В нoвoм исслeдoвaнии, рeзультaты кoтoрoгo oпубликoвaны в журнaлe Informatics, исслeдoвaтeли исслeдoвaли испoльзoвaниe передовых методов машинного обучения про распознавания выражений лица наподобие показателей ухудшения здоровья пациентов.
В исследовании использовалась систематическая методика для разработки и оценки модели конволюционной длинной кратковременной памяти (ConvLSTM) в (видах распознавания выражений лица, особенно тех, которые указывают нате ухудшение состояния пациента.
Голову) с помощью современных инструментов был создан после данных трехмерных анимированных аватаров с различными выражениями лица. Сии аватары были разработаны таким образом, дабы имитировать лица реальных людей с различными характеристиками, такими что возраст, этническая реквизит и черты лица.
Результаты исследования показывают, как будто разработанная модель сверхточной долговременной кратковременной памяти (ConvLSTM) может воистину прогнозировать риски интересах здоровья с впечатляющей точностью 99,89%, будто может улучшить раннее показывание и улучшить результаты лечения пациентов в больничных условиях.
