективный (эмоциональный), когнитивный, вегетативный и (психо-) моторный) [6], автоматическое распознавание боли в настоящее время основывается на измеряемых параметрах болевых реакций. Их можно условно разделить на две основные категории: « физиологические реакции » и « поведенческие реакции ».
Физиологические реакции
У людей боль почти всегда запускает вегетативные нервные процессы, которые в значительной мере отражаются в различных физиологических сигналах. [7]
Физиологические сигналы
Измерения могут включать в себя электродермальную активность (EDA, также кожа проводимость), электромиографии (ЭМГ), электрокардиограммы (ЭКГ), объем крови пульс (БВП), электроэнцефалограммы (ЭЭГ), дыхание и температуру тела , [8] [9] , которые являются регуляторными механизмы симпатической и парасимпатической систем. Физиологические сигналы в основном регистрируются с помощью специальных неинвазивных поверхностных электродов (для ЭДА, ЭМГ, ЭКГ и ЭЭГ), датчика пульса объема крови (BVP), респираторного пояса (дыхание) и термодатчика (температуры тела). Эндокринологические и иммунологические параметры также могут быть записаны, но для этого требуются несколько инвазивные меры (например, забор крови).
Поведенческие реакции
Поведенческие реакции на боль выполняют две функции: защиту тела (например, посредством защитных рефлексов ) и внешнюю передачу боли (например, в виде крика о помощи). Ответы особенно очевидны в мимике, жестах и паралингвистических особенностях.
Выражения лица
Захваченные поведенческие сигналы включают образцы выражения лица (выразительное поведение), которые измеряются с помощью видеосигналов. Распознавание мимики основано на ежедневном клиническом наблюдении, что боль часто проявляется в мимике пациента, но это не всегда так, поскольку мимику можно подавить посредством самоконтроля. Несмотря на возможность того, что на выражение лица можно влиять сознательно, выражение лица представляет собой важный источник информации для диагностики боли и, таким образом, также является источником информации для автоматического распознавания боли. Одним из преимуществ распознавания выражения лица на основе видео является бесконтактное измерение лица при условии, что оно может быть снято на видео, что невозможно в любом положении (например, лежа лицом вниз) или может быть ограничено повязками, закрывающими лицо. лицо. Анализ выражения лица основан на быстрых, спонтанных и временных изменениях нервно-мышечной активности, которые приводят к визуально заметным изменениям на лице.
Жесты
Жесты также фиксируются преимущественно с помощью технологии бесконтактной камеры. Моторные болевые реакции различаются и сильно зависят от типа и причины боли. Они варьируются от резких защитных рефлексов (например, спонтанное втягивание конечностей или сгибание пополам) до возбуждения (патологическое беспокойство) и поведения избегания (нерешительные, осторожные движения).
Паралингвистические особенности языка
Помимо прочего, боль приводит к невербальному языковому поведению, которое проявляется в таких звуках, как вздохи, удушье, стоны, нытье и т. Д. Паралингвистические особенности обычно записываются с помощью высокочувствительных микрофонов.
Алгоритмы
После записи, предварительной обработки (например, фильтрации) и извлечения соответствующих характеристик может быть выполнено дополнительное слияние информации . Во время этого процесса модальности из разных источников сигналов объединяются для получения новых или более точных знаний.
Боль классифицируется с помощью процессов машинного обучения. Выбранный метод оказывает значительное влияние на скорость распознавания и во многом зависит от качества и детализации базовых данных. Подобно области аффективных вычислений , [10] следующие классификаторы в настоящее время используются:
Машина опорных векторов (SVM ): цель SVM - найти четко определенную оптимальную гиперплоскость с наибольшим минимальным расстоянием до двух (или более) классов, которые необходимо разделить. Гиперплоскость действует как решающая функция для классификации неизвестного паттерна.
Случайный лес (RF ): RF основан на композиции случайных некоррелированных деревьев решений. Неизвестный образец оценивается индивидуально по каждому дереву и присваивается классу. Окончательная классификация образцов РФ затем основывается на решении большинства.
k-ближайших соседей (k-NN ): алгоритм k-NN классифицирует неизвестный объект, используя метку класса, которая чаще всего классифицирует k ближайших к нему соседей. Его соседи определяются с использованием выбранной меры сходства (например, евклидова расстояния, коэффициента Жаккара и т. Д.).
