疼痛治疗的系统和方法与流程

本技术涉及疼痛治疗的系统和方法，例如，用于确定疼痛治疗的系统和方法，或用于提供疼痛治疗的系统和方法。

背景技术：

疼痛，无论是急性还是慢性、生理还是精神疼痛，都是经常用药物治疗的病况。特别是对于慢性疼痛患者，药物可能无法解除疼痛的所有症状。此外，由于药物的副作用，疼痛患者并不总是希望长期服用药物。在许多情况下，药物仅暂时掩盖了用户的疼痛，或者更糟的是，药物对疼痛几乎没有作用。

因此，有望通过替代治疗(例如数字治疗法)来替换药物或完善药物。

无论如何，无论采用哪种治疗，重要的是首先通过确定疼痛水平以及(如果可能)与受试者的疼痛病况相关的补充信息来表征人所经历的疼痛，以便对个人的需要充分调整治疗(例如，以便充分调节药物剂量)。

通过指示介于0(无疼痛)和10(最高可想到的疼痛)之间的值，人可以自我评估这类疼痛水平。这类方法既快速又方便，但是以这种方式评估的疼痛水平却是非常主观和粗略的。此外，该方法仅提供疼痛水平的值，而没有关于受试者经历的疼痛的其它信息。当人入睡、无意识或无法与负责此疼痛表征的医疗保健专业人员交互时，不能使用该方法。

可以通过向人提供与他/她的疼痛病况有关的详细调查表，以更可靠和详细的方式来表征人的疼痛病况。然后由医疗保健专业人员(例如，藻类学家)分析和综合由人提供的答案，以确定所经历的疼痛水平以及附加信息。但是，回答如此详细的调查表并分析提供的答案需要大量时间，通常多于一个小时。

最近，还开发了一种计算机实施的方法，该方法使得能够通过处理人的面部图像来自动估计人所经历的疼痛水平。这种方法基于facs系统(面部动作编码系统。首先，从人的面部图像识别出的由于肌肉收缩而导致的运动或者换句话说人面部的变形，被分解(换句话说，分类)为多种预定义的基本运动，根据facs系统分类。然后，将收集此facs类型信息的数据提供给经过训练的神经网络，所述神经网络输出对人所经历的疼痛水平的估计，人的面部呈现在图像中。该神经网络的训练基于带注释的训练数据集，每个训练数据集包括：

-训练图像，表示受试者的面部；和

-注释，由所述受试者自我评估的疼痛水平构成。

一旦神经网络已经进行训练，就可以快速估计人所经历的疼痛水平，并且即使人入睡、无意识或无法与其他人交互也可以进行估计。但是这种方法有两个主要缺点。首先，基于facs系统从人的脸部图像中提取(并且然后作为输入提供给神经网络)的信息是不完整的，而且在某种程度上是偏斜的。实际上，facs系统的预定义基本面部运动在某种程度上是常规、任意的，这些预定义的基本面部运动是针对较一般的面部表情分类定义的。换句话说，使用通用facs系统汇总含在人脸图像中的信息(其并非旨在表征疼痛病况)，通过在相当随意的基础上对图像进行过滤，造成丢失与疼痛病况相关的有用信息。另外，借助于上述神经网络估计的疼痛水平最终与自我评估的疼痛水平一样是主观、粗略的。

本技术的目的是改善现有技术中存在的至少一些不便之处。具体地说，所公开的技术的一个目的是以快速且方便的方式确定人所经历的疼痛水平(以便可以毫不延迟地缓解人的疼痛)，但是比通过自我评估更可靠。

技术实现要素：

基于开发人员对与用于确定缓解、治疗或减轻人或动物的疼痛病况的治疗的现有系统相关联的某些缺点的认识，已经开发了本技术的实施例。

基于开发人员的观察，即没有一体适用的用于缓解、治疗或减轻患有疼痛病况的人和动物的疼痛病况的治疗方法，已经开发了本技术的实施例。人们不仅对自己的疼痛水平有不同的评估，而且这种评估可能每天都在变化。对一个人起作用的疼痛治疗可能对另一个人起作用。在一个人身上一次起作用的疼痛治疗，可能另一次却不能对同一个人起作用。疼痛病况是指任何疼痛感，无论是急性还是慢性的、生理还是精神上的。

