Studente GIANVITTORIO, LORENZA
Facoltà/Dipartimento Dipartimento Ingegneria dell'Informazione
Corso di studio INGEGNERIA INFORMATICA E DELL'AUTOMAZIONE
Anno Accademico 2020
Data dell'esame finale 2021-10-22
Titolo italiano Automatic pain detection: sviluppo di un approccio basato su reti neurali convoluzionali per rilevare la presenza del dolore da espressioni del volto
Titolo inglese Automatic pain detection: development of an approach based on convolutional neural networks to detect pain from facial expressions
Abstract in italiano Il rilevamento automatico del dolore dalle espressioni facciali, in particolare dalle immagini del viso che mostrano la salute di un paziente, rimane una sfida significativa nell'area della diagnostica medica. I sistemi esperti che analizzano le immagini delle espressioni facciali, utilizzando un algoritmo di apprendimento automatico, possono essere un approccio promettente per l'analisi della presenza del dolore nel dominio della salute. Le reti neurali profonde e le tecniche emergenti di apprendimento automatico hanno compiuto progressi significativi sia nell'identificazione delle caratteristiche, che nella classificazione del dolore dalle immagini del volto, con un grande potenziale per aiutare gli operatori sanitari nella diagnosi di determinate condizioni mediche. In questa tesi, per svolgere il task di pain detection proponiamo una classificazione binaria con lo scopo di confrontare le performance fra tre diversi modelli di reti neurali pre-addestrate. Per esplorare la robustezza dell' algoritmo proposto, il database UNBC-McMaster Shoulder Pain Archive, composto da immagini del viso umano, è stato prima processato, quindi utilizzato per l'addestramento e il test dei modelli di classificazione insieme a due reti pre-addestrate deputate al task di estrazione delle features facciali: la VGG16 e la ResNet50. I risultati hanno indicato che l'algoritmo di classificazione sviluppato implementando la rete VGG16 pre addestrata su VGGFace è un potenziale strumento per il task di pain detection dalle immagini delle espressioni facciali e, pertanto, può essere adottato come strumento di intelligenza artificiale nella diagnostica medica per rilevamento automatico del dolore e successiva gestione ottimizzata dei pazienti.
Abstract in inglese Automatic pain detection from facial expressions, especially facial images showing a patient's health, remains a significant challenge in the area of ​​medical diagnostics. Expert systems that analyze facial expression images, using a machine learning algorithm, can be a promising approach for analyzing the presence of pain in the health domain. Deep neural networks and emerging machine learning techniques have made significant progress in both identifying features and categorizing pain from facial images, with great potential to help healthcare professionals diagnose certain medical conditions. In this thesis, to carry out pain detection task we propose a binary classification with the aim of comparing the performances between three different models of pre-trained neural networks. To explore the robustness of the proposed algorithm, the UNBC-McMaster Shoulder Pain Archive database, composed of images of the human face, was first processed, then used for training and testing classification models along with two pre-trained networks delegated to the task of features extraction: the VGG16 and the ResNet50. The results indicated that the classification algorithm developed by implementing the pre-trained VGG16 network on VGGFace is a potential tool for pain detection task from facial expression images and, therefore, can be adopted as an artificial intelligence tool in medical diagnostics for automatic pain detection and subsequent optimized patient management.
Relatore DRAGONI, ALDO FRANCO
Controrelatore SERNANI, PAOLO
Appare nelle tipologie: Laurea specialistica, magistrale, ciclo unico
File in questo prodotto:
File Descrizione Dimensione Formato  
Tesi_Magistrale.pdf   fino a2023-10-22 Upload della Tesi di laurea in formato PDF, al fine di conseguire la laurea magistrale. 6.01 MB Adobe PDF
frontespizio_tesi.pdf   fino a2023-10-22 Upload del frontespizio della tesi di laurea, debitamente firmato, al fine di conseguire la laurea magistrale. 182.66 kB Adobe PDF

I documenti in UNITESI sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: http://hdl.handle.net/20.500.12075/1259