Tehokas spatiotemporaalisen esitystavan oppiminen kivun voimakkuuden arvioimiseksi kasvonilmeistä
Väitöstilaisuuden tiedot
Väitöstilaisuuden päivämäärä ja aika
Väitöstilaisuuden paikka
L10, Linnanmaa. Etäyhteys: https://oulu.zoom.us/j/63951769297
Väitöksen aihe
Tehokas spatiotemporaalisen esitystavan oppiminen kivun voimakkuuden arvioimiseksi kasvonilmeistä
Väittelijä
Diplomi-insinööri Mohammad Tavakolian
Tiedekunta ja yksikkö
Oulun yliopiston tutkijakoulu, Tieto- ja sähkötekniikan tiedekunta, Konenäön ja signaalianalyysin tutkimuskeskus (CMVS)
Oppiaine
Tietotekniikka
Vastaväittäjä
Professori Karen Eguiazarian , Tampereen yliopisto
Kustos
Emeritusprofessori Matti Pietikäinen, Oulun yliopisto
Kivun voimakkuuden arvioiminen kasvonilmeistä
Kivun kokeminen liittyy todellisiin tai potentiaalisiin kudosvaurioihin. Siksi kipua voidaan pitää terveydentilan indikaattorina. Luotettava kivun arviointi auttaa diagnosoimaan sairauksia niiden alkuvaiheessa kroonisen kipusyndrooman välttämiseksi ja elämänlaadun parantamiseksi. Kipu on subjektiivinen ilmiö, jonka luonne ymmärretään elämänkokemusten kautta. Kliinisessä käytännössä itseilmoittaminen on kivunarvioinnin standardi. Kivun subjektiivisen ja monimutkaisen luonteen vuoksi itsearviointi ei ole kuitenkaan välttämättä luotettava arviointitekniikka. Sitä ei voida myöskään käyttää kommunikaatioon kykenemättömille ihmisille. Lisäksi kipua tarkkailevien henkilöiden tekemät raportit ovat myös alttiita ennakkoasenteille ja virheille, eikä niitä voida käyttää jatkuvaan seurantaan. Siksi on välttämätöntä kehittää automaattisia kivun arviointimenetelmiä, jotta voidaan saada objektiivista tietoa potilaan terveydentilasta. Lääketieteellisen evidenssin perusteella kasvonilmeet ovat käyttökelpoinen indikaattori kivusta. Siksi kasvonilmeiden tehokkaat esitystavat voivat edistää automaattista kivun arviointia.
Tässä väitöskirjassa keskitytään analysoimaan kivun aiheuttamia ilmeitä kivun voimakkuustasojen arvioimiseksi. Kasvonilmeiden voimakkaiden korrelaatioiden ja samankaltaisuuksien takia kivun voimakkuustasojen suora tulkinta ei ole yksinkertainen tehtävä. Ilmeiden hyvin pienet variaatiot erottavat kivun voimakkuusasteet toisistaan. Siksi tutkimuksessa ehdotetaan syviä spatiotemporaaliseen esitystapaan perustuvia oppimismenetelmiä koodaamaan kasvojen eriasteisia vaihteluita. Erityisesti suunnitellaan uusia neuroverkkoarkkitehtuureja ja kehitetään oppimisstrategioita poimimaan tehokkaasti kasvojen pieniä spatiotemporaalisia vaihteluja. Kasvojen ilmentymien kivunarvioinnin puutteen korjaamiseksi väitöstyössä esitetään myös datatehokkaita koneoppimiseen perustuvia malleja automaattisten kivunarviointimenetelmien suorituskyvyn parantamiseksi.
Tässä väitöskirjassa keskitytään analysoimaan kivun aiheuttamia ilmeitä kivun voimakkuustasojen arvioimiseksi. Kasvonilmeiden voimakkaiden korrelaatioiden ja samankaltaisuuksien takia kivun voimakkuustasojen suora tulkinta ei ole yksinkertainen tehtävä. Ilmeiden hyvin pienet variaatiot erottavat kivun voimakkuusasteet toisistaan. Siksi tutkimuksessa ehdotetaan syviä spatiotemporaaliseen esitystapaan perustuvia oppimismenetelmiä koodaamaan kasvojen eriasteisia vaihteluita. Erityisesti suunnitellaan uusia neuroverkkoarkkitehtuureja ja kehitetään oppimisstrategioita poimimaan tehokkaasti kasvojen pieniä spatiotemporaalisia vaihteluja. Kasvojen ilmentymien kivunarvioinnin puutteen korjaamiseksi väitöstyössä esitetään myös datatehokkaita koneoppimiseen perustuvia malleja automaattisten kivunarviointimenetelmien suorituskyvyn parantamiseksi.
Viimeksi päivitetty: 23.1.2024