Artificial Intelligence-Based Pain Intensity Detection through Facial Expression Analysis

Abstract

Останніми роками розпізнавання вираження емоцій стало важчим через значні варіації. Виявлення інтенсивності болю за допомогою ML передбачає використання алгоритмів для аналізу різних показників, а саме. вираз обличчя, фізіологічні сигнали або моделі поведінки, щоб об’єктивно оцінити та класифікувати тяжкість болю. Моделі ML, навчені на різноманітних наборах даних, дозволяють точно прогнозувати та сприяють вдосконаленню неінвазивних та автоматизованих підходів для оцінки інтенсивності болю в клінічних умовах. У цій статті розглядаються різні моделі, які використовувалися дослідниками протягом останніх кількох років, і точність, досягнута ними в різних наборах даних про біль, які використовуються в їхній існуючій літературі. Він також пропонує загальну рамкову ідею для системи, яка відкриває двері для індивідуальних, керованих даними планів лікування на додаток до надання медичним працівникам швидкої та точної діагностичної інформації. У нашому дослідженні визнаються обмеження традиційних методів, які часто покладаються на суб’єктивну самооцінку, особливо при роботі з пацієнтами, які перебувають у несвідомому стані або частково недієздатні та не можуть спілкуватися вербально. Такий тип розробленої системи може досягти успіху у виявленні відчуття болю шляхом ретельного вивчення виразу обличчя, забезпечуючи цінний невербальний спосіб спілкування для людей, які стикаються з труднощами у словесному вираженні свого болю. У цій статті було запропоновано можливість для IoT і хмарних обчислень трансформувати охорону здоров’я, пропонуючи неінвазивний спосіб вимірювання інтенсивності болю в реальному часі.

Recognizing emotion expression has become more difficult in recent years due to significant variation. Pain intensity detection using ML involves leveraging algorithms to analyze various indicators, viz. facial expressions, physiological signals, or behavioral patterns, to objectively assess and categorize the severity of pain. ML models, trained on diverse datasets, enable accurate predictions and contribute to advancing noninvasive and automated approaches for evaluating pain intensity in clinical settings. This paper survey the different models that have been used by researchers in last few years and the accuracy achieved by them in various pain datasets used in their existing literature. It also suggests a general framework idea for a system that opens the door for individualized, data-driven treatment plans in addition to providing healthcare professionals with fast and accurate diagnostic information. The limitations of traditional methods, which often rely on subjective self-reporting, especially when dealing with patients who are unconscious or partially abled and unable to communicate verbally, are recognized in our research. Such type of designed system can excel in detecting pain sentiments by closely examining facial expressions, providing a valuable non-verbal avenue of communication for individuals who face challenges in articulating their pain verbally. The opportunity for IoT and cloud computing to transform healthcare by offering a real-time, non-invasive way to measure pain intensity have been suggested in this paper.