En este trabajo se desarrolló un sistema de detección automática de dolor y su in- tensidad, usando como base la escala PSPI. Para el desarrollo del sistema se seleccionó la base de datos UNBC-McMaster de pacientes de dolor de hombro. Se balancearon los datos de esta base de datos y se estableció una clasificación de donde se selecciona- ron los conjuntos de entrenamiento y prueba para el desarrollo del sistema.
El sistema fue diseñado usando el detector de rostro Viola-Jones, el algoritmo LBPH para la extracción de características que permiten tener un funcionamiento en tiempo real y el método de clasificación supervisada vecinos cercanos, para la clasificación de la nueva imagen de rostro.
El uso del sistema fue evaluado en un ambiente real, en un centro de rehabilitación física, obteniendo muy buenos resultados en la detección del rostro del sujeto, inde- pendientemente del ambiente. También se evaluó su precisión en la clasificación del dolor y su intensidad con respecto a especialistas de la salud, teniendo como resultado el sistema un margen menor de error al de los especialistas.
7.1. Conclusiones
En comparación con otros sistemas reportados en la literatura para la detección del dolor, en donde el proceso de clasificación toma la imagen y realiza el procesamiento de las expresiones en tiempo real; el sistema presentado en este trabajo, toma una imagen de la persona que está siendo diagnosticada, para enseguida usar el detector de rostros Viola-Jones para delimitar la imagen al rostro, de esta imagen se extraen sus características usando el algoritmo LBPH, las cuales son utilizadas por el método de vecinos cercanos (previamente entrenado), para realizar la clasificación de la imagen del rostro obtenida, dentro de alguna de las clases ya establecidas de la intensidad del dolor. Todo lo anterior permite tener un funcionamiento en tiempo real con muy buena precisión y menos tiempo de procesamiento.
El rendimiento obtenido con la base de datos seleccionada fue de 85.6 % en exac- titud, similar a los observados en trabajos previos, pero con una notable robustez
respecto a cambios de iluminación y la posición del sujeto. Por otro lado la precisión en la clasificación del dolor por parte del sistema, en relación a profesionales de la salud que participaron en la evaluación, fue mucho mayor.
Con los resultados obtenidos de las pruebas y evaluación del sistema, se puede concluir que el sistema que se desarrolló cuenta con buenos resultados para que se pueda considerar su uso en un ambiente real, como una herramienta de apoyo duran- te la detección del dolor. En particular, los especialistas del cuidado de la salud que tuvieron contacto con el sistema, lo consideraron de gran utilidad, haciendo hincapié en casos especiales, en dónde los pacientes no pueden expresar su sentir.
7.2. Aportaciones
Del presente trabajo se obtuvieron las siguientes aportaciones:
Un sistema de detección automática de intensidad de dolor, que permite la clasi- ficación del mismo en tiempo real.
7.3. Limitaciones
Las limitaciones encontradas en el presente trabajo fueron las siguientes:
Las pruebas en tiempo real tuvieron algunos inconvenientes por el tipo de terapia que tenían los participantes.
7.4. Trabajo a futuro
Dentro del trabajo futuro que se puede plantear a partir del presente trabajo, se encuentra:
Evaluar el sistema, en otros ambientes de salud, como puede ser un hospital, donde se incluya la medición médica del dolor y la opinión del paciente, en los casos donde sea posible.
Evaluar la utilidad del sistema con más especialistas de la salud.
Probar la precisión del sistema usando una cámara de mejor resolución.
Diseñar un mecanismo en el que la cámara pueda estar tomando todo el tiempo la imagen del paciente, independientemente de su posición y movimientos, por ejemplo un paciente en cama.
Agregar sensores a la medición que permitan tener más datos para validar la intensidad de dolor, así como ampliar y probar otros en escenarios de uso.
Literatura citada
Ahonen, T., Hadid, A., y Pietikäinen, M. (2004). Face Recognition with Local Binary Patterns. 2(4): 469–481.
Andelin, E. I. y Rusu, A. S. (2015). Investigation of Facial Micro-expressions of Emotions in Psychopathy – A Case Study of an Individual in Detention. Procedia - Social and Behavioral Sciences,209(July): 46–52.
Ashraf, A. B., Lucey, S., Cohn, J. F., Chen, T., Ambadar, Z., Prkachin, K. M., y Solomon, P. E. (2009). The painful face – Pain expression recognition using active appearance models. Image and Vision Computing,27(12): 1788–1796.
Barandiaran, I. (1998). The random subspace method for constructing decision forests.
IEEE Trans. Pattern Anal. Mach. Intell,20(8): 1–22.
Belhumeur, P. N., Hespanha, J. P., y Kriegman, D. J. (1996). Eigenfaces vs. fisherfa- ces: Recognition using class specific linear projection. En: European conference on computer vision. Springer, pp. 43–58.
Breiman, L. (1999). Random forests. UC Berkeley TR567.
Cantis, J. G. (2002). Expresión de los afectos en las personas afásicas. pp. 71–81. Chan, C.-H., Kittler, J., y Messer, K. (2007). Multi-scale local binary pattern histograms
for face recognition. En: International conference on biometrics. Springer, pp. 809–
818.
Chen, J., Liu, X., Tu, P., y Aragones, A. (2012). Person-specific expression recognition with transfer learning. En: 2012 19th IEEE International Conference on Image Pro- cessing. IEEE, pp. 2621–2624.
