자동 통증 평가는 통증을 정확하게 인식하고 정량화하는 것을 포함하며, 이는 비디오 및 생리 신호와 같은 다양한 출처에서 유래할 수 있는 데이터 양식에 따라 달라진다. 기존의 통증 평가 방법은 주관적 자기보고에 의존하는데, 이는 임상 환경에서 객관성, 일관성 및 전반적인 효과를 제한한다. 기계 학습은 유망한 대안이 될 수 있지만, 많은 기존 접근법은 단일 데이터 양식에 의존하여 통증 관련 반응의 다면적 특성을 충분히 포착하지 못할 수 있다. 이에 반해, 멀티모달 접근은 다양한 정보원을 통합함으로써 보다 포괄적인 이해를 제공할 수 있다. 이를 위해 본 연구는 멀티모달 데이터를 활용하여 다양한 임상 시나리오 전반에서 견고성과 적응성을 향상시키는, 통증의 생리적 및 행동적 상관관계를 분류하기 위한 이중 스트림(dual-stream) 프레임워크를 제안한다. 우리의 프레임워크는 각 양식에 대해 마스킹된 오토인코더 사전학습으로 시작한다: 얼굴 비디오와 다변량 생체-심리 신호(multivariate bio-psychological signals). 이를 통해 원시의 시간적 입력을 의미 있는 표현으로 압축하여 고차원 데이터에서 복잡한 패턴을 포착하는 능력을 향상시킨다. 두 번째 단계에서 전체 분류기는 이중 하이브리드 위치 인코딩 임베딩(dual hybrid positional encoding embedding)과 크로스-어텐션 융합(cross-attention fusion)으로 구성된다. 통증 평가 결과, 본 모델은 전극 기반 및 열 자극(heat-induced) 설정에 대해 AI4Pain 및 BioVid 데이터셋에서 우수한 성능을 보였다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.