IoT-Enabled Pediatric Pain Care Leveraging Majority Vote-Based Transfer Learning Models
Notice bibliographique
Résumé
Internet of Things (IoT) technology has led to several advancements in healthcare such as remote patient monitoring, robotic surgery, and automated fall detection. Pediatric pain care is an important area that encompasses comprehensive practices dedicated to pediatric pain assessment, monitoring, and management. The objective of this paper is to integrate IoT and Artificial Intelligence (AI) to design an automated monitoring and assessment system for pediatric pain care that includes a rapid response to detected pain experiences. To detect pain experiences in infants, we first trained seven Transfer Learning (TL) models (VGG19, DenseNet121, MobileNetv2, InceptionResNetV2, EfficientNetB0, Xception, and ResNet-50) using synthetic images generated with the stable diffusion model. Furthermore, to optimize the model’s performance, we employed a majority vote ensemble method where the final prediction is based on the majority of predictions from these TL models. We analyzed the combined effect of TL models by aggregating predictions from the top three, top five, and all seven TL models through majority voting. Using three TL models, achieved the highest accuracy of ${9 5 . 0 5 \%}$. Additionally, upon detecting signs of pain in infants, our system triggers audio or visual responses and alerts physicians or parents via a mobile app. This integrated approach enhances real-time pain assessment while enabling prompt and personalized interventions in pediatric pain care.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».