基于贝叶斯网络建模的疼痛评估研究

复杂环境下的不确定性因素给面部表情疼痛评估的分析和建模带来了巨大的挑战.针对疼痛表情识别中的复杂、不确定性问题,提出了一种基于贝叶斯网络(BN)建模的疼痛评估方法.首先对人脸图像获取有关疼痛的面部动作单元(AU).其次在分析了疼痛与面部AU关系的基础上提出了一种疼痛评估BN结构.采用特征样本训练得到BN模型参数,建立疼痛评估BN模型.最后利用BN推理算法实现疼痛评估.实验结果表明:在完全证据条件下,与经典的支持向量机、多示例学习、循环神经网络方法相比,该方法有着更高的识别率;在不完全证据条件下,即使有关疼痛的AU特征向量存在局部缺失,本文方法仍具有较好的疼痛评估结果,并为不确定性环境下的疼痛识别提供了一种有效的途径.

基于多模态的贝叶斯网络疼痛识别方法

有效的疼痛管理对病人的治疗和护理至关重要,针对传统的单模态疼痛识别准确度低的问题,提出了一种基于多模态的贝叶斯网络(multimodal Bayesian network,MMBN)疼痛识别方法。首先利用互信息对多模态特征进行相关性判断,剔除冗余的特征向量,使得模型简洁;其次将多模态特征与贝叶斯网络结构的可扩展性相结合设计了一种基于多模态的BN结构,并建立疼痛识别模型;最后利用BN概率推理算法完成疼痛识别,并在UNBC-McMaster数据库上进行验证。实验结果表明:与传统基于单模态的疼痛识别方法相比较,MMBN方法利用多模态之间的信息互补性能够有效地提高疼痛识别准确度,为目前的疼痛识别与研究提供了一种新手段。