根据本技术的某些方面和实施例，如以下和权利要求书中所限定的，本技术可以确定针对患有疼痛病况的人或动物的量身定制的疼痛治疗。在某些实施例中，疼痛治疗不仅针对用户量身定制，而且针对特定场合量身定制。

所公开的技术具体地说涉及用于通过计算机系统的处理器来确定针对患有疼痛病况的人或动物的疼痛治疗的计算机实施的方法，所述方法包括：

·通过处理器，识别人或动物所经历的疼痛水平，以及

·通过处理器，基于所识别的疼痛水平来确定针对人或动物的疼痛治疗。

根据权利要求2至13中的任何一项，所公开的技术还涉及用于确定疼痛治疗的方法。

所公开的技术还涉及用于确定人所经历的疼痛水平的计算机实施的方法，其中计算机系统被编程为执行以下步骤，以便确定人所经历的疼痛水平：

-获得多模态图像或视频，其至少表示人的面部和身体的上部，并且包括人的语音记录；和

-借助于由经过训练的系数集设定参数的经过训练的机器学习算法确定所述疼痛水平，机器学习算法接收至少包括所述多模态图像或视频的输入数据，机器学习算法输出至少包括所述疼痛水平的输出数据，机器学习算法根据所述经过训练的系数从所述输入数据中确定所述输出数据；

机器学习算法的经过训练的系数先前已经通过使用几个带注释的训练数据集训练机器学习算法进行了设置，每个集与不同的受试者相关联并且包括：

-训练数据，其至少包括训练多模态图像或视频，所述训练多模态图像或视频至少表示受试者的面部和身体的上部并且包括所考虑的受试者的语音记录；和

-与训练数据相关联的注释，所述注释包括代表呈现在训练多模态训练图像或视频中的受试者所经历的疼痛水平的基准疼痛水平，所述基准疼痛水平已由生物计量学家和/或医疗保健专业人员根据与所述受试者有关的大量生物计量数据来确定，这些生物计量数据至少包括受试者的面部的一些引人注目的点在训练图像内的位置和/或这些引人注目的点之间的距离。

为确定所考虑的基准疼痛水平而考虑到的大量生物计量数据还包括以下数据中的一些或全部：

-皮肤方面数据，包括受试者的面部的皮肤的光泽、色调和/或肌理特征；

-骨数据，代表所述受试者的至少一种类型的骨生长节段的尺寸的左右不均衡；

-肌肉数据，代表受试者的至少一种类型的肌肉的尺寸的左右不均衡和/或代表受试者的肌肉的收缩水平；

-生理数据，包括受试者的皮电数据、呼吸速率数据、血压数据、氧合速率数据和/或心电图；

-肥胖数据，从扫描仪数据中得出，代表受试者的体积或质量或身体的全部或部分；

-遗传数据，包括对于受试者家族中几代人的代表因疼痛影响而产生的表观遗传修饰的数据。

事实证明，与例如facs型原型面部变形相反，这类大量生物计量数据使得能够确定非常准确和可靠的疼痛水平，并以详细的方式表征受试者的疼痛病况。

发明人已经通过将以此方式获得的疼痛评估结果与基于由医疗保健专业人员分析的详细调查表的经典疼痛评估进行比较(后一种在某种程度上扮演基准评估的作用)，发现了这类生物计量数据使得能够可靠地表征人的疼痛病况的事实。并且事实证明，关于人所经历的疼痛水平，或关于人的疼痛病况的附加信息(如受试者所经历的疼痛事件的年表)，两种方法都得出相似的结果。例如，当从该生物计量数据，具体地说从上述骨数据确定人在青少年时经历了创伤性急性疼痛时，该人提供的详细调查表的答案也提到了该人过去曾经历过创伤性急性疼痛。

