31693

تشخيص شدت‌هاي مختلف درد از طريق تحليل حالات چهره با استفاده از مدل‌هاي يادگيري عميق و ساز و كار‌هاي توجه پيشرفته

كارشناسي ارشد

مهندسي پزشكي

1400

1403/06/24

دكتر ابوذر غفاري

.

مهندسي برق

درد يك احساس ناخوشايند است كه در بهبودي بيماران نقش مهمي دارد. تشخيص سنتي درد هزينه‌بر و دشوار بوده به همين علت نياز به يك سيستم خودكار براي اندازه‌گيري آن احساس مي‌شود. نظارت خودكار بر درد از روي حالت چهره مي‌تواند راه‌حل مناسبي براي مشكلات موجود در بخش‌هاي مختلف درمان باشد كه برخلاف تشخيص از روي سيگنال‌هاي مغزي يا واسطه‌هاي ديگر كه تهاجمي مي‌باشند داراي هزينه كمتر و دقت و عملكرد قابل قبول مي‌باشد. يكي از چالش‌هاي اصلي در اين حوزه، تفاوت تغييرات حالات چهره در افراد مختلف ناشي از عوامل محيطي، شخصيتي و فرهنگي است كه موجب تفاوت ابراز حالت درد در افراد مختلف مي‌شود. در اين كار تحقيقاتي، دو مدل ErAS-Net و MuReB-Net به عنوان راه‌حل‌هاي پيشنهادي براي مقابله با اين چالش معرفي شده‌اند. مدل ErAS-Net، با هدف ايجاد شبكه‌اي براي بهبود تعميم پذيري، با بهره‌گيري از چندين سازوكار پيشرفته توجه فضايي و كانالي و استفاده از يادگيري انتقالي، توانسته است در اعتبارسنجي fold-10به دقت98.77% براي طبقه‌بندي درد در دو سطح شدت و 94.21% براي چهار سطح شدت دست يابد. همچنين، در اعتبارسنجي جداسازي يك سوژه دقت 89.83% براي طبقه‌بندي درد در دو سطح شدت به دست آمده است. مدل MuReB-Net، كه از ماژول‌هاي توجه و بلوك‌هاي باقي‌مانده براي استخراج ويژگي‌هاي پيچيده با هدف بهبود عملكرد تشخيص درد و افزايش ظرفيت شبكه، استفاده مي‌كند، موفق به كسب دقت 96.55% در طبقه‌بندي دو سطح و 91.4% در طبقه‌بندي چهار سطح شدت درد شده است. روش‌هاي پيشنهادي با موفقيت توانسته‌اند چالش‌هاي ناشي از تفاوت‌هاي فردي و محيطي را با استفاده از يادگيري انتقالي و سازوكارهاي توجه بهبود بخشند و در تشخيص خودكار درد عملكردي خوب ارائه دهند.

1403/09/20

Detection of Various Pain Intensity Levels Through Facial Expression Analysis Using Deep Learning Models and Advanced Attention Mechanisms

9/14/2025 12:00:00 AM

Pain is an unpleasant sensation that plays a crucial role in patient recovery. Traditional pain detection is costly and challenging, highlighting the need for an automated system to measure it. Automatic pain monitoring through facial expressions can offer a suitable solution for various issues in treatment, as it is less invasive, more cost-effective, and provides acceptable accuracy and performance compared to detection through brain signals or other invasive methods. One of the main challenges in this field is the variation in facial expressions across individuals due to environmental, personality, and cultural factors, which leads to differences in pain expression. This report introduces two proposed models, ErAS-Net and MuReB-Net, as solutions to address this challenge. The ErAS-Net model, utilizing several advanced spatial and channel attention mechanisms and transfer learning, has achieved an accuracy of 98.77% for classifying pain into two intensity levels and 94.21% for four intensity levels in 10-fold cross-validation. Additionally, in Leave-One-Subject-Out (LOSO) validation, it achieved an accuracy of 89.83% for classifying pain into two intensity levels. The MuReB-Net model, which uses attention modules and residual blocks to extract complex features, has achieved an accuracy of 96.55% for classifying two intensity levels and 91.4% for four intensity levels of pain. The proposed methods have successfully addressed the challenges arising from individual and environmental differences using transfer learning and attention mechanisms, demonstrating effective performance in automatic pain detection.

تشخيص درد , حالات چهره , يادگيري عميق , ساز و كار هاي توجه , يادگيري انتقالي

pain detection , facial expression , deep learning , attention mechanisms , transfer learning

Mahdi Morsali

Aboozar Ghaffari