DETECÇÃO AUTOMÁTICA DA DOR POR MEIO DE EXPRESSÕES FACIAIS
A complexidade e a demora em se codificar manualmente a face humana pode fazer com que a utilização do FACs no ambiente clínico seja inviável. Todavia diversos estudos já têm demonstrado que a codificação automática da face é uma ferramenta eficiente não só para identificar a dor bem como para medir sua intensidade.
Estudos publicados por LITTLEWORT et al (2009 e 2017) abordaram a problema de distinguir a dor posada (exagerada ou simplesmente inexistente) da dor genuína por meio da codificação de AUs. As Expressões faciais induzidas pela dor posada e pela dor genuína são mediadas por duas vias neurais distintas e, portanto, têm diferenças sutis em termos de movimentos e dinâmicas musculares.
O estudo conduzido pelos autores partiu do desenvolvimento de algoritmos específicos para 18 combinações de AUs, 2 para protótipos do medo e do sofrimento. Ao serem testados na análise da face de diversos pacientes foram identificadas diferenças significativas dos scores Z foram computadas para três condições (dor real, dor falsa e ausência de dor – linha de base). As AUs 1 e 4 foram consideradas estatisticamente significativas para a discriminação real em relação à dor falsa.
Experimentos conduzidos por Hammel et al (2012) culminaram com a construção de um sistema de classificação da intensidade da dor. Com excelentes resultados quando comparados às medições realizadas manualmente.
Alguns estudos já relatam aplicações clínicas bem sucedidas da detecção automatizada de dor. SIKKA (2014) relatou ter aplicado a identificação automatizada da dor para avaliar a dor pós-operatória pediátrica tendo os resultados demonstrado uma acurácia de boa à excelente para a identificação da dor e uma forte correlação com as classificações de dor de observadores humanos (pais e enfermeiras).
Tem-se, portanto no FACS, sobretudo, nos sistemas automatizados de codificação facial uma importante ferramenta para auxiliar na correta abordagem da dor em ambientes clínicos.
Referências
Gwen C Littlewort, Marian Stewart Bartlett, and Kang Lee. Faces of pain: automated measurement of spontaneousallfacial expressions of genuine and posed pain. In Proceedings of the 9th international conference on Multimodal interfaces, pages 15–21. ACM, 2007.
Gwen C Littlewort, Marian Stewart Bartlett, and Kang Lee. Automatic coding of facial expressions displayed during posed and and posed pain. In Proceedings of the 9th international conference on Multimodal interfaces, pages 15–21. ACM, 2007.
Gwen C Littlewort, Marian Stewart Bartlett, and Kang Lee. Automatic coding of facial expressions displayed during posed and genuine pain. Image and Vision Computing, 27(12):1797–1803, 2009.
Karan Sikka. Facial expression analysis for estimating pain in clinical settings. In Proceedings of the 16th International Conference on Multimodal Interaction, pages 349–353. ACM, 2014.
Karan Sikka, Alex A Ahmed, Damaris Diaz, Matthew S Goodwin, Kenneth D Craig, Marian S Bartlett, and Jeannie S Huang. Automated assessment of childrens postoperative pain using computer vision. Pediatrics, 136(1):e124–e131, 2015. [80] Karan Sikka, Abhinav Dhall, and Marian Stewart Bartlett. Classification and weakly supervised pain localization using multiple segment representation. Image and vision computing, 32(10):659– 670, 2014.
Zakia Hammal and Jeffrey F Cohn. Automatic detection of pain intensity. In Proceedings of the 14th ACM international conference on Multimodal interaction, pages 47–52. ACM, 2012.