此外，以相当令人惊讶的方式，事实证明，(仅)含在人的这类多模态图像或视频中的信息与疼痛水平以及人所经历的疼痛病况的其他特征密切相关，正如上述大量生物计量数据一样。换句话说，含在这类表示人的面部和身体的上部(或身体的较宽部分)并且包含语音记录的多模态图像或视频中的信息包括几乎与上述大量生物计量一样多的关于他/她的疼痛病况的信息(这令人惊讶，因为该图像不能直接反映人的心律或骨尺寸不均衡)。

所公开的技术利用了人的多模态图像或视频与关于人所经历的疼痛病况的这类可靠和详细的信息之间的这种意外的关联。如上所解释，通过训练计算机系统的机器学习算法来确定人所经历的疼痛病况与人的多模态图像或视频之间的这种联系。这种联系以给机器学习算法设定参数的系数的形式存储在计算机系统中。值得注意的是，一旦完成了这种训练，该计算机系统就能够同时表征人的疼痛病况：

-快速(快速地，通常在几秒钟内，捕获人的面部和身体的上部的图像或视频并记录他/她的语音，然后借助于机器学习算法实现处理该数据)；和

-可靠且广泛，就好像已使用回答详细调查表的长时间完成的经典方法表征人的疼痛病况一样，或者好像已通过直接收集关于人的大量生物计量数据以及通过从该数据得出疼痛水平(这也需要大量时间，通常多于一个小时)来表征其一样。

与用于训练机器学习算法的不同多模态训练图像或视频相关联的注释，除了生物计量学家/医疗保健专业人员确定的基准疼痛水平之外，还可以包括呈现在所考虑的训练图像中的与受试者所经历的疼痛相关的时间特征，这些时间特征指定例如受试者所经历的疼痛是慢性的还是急性的，和/或受试者过去是否已经经历过疼痛。当注释训练数据时，这类时间特征由生物计量学家/医疗保健专业人员根据上述大量生物计量数据来确定。在这种情况下，机器学习算法的输出数据还关于人所经历的疼痛的这类时间/时序信息。这是非常有趣的，因为与上述多模态图像或视频相反，无法容易且快速地获得这类信息。

与用于训练机器学习算法的不同训练图像相关联的注释，除了由生物计量学家/医疗保健专业人员(根据上述大量生物计量数据)确定的基准疼痛水平之外，还包括上述大量生物计量数据中的一些或全部。在这种情况下，机器学习算法的输出数据也包括该大量生物计量数据中的一些或全部。这意味着计算机系统然后能够从受试者的多模态图像或视频中得出该生物计量数据中的一些或全部(如上述的骨、肌肉或生理数据)。同样，这是非常有趣的，因为与人的多模态图像或视频相反，不能容易且快速地获得这类数据。

如人们所理解的，无需采取在人的多模态图像或视频内识别预定义的常规类型的面部运动，如facs分类的面部运动，就可以实现以上已经提出的用于确定疼痛水平的方法。因此有利地避免了由这雷facs类型特征提取引起的信息丢失和偏差。

所公开的技术还涉及根据权利要求14的用于治疗疼痛的方法。所公开的技术还涉及根据权利要求15或16的用于确定疼痛治疗的系统以及根据权利要求17的用于治疗疼痛的系统。

在本说明书的上下文中，除非另外明确提供，否则计算机系统可以指代但不限于“电子设备”、“操作系统”、“系统”，“基于计算机的系统”、“控制器单元”、“控制设备”和/或其适合于当前相关任务的任何组合。

在本说明书的上下文中，除非另外明确提供，否则表述“计算机可读介质”和“存储器”旨在包含任何性质和种类的介质，其非限制性实例包含ram、rom、磁盘(cd-rom、dvd、软盘、硬盘驱动器等)、usb密钥、闪存卡、固态驱动器和磁带驱动器。

