[论文解读] Machine-based Multimodal Pain Assessment Tool for Infants: A Review

Ghada Zamzmi, Dmitry B. Goldgof+3 more|arXiv (Cornell University)|Jul 1, 2016

Pediatric Pain Management Techniques参考文献 188被引用 10

一句话总结

本文综述了基于机器的多模态婴儿疼痛评估系统，提出利用行为和生理信号实现自动化、连续监测，以克服传统间歇性、主观的床旁评估的局限性。文章整合了特征提取技术，评估了现有数据库，并指出了在新生儿护理中实现可靠、一致疼痛识别的关键挑战。

ABSTRACT

Bedside caregivers assess infants' pain at constant intervals by observing specific behavioral and physiological signs of pain. This standard has two main limitations. The first limitation is the intermittent assessment of pain, which might lead to missing pain when the infants are left unattended. Second, it is inconsistent since it depends on the observer's subjective judgment and differs between observers. The intermittent and inconsistent assessment can induce poor treatment and, therefore, cause serious long-term consequences. To mitigate these limitations, the current standard can be augmented by an automated system that monitors infants continuously and provides quantitative and consistent assessment of pain. Several automated methods have been introduced to assess infants' pain automatically based on analysis of behavioral or physiological pain indicators. This paper comprehensively reviews the automated approaches (i.e., approaches to feature extraction) for analyzing infants' pain and the current efforts in automatic pain recognition. In addition, it reviews the databases available to the research community and discusses the current limitations of the automated pain assessment.

研究动机与目标

• 解决新生儿护理中间歇性、主观的床旁疼痛评估的局限性。
• 克服因评估频率低导致的观察者差异和疼痛事件漏诊问题。
• 开发一种自动化、连续的系统，实现对婴儿疼痛的客观、定量评估。
• 整合现有自动化方法，用于从多模态信号（行为和生理）中提取特征。
• 评估现有数据库，并识别当前研究在实现可靠婴儿疼痛识别方面的差距。

提出的方法

• 回顾并分类从婴儿行为和生理信号中提取特征的自动化方法。
• 分析结合视频面部表情与生理信号（如心率、血氧饱和度）的多模态数据融合技术。
• 研究用于疼痛识别的机器学习与计算机视觉技术，包括面部动作单元检测和时间模式分析。
• 使用标准化数据集和评估协议，评估现有系统的性能。
• 评估自动化疼痛评估模型在不同临床环境中的鲁棒性和泛化能力。
• 突出实时、连续疼痛监测系统在部署过程中面临的技术与临床挑战。

实验结果

研究问题

• RQ1 与传统床旁观察相比，自动化系统如何提升婴儿疼痛评估的一致性和连续性？
• RQ2 在新生儿中，哪些最有效的多模态特征（行为和生理）可实现可靠的疼痛检测？
• RQ3 在数据可用性、标注质量以及跨数据集的模型泛化方面，当前存在哪些局限性？
• RQ4 不同机器学习模型在多样化临床环境中的婴儿疼痛分类表现如何？
• RQ5 哪些技术和临床障碍阻碍了自动化疼痛评估工具在真实世界中的部署？

主要发现

• 间歇性、依赖观察者的疼痛评估导致评估不一致，可能造成婴儿疼痛的漏治。
• 利用多模态数据（如面部表情、心率变异性）的自动化系统在实现连续、客观的疼痛监测方面展现出前景。
• 现有婴儿疼痛研究数据库在规模、多样性及标准化方面存在局限，影响模型的泛化能力。
• 由于新生儿面部表情细微且多变，从面部动作和生理信号中提取特征仍是一大关键挑战。
• 当前自动化系统在受控环境中表现出中等到高准确率，但在真实临床环境中的部署仍面临挑战。
• 与单模态方法相比，行为与生理信号的融合可显著提升疼痛识别性能。