PainFedMVL：一种用于多层次疼痛识别的联邦多视图学习方法

《IEEE Transactions on Neural Systems and Rehabilitation Engineering》：PainFedMVL: A Federated Multi-View Learning Approach for Multi-Level Pain Recognition

　　

摘要：

疼痛是康复和神经系统疾病中一个关键的临床指标，但由于面部细微变化、个体间差异以及临床数据的异质性，实现可靠的多级疼痛识别仍然具有挑战性。为了解决这些问题，我们提出了PainFed-MVL，这是一个适用于分布式医疗环境的联邦多视图学习框架。该框架结合了来自三个正交平面的局部二值模式（LBP-TOP）来捕捉对光照具有鲁棒性的时空纹理，以及双权重定向光流（Bi-WOOF）来编码面部的局部微动态，从而构建互补的特征表示。多尺度卷积神经网络（CNN）与双向长短期记忆网络（biLSTM）被用来提取层次化的时空依赖性，实现对全局纹理和细粒度运动线索的鲁棒建模。为了缓解分散医疗数据的非独立同分布（non-IID）特性，我们引入了一种基于Jensen-Shannon（JS）散度的自适应聚合策略，该策略明确测量了每个客户端与全局模型之间的分布距离，以实现自适应加权。这种机制减少了客户端间异质性的不利影响，稳定了优化过程，并提高了模型在多样化人群中的泛化能力。在BioVid数据集上的实验表明，PainFedMVL在二值和多级疼痛分类任务中始终优于现有的基线方法，为临床疼痛评估提供了一种鲁棒且保护隐私的解决方案。