在本说明书的上下文中，“数据库”是数据的任何结构化集合，而不管其特定结构、数据库管理软件或在其上存储、实施数据或以其他方式使数据可供使用的计算机硬件。数据库可以驻留在与存储或利用存储在数据库中的信息的过程相同的硬件上，或者它可以驻留在如专用服务器或多个服务器的单独硬件上。

本技术的实施方案均具有上述目的和/或方面中的至少一个，但不一定具有全部。应当理解，由于试图达到上述目的而导致的本技术的一些方面可能不满足该目的和/或可能满足本文未具体叙述的其他目的。

根据以下描述、附图和所附权利要求书，本技术的实施方案的附加和/或替代特征、方面和优点将变得显而易见。

附图说明

为了更好地理解本技术及其其他方面和另外的特征，参考结合附图进行使用的以下描述，其中：

图1是根据本技术的某些实施例的用于确定疼痛的治疗的系统的示意图；

图2是根据本技术的某些实施例的图1的系统的计算环境；

图3示意性地表示根据所公开的技术的用于确定疼痛水平的方法的步骤；

图4示意性地表示机器学习算法的训练阶段，所述机器学习算法被配置成确定人所经历的疼痛水平。

应当注意，除非本文另外明确规定，否则附图不是按比例的。

具体实施方式

本技术的某些方面和实施例涉及用于确定疼痛的治疗的系统100和方法200。本技术的某些方面和实施例涉及用于提供疼痛的治疗的系统100和方法200。

宽泛地说，本技术的某些方面和实施例包括用于确定疼痛的治疗的计算机实施的系统100和方法200，其最小化、减少或避免了现有技术中指出的问题。值得注意的是，本技术的某些实施例确定了有效的并且也是个人化的疼痛治疗计划。

参照图1，示出了系统100的实施例，其包括计算机系统110，所述计算机系统110可操作地联接到用于对系统100的用户的面部进行成像的成像设备115。任选地，系统100包含用于向用户提供视觉输出以向用户提供感官输出的视觉输出设备120中的一个或多个。

系统的用户可以是要求或需要疼痛诊断和/或治疗的任何人或动物。用户可以是成人、儿童、婴儿、老人等。用户可能患有急性疼痛或慢性疼痛病况。

计算机系统110被布置成向视觉输出设备、扬声器和触觉设备中的一个或多个发送指令，以使它们分别传递视觉输出、声音输出或振动输出。计算机系统110被布置成从成像设备接收视觉数据。成像设备、视觉输出设备、扬声器和触觉设备中的任何一个或多个可以彼此成为一体。

在某些实施例中，计算机系统110可以经由通信网络(未描绘)连接到成像设备115、视觉输出设备120、扬声器125和触觉设备130中的一个或多个。在一些实施例中，通信网络是因特网和/或内联网。可以设想通信网络的多个实施例，并且对于本技术领域的技术人员将变得显而易见。计算机系统110也可以连接到麦克风116，从而可以记录要治疗其疼痛的人的语音，然后由计算机系统对其进行处理。

现在转到图2，计算机系统110的某些实施例具有计算环境140。计算环境140包括各种硬件组件，其包含由处理器150、固态驱动器160、随机存取存储器170和输入/输出接口180共同表示的一个或多个单核或多核处理器。计算环境140的各个组件之间的通信可以通过一个或多个内部和/或外部总线190(例如，pci总线、通用串行总线、ieee1394“火线”总线、scsi总线、串行ata总线、arinc总线等)来实现，各种硬件组件都以电子方式联接到这些总线。

输入/输出接口180允许实现如有线或无线访问的联网功能。作为实例，输入/输出接口180包括网络接口，如但不限于网络端口、网络套接字、网络接口控制器等。如何实施网络接口的多个实例对于本技术领域的技术人员将变得显而易见。例如但不限于，联网接口180可以实施特定的物理层和数据链路层标准，如以太网tm、光纤信道、wi-fitm或令牌环。特定的物理层和数据链路层可以为完整的网络协议栈提供基础，从而允许在同一局域网(lan)上的小型计算机组之间进行通信，并通过可路由协议如因特网协议(ip)进行大规模网络通信。