Chen, J., Chi, Z., y Fu, H. (2015). A new approach for pain event detection in video. En:
2015 International Conference on Affective Computing and Intelligent Interaction, ACII 2015. IEEE, pp. 250–254.
Duda, R. O., Hart, P. E., y Stork, D. G. (2012). Pattern classification. John Wiley & Sons.
Ekman, P. (1997). Should We Call it Expression or Communication? Paul Ekman. 10(4): 333–344.
Endres, J. y Laidlaw, A. (2009). Micro-expression recognition training in medical stu- dents: A pilot study. BMC Medical Education, 9(1): 2–7.
Falco, P., Noonan, C., y Cao, G. (2016). REFLEX: Face Micro-Expression Recognition System for TV Content Curation. Proceedings of the ACM International Conference on Interactive Experiences for TV and Online Video, pp. 163–169.
Hammal, Z. y Cohn, J. F. (2012). Automatic detection of pain intensity. En: ICMI’12
- Proceedings of the ACM International Conference on Multimodal Interaction. pp.
47–52.
Haque, M. A., Nasrollahi, K., y Moeslund, T. B. (2017). Pain expression as a biometric: Why patients’ self-reported pain doesn’t match with the objectively measured pain? En: 2017 IEEE International Conference on Identity, Security and Behavior Analysis, ISBA 2017. IEEE, pp. 1–8.
Iliadis, L. y Jayne, C. (2015). Engineering applications of neural networks: 16th interna- tional conference, EANN 2015 Rhodes, Greece, September 25-28, 2015 proceedings.
En:Communications in Computer and Information Science. Vol. 517.
Jiang, M., Mieronkoski, R., Rahmani, A. M., Hagelberg, N., y Salanter, S. (2017). Ultra- Short-Term Analysis of Heart Rate Variability for Real-time Acute Pain Monitoring with Wearable Electronics. En:2017 IEEE International Conference on Bioinformatics and Biomedicine (BIBM). IEEE, pp. 1025–1032.
Kaltwang, S., Rudovic, O., y Pantic, M. (2012). Continuous Pain Intensity Estimation from Facial Expressions BT - Advances in Visual Computing. Advances in Visual Com- puting, 7432(Chapter 36): 368–377.
Lucey, P., Cohn, J. F., Matthews, I., Lucey, S., Sridharan, S., Howlett, J., y Prkachin, K. M. (2010). Automatically detecting pain in video through facial action units. IEEE
Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics), 41(3): 664–
674.
Lucey, P., Cohn, J. F., Member, A., Matthews, I., Lucey, S., Sridharan, S., Member, S., Howlett, J., y Prkachin, K. M. (2011a). Automatically Detecting Pain in Video Through Facial Action Units. IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics),41(3): 664–674.
Lucey, P., Cohn, J. F., Prkachin, K. M., Solomon, P. E., y Matthews, I. (2011b). Painful da- ta: The UNBC-McMaster shoulder pain expression archive database. En: 2011 IEEE International Conference on Automatic Face and Gesture Recognition and Works- hops, FG 2011. pp. 57–64.
Lucey, P., Cohn, J. F., Prkachin, K. M., Solomon, P. E., y Matthews, I. (2011c). Painful data: The UNBC-McMaster shoulder pain expression archive database. En: 2011 IEEE In- ternational Conference on Automatic Face and Gesture Recognition and Workshops, FG 2011. pp. 57–64.
Lucey, P., Cohn, J. F., Prkachin, K. M., Solomon, P. E., Chew, S., y Matthews, I. (2012). Painful monitoring: Automatic pain monitoring using the UNBC-McMaster shoulder pain expression archive database. En: Image and Vision Computing. Elsevier B.V.,
Vol. 30, pp. 197–205.
Mallat, S. G. (1989). A theory for multiresolution signal decomposition: the wavelet representation. IEEE Transactions on Pattern Analysis & Machine Intelligence, (7):
674–693.
Marco, V. R., Young, D. M., y Turner, D. W. (1987). The euclidean distance classifier: an alternative to the linear discriminant function. Communications in Statistics- Simulation and Computation,16(2): 485–505.
Özdil, A. y Özbilen, M. M. (2014). A survey on comparison of face recognition algo- rithms.8th IEEE International Conference on Application of Information and Commu-
nication Technologies, AICT 2014 - Conference Proceedings.
Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M., y Duchesnay, E. (2011). Scikit-learn: Machine learning in Python. Journal of Machine Learning Research,12: 2825–2830.
Roy, S. D., Bhowmik, M. K., Saha, P., y Ghosh, A. K. (2016). An Approach for Automatic Pain Detection through Facial Expression. En: Procedia Computer Science. Elsevier
Masson SAS, Vol. 84, pp. 99–106.
Vishwanathan, S. y Murty, M. N. (2002). Ssvm: a simple svm algorithm. En:Proceedings of the 2002 International Joint Conference on Neural Networks. IJCNN’02 (Cat. No. 02CH37290). IEEE, Vol. 3, pp. 2393–2398.
Walter, S., Traue, H. C., Werner, P., Crawcour, S., Andrade, A. O., y Moreira, G. (2013). The BioVid Heat Pain Database. pp. 128–131.
Wang, Y.-Q. (2014). An analysis of the viola-jones face detection algorithm. Image Processing On Line, 4: 128–148.
Werner, P., Werner, P., Al-hamadi, A., Limbrecht-ecklundt, K., Walter, S., Gruss, S., y Traue, H. C. (2017). Supplemental Material ( Automatic Pain Assessment with Facial Activity Descriptors ) Automatic Pain Assessment with Facial Activity Descriptors – Supplemental Material –. 8(May): 286–299.