Clasificación de imágenes de expresión del dolor en ancianos con fracturas de cadera basada en una red mejorada ResNet50

El objetivo de este estudio es diseñar una red mejorada ResNet 50 para lograr un modelo de clasificación automática de expresiones de dolor en pacientes ancianos con fracturas de cadera. Este estudio construyó un conjunto de datos combinando las ventajas del aprendizaje profundo en el reconocimiento de imágenes, utilizando un híbrido de Redes Neuronales Convolucionales en Cascada de Múltiples Tareas (MTCNN). Basado en el marco de la red ResNet50, se utilizó el aprendizaje por transferencia para implementar la función del modelo. Este estudio realizó la optimización de hiperparámetros mediante optimización bayesiana en el proceso de aprendizaje. Este estudio calculó la correlación intraclase entre las puntuaciones de la escala visual analógica proporcionadas por clínicos de manera independiente y las proporcionadas por el asistente de evaluación de expresión del dolor (PEEA). El modelo automático de reconocimiento de expresión del dolor en pacientes ancianos con fracturas de cadera fue construido utilizando el algoritmo. La precisión alcanzó el 99.6% en el conjunto de entrenamiento, el 98.7% en el conjunto de validación y el 98.2% en el conjunto de prueba. El sustancial coeficiente kappa de 0.683 confirmó la eficacia de PEEA en clínica. Este estudio demuestra que la red mejorada ResNet50 se puede utilizar para construir un modelo automático de reconocimiento de expresión del dolor para pacientes ancianos con fracturas de cadera, que tiene una mayor precisión.