根据本技术的实施方案，固态驱动器160存储适合于被加载到随机存取存储器170中并且由处理器150执行以用于执行根据本技术的某些方面和实施例的方法400的程序指令。例如，程序指令可以是库或应用程序的一部分。

在该实施例中，计算环境140在作为常规计算机的通用计算机系统(即“现成的”通用计算机系统)中实施。通用计算机系统是台式计算机/个人计算机，但是也可以是任何其他类型的电子设备，如但不限于膝上型计算机、移动设备、智能电话、平板设备或服务器。

在其他实施例中，计算环境140在专门专用于本技术的实施的设备中实施。例如，计算环境140在如但不限于台式计算机/个人计算机、膝上型计算机、移动设备、智能电话、平板设备、服务器的电子设备中实施。电子设备还可以专用于操作其他设备，如基于激光的系统或检测系统。

在一些替代实施例中，计算机系统110或计算环境140至少部分地在成像设备、扬声器、视觉输出设备、触觉设备中的一个或多个上实施。在一些替代实施例中，计算机系统110可以至少部分地托管在服务器上。在一些替代实施例中，计算机系统110可以通过云架构部分或全部虚拟化。

计算机系统110可以如通过他们相应的医疗诊所、治疗中心、学校、机构等通过服务器(未描绘)连接到其他用户。

在一些实施例中，计算环境140分布在多个系统之间，如成像设备、扬声器、视觉输出设备和触觉设备中的一个或多个。在一些实施例中，计算环境140可以至少部分地在另一个系统中实施，例如作为子系统。在一些实施例中，计算机系统110和计算环境140可以在地理上分布。

如本技术领域的技术人员可以理解的，可以在不脱离本技术的范围的情况下，设想关于如何实施计算环境140的多种变型。

计算机系统还包含如屏幕、键盘和/或鼠标的接口(未示出)，用于允许来自用户的直接输入。

成像设备是适合于获得系统用户的面部的图像数据的任何设备。在某些实施例中，成像设备是相机或摄像机。计算机系统110或成像设备被布置成处理图像数据，以区分各种面部特征和表情，所述面部特征和表情是疼痛的标记，例如皱着眉头、闭着眼睛、紧张的肌肉、缩拢的嘴形、眼睛周围的摺痕等。面部识别软件和图像分析软件可用于识别疼痛标记。在某些实施例中，图像数据和确定的疼痛标记存储在数据库中。

视觉输出设备被布置成向用户呈现视觉数据，如颜色、图像、文字、图案等，作为疼痛治疗的一部分。在某些实施例中，视觉输出设备是屏幕。在某些实施例中，视觉输出设备是用户的智能电话的屏幕。在某些实施例中，视觉输出设备可以与成像设备成一体。

系统还可包含用于通过虚拟现实体验来传递认知疗法的虚拟现实头戴装置。

系统还可以包含用于通过游戏体验来传递认知疗法的游戏控制台。

现在宽泛地参考该方法，本方法的某些实施例包括用于确定用户的疼痛治疗的方法，所述方法包括：

·识别用户所经历的疼痛水平，以及

·基于所识别的疼痛水平，确定针对用户的疼痛治疗。

识别疼痛水平

可以通过计算机系统获得用户面部表情的图像数据，并从图像数据中获得用户的疼痛水平的面部标记来识别疼痛水平。

在某些实施例中，任选地，计算机系统还通过对计算机系统提出的问题的答案来获得他们的疼痛的直接用户输入。这些可以是预先确定的问题，根据不同的疼痛水平对答案进行评分。

在某些实施例中，任选地，计算机系统可以访问关于用户的其他数据，这可以帮助识别疼痛水平。其他数据可以包含以下中的一项或多项：医疗记录、先前的疼痛数据、药物数据以及其他关于用户的生理、精神状态、行为状态、情绪状态、心理状态、社会学状态和文化方面的测量或感测数据。

