通过多种机器学习模型对ICU患者面部动作单元进行自动疼痛评估

《Scientific Reports》：Automatic pain assessment from facial action units in ICU patients via various machine learning models

　　

摘要

疼痛是重症监护室（ICU）患者需要密切监测的重要生命体征。面部动作编码系统（FACS）定义了面部动作单元（AUs），为疼痛识别提供了结构化的框架。目前最广泛使用的疼痛评估方法是Prkachin和Solomon开发的疼痛强度量表（PSPI），该方法通过预定义的AUs来量化面部表情。然而，由于ICU患者的基础疾病影响以及面部纹理的差异，这些AUs在临床环境中的应用往往不够准确。为解决这一问题，本研究利用先进的AU检测系统，收集了61名ICU患者在休息、日常活动及手术过程中的疼痛状态视频序列。通过统计特征及多种分类模型对AUs进行评估，研究找到了六个关键AUs，其在准确性、精确度、召回率及F1分数等指标上的表现均优于PSPI预定义的AUs。此外，研究还测试了多种时间自学习网络在疼痛评估任务中的性能，进一步验证了所识别AUs组合的有效性。研究结果表明，将AU动态学习与深度时间分析相结合，可以提高临床疼痛评估的可靠性。最后，本研究为ICU环境中的自动疼痛监测系统提供了一种有前景的解决方案。