大學 務實專題
現今對於測試藥物都以動物試驗為重要流程之一，以止痛劑為例，實驗中透過對動物施打藥劑的方式，並觀察其反應，以衡量藥劑的有效性。然而，動物無法直接透過言語表達，此在相關領域有許多的文獻在探討，以小鼠的臉部表情偵測疼痛的可行性，但多數實驗還是以專家進行人工評估，估結果容易因人而異，因此才發展以機器學習進行自動辨識，達到一致的標準。本專題建立在相關文獻上，現以小鼠的臉部特徵進行疼痛辨識時，為樣本存在偏差容易導致自動辨識的誤判，以在原先疼痛辨識的架構上，新增一層的分類器，進行樣本的鑑別以及透過將容易導致誤判的樣本移除來更新資料集，使疼痛辨識的準確率上升。
本專題仿照生成對抗網路的架構，使用兩層分類器，一層作為樣本的鑑別，第二層作為疼痛辨識。透過鑑別器進行樣本鑑別，以此區分出容易導致誤判的樣本，對資料集進行更新以提升疼痛辨識的準確率，並以機器學習取代神經網絡來建構鑑別器，使開發時間能夠大幅縮短。
本專題主要分成三個部分，以個別小鼠、全體小鼠以及未知小鼠進行疼痛辨識，考慮個體差異的情況下，察不同的資料集，討論模型對於疼痛預測的準確性以及通用性。其中並分成兩個階段，第一階段討論使用不同的演算法建構鑑別器，如支援向量機與隨機森林的情況下，資料集更新後的數量以及疼痛辨別的準確率是否提升；第二階段針對實驗組與對照組進行比較，察實驗的成效，並透過減少樣本數，觀察模型的通用性。
本實驗總共使用六隻小鼠，分別以高速攝影機錄製兩部影片，分別為施打辣椒素前、後，以區分成健康與疼痛，再經由 YOLO 算法，抓取同時具有雙耳、雙眼以及鼻子特徵的影像，並以特徵點之間的歐式距離以及角度為幾何特徵，訓練支援向量機進行疼痛辨識，並以近期相關論文提出使用卷積神經網路預測小鼠疼痛作為對照組，評估效果。
從實驗結果可得知，使用隨機森林建構鑑別器的情況下，進行容易誤判的樣本鑑別並更新資料集後，並再使用支援向量機進行疼痛辨識，其準確率能夠由80%提升至 95%。實驗組與對照組兩者判斷疼痛的結果平分秋色，但前者相較後者能大幅節省時間成本，並當訓練樣本較少時，也能夠維持其效能，不易發生過擬和的情況，具有較高的通用性。