计算机系统基于面部标记、用户直接反应以及其他关于用户的生理或精神状态的测量或感测数据(统称为“疼痛输入”)中的一项或多项，确定用户所经历的疼痛水平。在某些实施例中，确定的疼痛水平是客观的。在某些实施例中，确定的疼痛水平至少部分是客观的。

疼痛水平的确定可以包括计算机系统将疼痛输入与查找表中的数据进行交叉引用，在查找表中，单独地或组合地识别疼痛输入并将其与疼痛水平进行联系。

如下所述，疼痛水平的确定包括计算机系统实施受过训练的机器学习算法(mla)以提供确定的疼痛水平。

由计算机系统100实施的机器学习算法可以包括但不限于非线性回归、线性回归、逻辑回归、决策树、支持向量机、朴素贝叶斯、k-最近邻、k均值、随机森林、降维、神经网络、梯度提升和/或adaboostmla。在一些实施例中，计算机系统110可以基于从用户或从与用户相关联的传感器或其他输入设备采集的数据来对mla进行再训练或进一步的训练。

在本方法的某些实施例中，这可以提供用户的疼痛的客观或至少部分客观的指示。

图3表示基于这类机器学习算法来确定人p所经历的疼痛水平的方法的一些步骤。该方法包括：

-步骤s1，获得输入数据310作为输入发送到机器学习算法330；和

-步骤s2，确定人p所经历的疼痛水平321，以及关于该人所经历的疼痛病况的附加信息322。

在步骤s1中，借助于成像设备115获取人p的面部和身体的上部的图像或收集多个连续图像的视频。还借助于麦克风116获取人的语音的录音。换句话说，在步骤s1中，静态地(在获取单个瞬时图像的情况下)或动态地(在视频的情况下)获取表示人的面部和身体的上部的多模态图像或视频311，多模态图像或视频311也包括人的语音的记录。这种数据集合是多模态的，因为它包括与人相关的面部、姿势和声音信息。然后将在步骤s1中获取的数据发送到机器学习算法330。在图3的特定实施例中，机器学习算法330可以包括特征提取模块331，其被配置成从在步骤s1中获取的输入数据中提取关键特征，如典型的声调，以减小数据的大小。在图3的特定实施例中，机器学习算法330可以包括特征提取模块331，其被配置成从在步骤s1中获取的输入数据中提取关键特征，如典型的声调，以减小数据的大小。在与疼痛水平的估计相关的部分的开头，由该模块提取的特征可以包括上述面部标记。仍然可以理解，无需在多模态图像或视频311中识别预定义的常规类型的面部运动，如facs分类中的面部运动，就可以实现此处采用的特征提取。然后，将由该模块提取的特征发送到神经网络332，所述神经网络332确定输出数据，所述输出数据包括对人所经历的疼痛水平321的估计，以及关于该人的疼痛病况的附加信息322。该输出数据是根据多个训练系数c1、……cj、……cn确定的，所述训练系数给神经网络设定参数。这些训练系数c1、……cj、……cn在下面描述的训练阶段期间设置(参考图4)。

表述“神经网络”是指由多个层形成的复杂结构，每个层含有多个人工神经元。人工神经元是基本处理模块，其基于(一个或多个)先前的神经元接收的信息来计算单个输出。一层中的每个神经元通过人工突触连接到下一层中的至少一个神经元，人工突触被分配了突触系数或权重(上述系数c1、……cj、……cn之一)，其值将在训练步骤期间进行调节。正是在该训练步骤期间，将从带注释的训练数据中确定每个人工突触的权重。

在这里描述的实施例中，关于人p所经历的疼痛病况的附加信息322包括时间特征，其指定人所经历的疼痛是慢性的还是急性的，和/或人过去是否已经经历过疼痛。附加信息322还包括与人p有关的推断的生物计量数据，该推断的生物计量数据在这里包括：