Искусственные нейронные сети (ИНС ): ИНС вдохновлены биологическими нейронными сетями и очень упрощенно моделируют их организационные принципы и процессы. Паттерны классов изучаются путем регулировки веса отдельных нейронных связей.
Базы данных
Чтобы правильно классифицировать боль, необходимо создать репрезентативные, надежные и действительные базы данных о боли, которые будут доступны для машинного обучения для обучения. Идеальная база данных должна быть достаточно большой и состоять из естественных (не экспериментальных) качественных болевых реакций. Однако естественные реакции трудно записать, и их можно получить лишь в ограниченной степени; в большинстве случаев они характеризуются неоптимальным качеством. Таким образом, доступные в настоящее время базы данных содержат экспериментальные или квазиэкспериментальные реакции на боль, и каждая база данных основана на отдельной модели боли. В следующем списке представлена подборка наиболее актуальных баз данных о боли (последнее обновление: апрель 2020 г.): [11]
- UNBC-McMaster Боль в плече
- BioVid: тепловая боль
- EmoPain
- СмыслЭмоция
- X-ITE боль
Рекомендации
- ^ GmbH, Südwest Presse Online-Dienste (2017-04-11). "Forschung: Schmerzen messbar machen" . swp.de (на немецком языке) . Проверено 20 апреля 2020 .
- ^ "Künstliche Intelligenz erkennt den Schmerz" . AerzteZeitung.de (на немецком языке) . Проверено 20 апреля 2020 .
- ^ Основы медицины боли . Cheng, Jianguo (профессор анестезиологии), Rosenquist, Richard W. Cham, Швейцария. 8 февраля 2018 г. ISBN 978-3-319-64922-1. OCLC 1023425599 .CS1 maint: другие ( ссылка )
- ^ Элизабет Гендель: Praxishandbuch ZOPA: Schmerzeinschätzung bei Patienten mit kognitiven und / oder Bewusstseinsbeeinträchtigungen. Хубер, Берн 2010, ISBN 978-3-456-84785-6 .
- ^ Анбарджафари, Голамреза (2018). Машинное обучение для распознавания лиц, эмоций и боли . Горбова, Елена ,, Хаммер, Рейн Эрик ,, Расти, Пейман ,, Норузи, Фатемех ,, Общество инженеров фотооптического приборостроения. Беллингем, Вашингтон. ISBN 978-1-5106-1986-9. OCLC 1035460960 .
- ^ Хенрик Кесслер (2015), Kurzlehrbuch Medizinische Psychologie und Soziologie (на немецком языке) (3-е изд.), Штутгарт / Нью-Йорк: Тиме, стр. 34, ISBN 978-3-13-136423-4
- ^ Бирбаумер, Нильс. (2006). Biologische Psychologie: mit 41 Tabellen: [Bonusmaterial im Web] . Шмидт, Роберт Ф. (6., vollst. Überarb. Und erg. Aufl ed.). Гейдельберг: Springer. ISBN 978-3-540-25460-7. OCLC 162267511 .
- ^ С. Грусс и др.: Скорость распознавания интенсивности боли с помощью паттернов биопотенциала с машинами опорных векторов. В: PLoS One. Vol. 10, No. 10, 2015, S. 1–14, DOI: 10.1371 / journal.pone.0140330 .
- ^ С. Вальтер и др.: Автоматическая количественная оценка боли с использованием вегетативных параметров. В кн . : Психол. Neurosci. Нет. 7, № 3, 2014 г., С. 363–380, DOI: 10.3922 / j.psns.2014.041 .
- ^ Пикард, Розалинд В. (2000). Аффективные вычисления (1-е изд. MIT Press, pbk. Ed.). Кембридж, Массачусетс: MIT Press. ISBN 0-262-66115-2. OCLC 45432790 .
- ^ Вернер, Филипп; Лопес-Мартинес, Даниэль; Уолтер, Штеффен; Аль-Хамади, Аюб; Грусс, Саша; Пикард, Розалинда (2019). «Методы автоматического распознавания, поддерживающие оценку боли: обзор». Транзакции IEEE об эффективных вычислениях : 1. doi : 10.1109 / TAFFC.2019.2946774 . ISSN 1949-3045 .
Внешние ссылки
- Группа автоматизированных исследований боли при Ульмском университете, Германия