Avaliação de Dor em Expressão Facial Neonatal por meio de Redes Neurais Profundas

• Lucas F. Buzuti Centro Universitário FEI
• Carlos E. Thomaz Centro Universitário FEI

DOI: https://doi.org/10.5753/sbcas.2021.16099

Resumo

A avaliação da dor neonatal pode sofrer variações entre profissionais de saúde, resultando em intervenção tardia e tratamento inconsistente da dor. Neste contexto, o objetivo desta dissertação foi analisar, quantitativa e qualitativamente, modelos de Redes Neurais Convolucionais na tarefa de classificação automática da dor neonatal por meio de imagens de faces de dois bancos de dados distintos (um internacional, denominado COPE, e outro nacional, denominado UNIFESP). Os resultados quantitativos mostraram a superioridade da arquitetura N-CNN para avaliação automática da dor neonatal, com acurácias médias de 87.2% e 78.7% para os bancos de imagens COPE e UNIFESP, respectivamente. No entanto, a análise qualitativa evidenciou que todos os modelos neurais avaliados, incluindo a arquitetura Neonatal Convolutional Neural Network (N-CNN), podem aprender artefatos da imagem e não variações discriminantes das faces, mostrando a necessidade de mais estudos para aplicação de tais modelos na prática clínica em questão.

Referências

Anand, K. J. and Carr, D. B. (1989). The neuroanatomy, neurophysiology, and neurochemistry of pain, stress, and analgesia in newborns and children. Pediatric Clinics of North America, 36(4):795–822.

Bhutta, A. T. and Anand, K. (2002). Vulnerability of the developing brain: neuronal mechanisms. Clinics in perinatology, 29(3):357–372.

Brahnam, S., Chuang, C.-F., Shih, F. Y., and Slack, M. R. (2006). Machine recognition and representation of neonatal facial displays of acute pain. Articial intelligence in medicine, 36(3):211–222.

Brummelte, S., Grunau, R. E., Chau, V., Poskitt, K. J., Brant, R., Vinall, J., Gover, A., Synnes, A. R., and Miller, S. P. (2012). Procedural pain and brain development in premature newborns. Annals of neurology, 71(3):385–396.

Deng, J., Guo, J., Zhou, Y., Yu, J., Kotsia, I., and Zafeiriou, S. (2019). Retinaface: Single stage dense face localisation in the wild. arXiv preprint arXiv:1905.00641.

Grunau, R. E., Tu, M. T., Whiteld, M. F., Oberlander, T. F., Weinberg, J., Yu, W., Thiessen, P., Gosse, G., and Scheifele, D. (2010). Cortisol, behavior, and heart rate reactivity to immunization pain at 4 months corrected age in infants born very preterm. The Clinical journal of pain, 26(8):698.

Grunau, R. E., Weinberg, J., and Whiteld, M. F. (2004). Neonatal procedural pain and preterm infant cortisol response to novelty at 8 months. Pediatrics, 114(1):e77–e84.

He, K., Zhang, X., Ren, S., and Sun, J. (2016). Deep residual learning for image reIn Proceedings of the IEEE conference on computer vision and pattern cognition. recognition, pages 770–778.

Heiderich, T. M., Leslie, A. T. F. S., and Guinsburg, R. (2015). Neonatal procedural pain can be assessed by computer software that has good sensitivity and specicity to detect facial movements. Acta Paediatrica, 104(2):e63–e69.

Selvaraju, R. R., Cogswell, M., Das, A., Vedantam, R., Parikh, D., and Batra, D. (2017). Grad-cam: Visual explanations from deep networks via gradient-based localization. In Proceedings of the IEEE international conference on computer vision, pages 618–626.

Vinall, J., Miller, S. P., Chau, V., Brummelte, S., Synnes, A. R., and Grunau, R. E. (2012). Neonatal pain in relation to postnatal growth in infants born very preterm. Pain, 153(7):1374–1381.

Walker, S. M. (2017). Translational studies identify long-term impact of prior neonatal pain experience. Pain, 158:S29–S42.

Zamzmi, G., Paul, R., Goldgof, D., Kasturi, R., and Sun, Y. (2019). Pain assessment from facial expression: Neonatal convolutional neural network (n-cnn). In 2019 International Joint Conference on Neural Networks (IJCNN), pages 1–7. IEEE.