-骨数据，代表该人的至少一种类型的骨生长节段的尺寸的左右不均衡；

-肌肉数据，代表人的至少一种类型的肌肉的尺寸的左右不均衡和/或代表人的肌肉的收缩水平；

-生理数据，包括人的皮电数据、呼吸速率数据、血压数据，氧合速率数据和/或心脏活动数据；

-肥胖数据，代表人的体积或质量或身体的全部或部分；

-遗传数据，包括对于人家族中几代人的代表因疼痛影响而产生的表观遗传修饰的数据。

可以推断出该生物计量数据，因为它不是直接被感测(不直接获取)，而是由机器学习算法330从上述输入数据310中得出的。

图3的机器学习算法还被配置成使得输出数据还包括代表人的病况的数据，所述数据指定人是否疲倦，和/或人是否感到压力或放松，

尽管图3仅示出了一个神经网络，但是应当了解，根据所公开的技术，可以采用包括多于一个神经网络的机器学习算法。

图4表示图3的机器学习算法330的训练的一些步骤。该训练过程包括：

-步骤st1，收集分别与不同受试者su1、……sui、……sum相关联的几个带注释的训练数据集401、……40j、……40m；和

-步骤st2，通过根据先前收集的带注释的训练数据集401、……40j、……40m训练机器学习算法330来设置机器学习算法330的系数c1、……cj、……cn。

在此处所述的实施例中，除其他外，通过执行以下子步骤，获得每个带注释的训练数据集40i：

-st11i：获取与受试者sui相关联的训练数据41i，该数据包括表示受试者sui的面部和身体的上部连同受试者sui的语音的录音的多模态训练图像或视频，和获得与受试者sui相关的原始生物计量数据43i，如他/她的骨骼的射线照相，或如原始未处理的心电图(关于用户生理的感测数据，其先前在与疼痛水平的识别相关的部分开头提到，例如可以对应于这些原始生物计量数据)；

-st12i：从先前获取的训练数据41i和原始生物计量数据43i中确定与受试者sui相关的大量生物计量数据44i，这种确定由生物计量学家b和/或医疗保健专业人员进行；

-st13i：确定代表受试者sui所经历的疼痛水平的基准疼痛水平45i，和确定关于受试者sui所经历的疼痛病况的时间、按先后顺序的特征46i，这些确定由上述生物计量学家b和/或医疗保健专业人员进行；

-st14i：通过将与受试者sui相关联的训练数据41i和与该训练数据41i相关联的注释42i收集在一起来获得带注释的训练数据集40i，这些注释包括在步骤st13i中确定的基准疼痛水平45i和时间、按先后顺序的特征46i以及在步骤st12i中确定的大量生物计量数据44i中的部分或全部。

在步骤st11i中获取的训练数据41i的数据类型与输入数据310的数据类型相同，所述输入数据310与疼痛病况要被表征的人p相关，一旦已经训练就通过机器学习算法330接收(训练数据41i和输入数据310含有相同类型的信息)。所以，在此，训练数据41i还包括受试者sui的身体的上部的一个或多个图像以及受试者sui的录音。

在步骤st12i中确定的大量生物计量数据44i至少包括受试者的面部的一些引人注目的点在步骤st11i中获取的训练图像内的位置和/或这些引人注目的点之间的距离。表述“引人注目的点”应理解为是指可以容易且可靠地(反复)识别并位于受试者的面部图像内的面部点，如受试者的嘴唇连合处、眼眦、眉毛的末端或眼睛的瞳孔中心中的一项。大量生物计量数据44i还包括从受试者的图像或身体的上部的图像得出的姿态相关的数据。该与姿势有关的数据可以指定受试者的背部是弯曲还是笔直，或者他/她的肩膀是否驼背，对称地或不对称地。

