DeepFaceLIFT全名“Deep Face Learning Important Features”，由该校建筑与方案学院媒体实验室、打算机科学与人工智能实验室、电子工程和打算机科学系联合联合研发，紧张研究者是该校打算生物学博士Dianbo Liu和助理研究员Fengjiao Peng，辅导者是情绪打算教授Rosalind Picard。
从1985年创立以来，媒体实验室一贯致力于弥合人类情绪和打算技能之间的鸿沟，当前重点研究的是机器识别和人类情绪表达的建模。2016年，Rosalind Picard教授和媒体实验室其他几位成员首先将人们对话时的面部表情和肢体措辞数据做成1分钟时长的数据切片来演习机器学习算法，让AI来理解和预测人类对话和行为，而她的学生Dianbo Liu从本科时就在研究如何将数据科学运用于生物和医学领域，读博之后志向依然没有改变。
从DeepFaceLIFT开拓过程来看，进度比较快，到今年5月论文就基本完成，这得益于UNBC和McMaster两所大学已经做得有肩痛表情档案库，库中包含200个视频，48398帧图像，每个图像又有66个活动外不雅观模型（Active Appearance Model）点，每个点实在是一个包含x轴和y轴的坐标，这些由AAM点构成的表情才是AI可以理解的表情。
之后还有一步必须经由手工操作的流程——标记不同性别、年事和皮肤影调人群所做的表情，这里要参照视觉仿照评分法（Visual Analogue Scale)，标记之后AI才知道不同表情对应的疼痛程度，究竟是轻微疼痛还是剧烈疼痛。
据悉，算法演习的过程要分两个阶段，为了利用所有的帧级数据，在进行序列级估计之前的第一阶段要运用多实例和多任务学习来演习一个全连接神经网络，之后的第二阶段是用RBF-ARD内核高斯过程回归模型获取终极结果。
经由繁芜的调参和优化，AI算法会形本钱身的一套评估标准，相较于传统疼痛评估方法，DeepFaceLIFT最大的优点是客不雅观，不依赖被评估者本人的报告，只依赖于表情线索；其次是个性化，因男人和女人，儿童与成年人对疼痛的耐受性不一样，检测不同人群时DeepFaceLIFT采纳的标准也不一样，这样就避免了“一刀切”评估方法，如PSPI(Prkachin and Solomon Pain Intensity)的弊端。
至于浸染，可以作为年夜夫诊断的赞助工具，有的患者到医院就医出于各种缘故原由会遮盖自己真实的感想熏染，自我报告疼痛程度不准确，这时DeepFaceLIFT就有了用武之地，但也不能完备依赖这套疼痛评估系统。
据研究者论文所述，DeepFaceLIFT暂时还没有商用韶光表，他们下一步将采取更前辈的数据捕获工具，以此来改进疼痛评估的精准度，为临床研究做准备。