論文の概要: GraphAU-Pain: Graph-based Action Unit Representation for Pain Intensity Estimation

• arxiv url: http://arxiv.org/abs/2505.19802v1
• Date: Mon, 26 May 2025 10:35:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-27 16:58:43.357549
• Title: GraphAU-Pain: Graph-based Action Unit Representation for Pain Intensity Estimation
• Title（参考訳）: GraphAU-Pain: 痛み強度推定のためのグラフベースのアクションユニット表現
• Authors: Zhiyu Wang, Yang Liu, Hatice Gunes,
• Abstract要約: 既存の表情から痛みを検出するデータ駆動手法は、解釈可能性と重大さによって制限される。 グラフニューラルネットワークを利用することで、我々のフレームワークは解釈可能性の向上と大幅な性能向上を提供する。 一般公開されたUNBCデータセットで実施された実験は、GraphAU-Painの有効性を実証している。
• 参考スコア（独自算出の注目度）: 14.267177649888994
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Understanding pain-related facial behaviors is essential for digital healthcare in terms of effective monitoring, assisted diagnostics, and treatment planning, particularly for patients unable to communicate verbally. Existing data-driven methods of detecting pain from facial expressions are limited due to interpretability and severity quantification. To this end, we propose GraphAU-Pain, leveraging a graph-based framework to model facial Action Units (AUs) and their interrelationships for pain intensity estimation. AUs are represented as graph nodes, with co-occurrence relationships as edges, enabling a more expressive depiction of pain-related facial behaviors. By utilizing a relational graph neural network, our framework offers improved interpretability and significant performance gains. Experiments conducted on the publicly available UNBC dataset demonstrate the effectiveness of the GraphAU-Pain, achieving an F1-score of 66.21% and accuracy of 87.61% in pain intensity estimation.
• Abstract（参考訳）: 痛みに関連する顔行動を理解することは、効果的なモニタリング、診断支援、治療計画の観点から、特に言葉でコミュニケーションできない患者にとって、デジタル医療にとって不可欠である。 既存の表情から痛みを検出するデータ駆動手法は、解釈可能性と重度定量化によって制限される。 この目的のために,顔行動単位(AU)とその相互関係をモデル化するためのグラフベースのフレームワークであるGraphAU-Painを提案する。 AUはグラフノードとして表現され、共起関係をエッジとして、痛みに関連する顔の振る舞いをより表現的に表現することができる。 リレーショナルグラフニューラルネットワークを利用することで、我々のフレームワークは解釈可能性の向上と大幅な性能向上を提供する。 一般公開されたUNBCデータセットで行われた実験は、GraphAU-Painの有効性を示し、F1スコアは66.21%、精度は87.61%である。

関連論文リスト

• Beyond Feature Importance: Feature Interactions in Predicting Post-Stroke Rigidity with Graph Explainable AI [12.69689718988924]
  筋緊張と硬さを特徴とする後ストローク剛性は、生存者の移動性や生活の質に大きな影響を及ぼす。 本研究は,グラフに基づく説明可能なAIによって特徴的相互作用を強調することによって,ストローク後の剛性を予測するという課題に対処する。
  論文  参考訳（メタデータ） (2025-04-10T22:20:22Z)
• Improving Pain Classification using Spatio-Temporal Deep Learning Approaches with Facial Expressions [0.27309692684728604]
  痛み管理と重症度検出は効果的な治療に不可欠である。 伝統的な自己申告法は主観的であり、非言語的個人には適さない。 表情を用いた痛みの自動検出について検討する。
  論文  参考訳（メタデータ） (2025-01-12T11:54:46Z)
• Dynamic Graph Enhanced Contrastive Learning for Chest X-ray Report Generation [92.73584302508907]
  コントラスト学習を用いた医療レポート作成を支援するために,動的構造とノードを持つ知識グラフを提案する。 詳しくは、グラフの基本構造は一般知識から事前構築される。 各イメージ機能は、レポート生成のためにデコーダモジュールに入力する前に、独自の更新グラフに統合される。
  論文  参考訳（メタデータ） (2023-03-18T03:53:43Z)
• Intelligent Sight and Sound: A Chronic Cancer Pain Dataset [74.77784420691937]
  本稿では,Intelligent Sight and Sound (ISS) 臨床試験の一環として収集された,最初の慢性ガン痛データセットを紹介する。 これまで収集されたデータは29の患者、509のスマートフォンビデオ、189,999のフレーム、そして自己報告された感情と活動の痛みのスコアから成っている。 静的画像とマルチモーダルデータを用いて、自己報告された痛みレベルを予測する。
  論文  参考訳（メタデータ） (2022-04-07T22:14:37Z)
• Predicting Patient Readmission Risk from Medical Text via Knowledge Graph Enhanced Multiview Graph Convolution [67.72545656557858]
  本稿では,電子健康記録の医用テキストを予測に用いる新しい手法を提案する。 外部知識グラフによって強化された多視点グラフを有する患者の退院サマリーを表現している。 実験により,本手法の有効性が証明され,最先端の性能が得られた。
  論文  参考訳（メタデータ） (2021-12-19T01:45:57Z)
• U-GAT: Multimodal Graph Attention Network for COVID-19 Outcome Prediction [31.26241022394112]
  新型コロナウイルス(COVID-19)の最初の波で、病院は多数の入院患者に圧倒された。 画像情報と非画像情報を組み合わせた全体論的なグラフベースのアプローチは、早期の予後を可能にする可能性がある。 本稿では,患者をクラスタリングするための人口グラフを構築するためのマルチモーダル類似度指標と,このグラフを処理するための画像ベースのエンドツーエンドグラフ注意ネットワークを提案する。
  論文  参考訳（メタデータ） (2021-07-29T12:00:54Z)
• Non-contact Pain Recognition from Video Sequences with Remote Physiological Measurements Prediction [53.03469655641418]
  痛み認識のための非接触方式で外観変化と生理的手がかりの両方を符号化する新しいマルチタスク学習フレームワークを提案する。 我々は、一般に利用可能な痛みデータベース上で、非接触痛認識の最先端性能を確立する。
  論文  参考訳（メタデータ） (2021-05-18T20:47:45Z)
• IA-GCN: Interpretable Attention based Graph Convolutional Network for Disease prediction [47.999621481852266]
  タスクに対する入力特徴の臨床的関連性を解釈する,解釈可能なグラフ学習モデルを提案する。 臨床シナリオでは、そのようなモデルは、臨床専門家が診断および治療計画のためのより良い意思決定を支援することができる。 本研究では,Tadpoleの平均精度が3.2%,UKBBジェンダーが1.6%,UKBB年齢予測タスクが2%と,比較方法と比較して優れた性能を示した。
  論文  参考訳（メタデータ） (2021-03-29T13:04:02Z)
• Dynamic Graph Correlation Learning for Disease Diagnosis with Incomplete Labels [66.57101219176275]
  胸部X線画像上の疾患診断は,多ラベル分類の課題である。 本稿では,異なる疾患間の相互依存を調査する新たな視点を提示する病的診断グラフ畳み込みネットワーク(DD-GCN)を提案する。 本手法は,相関学習のための動的隣接行列を用いた特徴写像上のグラフを初めて構築する手法である。
  論文  参考訳（メタデータ） (2020-02-26T17:10:48Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。