在这里所描述的实施例中，大量生物计量数据44t还包括以下数据：

-皮肤方面数据，包括受试者的面部皮肤的光泽、色调和/或肌理特征(例如代表受试者的面部皮肤的或多或少的天鹅绒感的肌理特征)；

-骨数据，代表受试者的至少一种类型的骨生长节段的尺寸的左右不均衡；

-肌肉数据，代表受试者的至少一种类型的肌肉的尺寸的左右不均衡和/或代表受试者的肌肉的收缩水平；

-生理数据，包括受试者的皮电数据、呼吸速率数据、血压数据、氧合速率数据和/或心电图；

-肥胖数据，从扫描仪数据中得出，代表受试者的体积或质量或身体的全部或部分；

-遗传数据，包括对于受试者家族中几代人的代表因疼痛影响而产生的表观遗传修饰的数据。

在步骤st13i中期间确定的时间、按先后顺序的特征46i指由人所经历的疼痛是慢性的还是急性的，和/或人过去是否已经经历过疼痛。此外，在步骤st13i中，生物计量学家b和/或医疗保健专业人员还从上述大量生物计量数据44i中确定与受试者相关的病况数据，这些数据指定受试者sui是否疲倦，和他/她是否感到压力或放松。这里，除了基准疼痛水平45i、时间、按先后顺序的特征46i和上述大量生物计量数据41i外，注释42i包括与受试者的病况相关的该数据。

在这里所描述的特定的实施例中，注释42i的数据类型因此与机器学习算法330的输出数据320的数据类型的相同，也就是说，这两个数据含有相同类型的信息。

对每个受试者su1、……sui、……sum……重复上述过程。一旦已经收集了与这些不同受试者相关联的带注释的训练数据集401、……40j、……40m，就通过根据这些带注释的训练数据集训练机器学习算法330来设置机器学习算法330的系数c1、……cj、……cn。

基于所确定的疼痛水平来确定用户的疼痛治疗。

在某些实施例中，确定的疼痛治疗是向用户提供一种或多种类型的感官信号。感官信号包含但不限于视觉信号(来自电磁频谱的可见范围)。

视觉信号包含单独或与其他感官信号组合的具有用于治疗疼痛的适当波长、频率和模式的单独或组合的颜色、图像、图案、文字等。

适于疼痛的治疗是指感官信号在用户中提供内源性反应和/或在用户中提供催产素产生。

在某些实施例中，确定的疼痛治疗还包括在向患有疼痛病况的人提供感官信号之前、期间或之后提供认知疗法。在这方面，确定疼痛治疗的方法还包含确定是否提供认知疗法疗以及认知疗法的类型和持续时间。

在某些实施例中，确定的疼痛治疗还包括提供疼痛治疗或认知疗法的方式。在这方面，确定疼痛治疗的方法还包含确定提供疼痛治疗或认知疗法的方式，以及认知疗法和疼痛治疗的类型和持续时间。提供疼痛治疗和/或认知疗法的方式包含虚拟现实体验、游戏体验、安慰剂体验等中的一种或多种。

如已经提到的，基于先前已经估计的人所经历的疼痛水平来确定疼痛治疗。例如，在药物性疼痛治疗的情况下，给定的镇静剂的剂量或施用频率可以随疼痛水平的高而选择为高。并且，在疼痛治疗是向用户提供一种或多种类型的感官信号的情况下，与这些感官信号相关联的刺激强度或频率可以随疼痛水平的高而选择为高。也可以考虑到先前已经识别的人所经历的疼痛的急性或慢性来适当选择这些感官信号(例如，当疼痛是急性时可以选择高度刺激的信号，而当疼痛是慢性时可以选择刺激困倦的信号)。

应该清楚地理解，在本技术的每一个实施例中，并非本文提到的所有技术效果都需要是享受乐趣的。

对本技术的上述实施方案的修改和改进对于本领域技术人员而言将变得显而易见。前述描述旨在是示例性的而不是限制性的。因此，本技术的范围旨在仅由所附权利要求的范围来限制。