Pain is typically assessed by patient self-report. Self-reported pain, however, is difficult to interpret and may be impaired or in some circumstances (i.e., young children and the severely ill) not even possible. To circumvent these problems behavioral scientists have identified reliable and valid facial indicators of pain. Hitherto, these methods have required manual measurement by highly skilled human observers. In this paper we explore an approach for automatically recognizing acute pain without the need for human observers. Specifically, our study was restricted to automatically detecting pain in adult patients with rotator cuff injuries. The system employed video input of the patients as they moved their affected and unaffected shoulder. Two types of ground truth were considered. Sequence-level ground truth consisted of Likert-type ratings by skilled observers. Frame-level ground truth was calculated from presence/absence and intensity of facial actions previously associated with pain. Active appearance models (AAM) were used to decouple shape and appearance in the digitized face images. Support vector machines (SVM) were compared for several representations from the AAM and of ground truth of varying granularity. We explored two questions pertinent to the construction, design and development of automatic pain detection systems. First, at what level (i.e., sequence- or frame-level) should datasets be labeled in order to obtain satisfactory automatic pain detection performance? Second, how important is it, at both levels of labeling, that we non-rigidly register the face?

疼痛通常通过患者的自我报告来评估。然而，自我报告的疼痛难以解释并且可能受到损害，或者在某些情况下（即幼儿和重病患者）甚至不可能。为了规避这些问题，行为科学家已经确定了可靠且有效的面部疼痛指标。迄今为止，这些方法需要由高度熟练的人类观察者手动测量。在本文中，我们探索了一种无需人类观察者即可自动识别急性疼痛的方法。具体来说，我们的研究仅限于自动检测肩袖损伤成年患者的疼痛。当患者移动其受影响和未受影响的肩膀时，该系统采用患者的视频输入。考虑了两种类型的基本事实。序列级基本事实由熟练的观察者进行的李克特式评级组成。根据先前与疼痛相关的面部动作的存在/不存在和强度计算帧级真实情况。主动外观模型 (AAM) 用于将数字化人脸图像中的形状和外观分离。对来自 AAM 的几种表示和不同粒度的地面实况的支持向量机 (SVM) 进行了比较。我们探讨了与自动疼痛检测系统的构建、设计和开发相关的两个问题。首先，应该在什么级别（即序列或帧级别）标记数据集以获得令人满意的自动疼痛检测性能？其次，在两个标签级别上，我们非刚性地注册面部有多重要？根据先前与疼痛相关的面部动作的存在/不存在和强度计算帧级真实情况。主动外观模型 (AAM) 用于将数字化人脸图像中的形状和外观分离。对来自 AAM 的几种表示和不同粒度的地面实况的支持向量机 (SVM) 进行了比较。我们探讨了与自动疼痛检测系统的构建、设计和开发相关的两个问题。首先，应该在什么级别（即序列或帧级别）标记数据集以获得令人满意的自动疼痛检测性能？其次，在两个标签级别上，我们非刚性地注册面部有多重要？根据先前与疼痛相关的面部动作的存在/不存在和强度计算帧级真实情况。主动外观模型 (AAM) 用于将数字化人脸图像中的形状和外观分离。对来自 AAM 的几种表示和不同粒度的地面实况的支持向量机 (SVM) 进行了比较。我们探讨了与自动疼痛检测系统的构建、设计和开发相关的两个问题。首先，应该在什么级别（即序列或帧级别）标记数据集以获得令人满意的自动疼痛检测性能？其次，在两个标签级别上，我们非刚性地注册面部有多重要？主动外观模型 (AAM) 用于将数字化人脸图像中的形状和外观分离。对来自 AAM 的几种表示和不同粒度的地面实况的支持向量机 (SVM) 进行了比较。我们探讨了与自动疼痛检测系统的构建、设计和开发相关的两个问题。首先，应该在什么级别（即序列或帧级别）标记数据集以获得令人满意的自动疼痛检测性能？其次，在两个标签级别上，我们非刚性地注册面部有多重要？主动外观模型 (AAM) 用于将数字化人脸图像中的形状和外观分离。对来自 AAM 的几种表示和不同粒度的地面实况的支持向量机 (SVM) 进行了比较。我们探讨了与自动疼痛检测系统的构建、设计和开发相关的两个问题。首先，应该在什么级别（即序列或帧级别）标记数据集以获得令人满意的自动疼痛检测性能？其次，在两个标签级别上，我们非刚性地注册面部有多重要？自动疼痛检测系统的设计和开发。首先，应该在什么级别（即序列或帧级别）标记数据集以获得令人满意的自动疼痛检测性能？其次，在两个标签级别上，我们非刚性地注册面部有多重要？自动疼痛检测系统的设计和开发。首先，应该在什么级别（即序列或帧级别）标记数据集以获得令人满意的自动疼痛检测性能？其次，在两个标签级别上，我们非刚性地注册面部有多重要？