AINAR: Artificial Intelligence for Needle Anxiety Reduction

Vasovagale reacties (VVR's), zoals angst, paniek, misselijkheid, duizeligheid en flauwvallen, komen vaak voor bij naalden en vormen een uitdaging voor vroege preventie. Deze reacties zijn vaak automatisch en treden op zonder merkbare symptomen, wat proactieve aanpak bemoeilijkt. Huidige interventies, zoals het drinken van water, spiertechnieken en medicatie tegen angst, zijn effectief voor sommigen, maar hebben nadelen zoals bijwerkingen of afhankelijkheid van medisch personeel.

Dit proefschrift onderzoekt de mogelijkheid om VVR's te voorspellen aan de hand van gelaatskenmerken tijdens bloeddonatie, met als doel een contactloze e-health-interventie te ontwikkelen. Het doel was om het best presterende classificatie-algoritme te integreren in een biofeedbackmechanisme binnen een smartphonegame, waarmee gebruikers zelf hun VVRrisico kunnen beheren en verminderen.

In Hoofdstuk 2 toonde een virtuele bloeddonatiestudie aan dat temperatuurfluctuaties onder de neus significant samenhangen met zelfgerapporteerde VVR's. Deze bevinding stimuleerde verder onderzoek naar gelaatskenmerken om VVR's te voorspellen.

In Hoofdstuk 3 werden thermale video's van echte bloeddonoren bij de nationale bloedbank (Sanquin) geanalyseerd. Temperatuurkenmerken van specifieke gezichtsregio's (bijv. onder de neus, kin, voorhoofd) classificeerden succesvol VVR-niveaus, waarbij deze regio's de hoogste voorspellende waarde
vertoonden.

Hoofdstuk 4 richtte zich op RGB-video's, waarbij 17 facial action units werden geëxtraheerd om VVR's te voorspellen. Kenmerken rond de ogen bleken het meest voorspellend.

In Hoofdstuk 5 werd een vergelijking gemaakt van verschillende inputs, waaronder zelfrapportages, thermale
data en facial action units. Doorlopende RGB-videostreams, geanalyseerd met een ResNet152-model in combinatie met GRU en LSTM, behaalden de hoogste prestaties (F1: 0.69, PR-AUC: 0.81, MCC: 0.56).

In Hoofdstuk 6 werd de aanpak verfijnd door videosequenties van verschillende lengtes te analyseren. De beste resultaten kwamen van sequenties van 25 frames, waarbij ResNet152 met LSTM een F1-score van 0.74 en een PR-AUC van 0.86 behaalde voor de classificatie van hoge VVR's. Bij de regressietaak werd een root mean square error van 2.56 behaald. Tests met mobiele videogegevens van de virtuele bloeddonatiestudie bevestigden de betrouwbaarheid
van het model.

Het best presterende algoritme is geïmplementeerd in AINAR, een smartphonegame die biofeedback gebruikt om spelers te helpen hun angst voor naalden te beheersen. Doorlopende gezichts-videostreams worden geanalyseerd om feedback te geven over VVR-risiconiveaus, waarbij weersveranderingen in het spel de ernst van het risico aangeven.Hoewel verdere verbeteringen, zoals een diversere dataset, nodig zijn, toont dit werk een veelbelovende, contactloze en interactieve aanpak voor het voorkomen van VVR's

_

Vasovagal reactions (VVRs), including fear, panic, nausea, dizziness, and fainting, are common responses to needles and pose challenges for early prevention. These reactions are often automatic and occur without noticeable symptoms, making them difficult to address proactively. Current interventions, such as water loading, applied muscle techniques, and anxiety-reducing medications, are effective for some but have drawbacks like side effects or reliance on medical staff.

This dissertation explores the potential of predicting VVRs using facial features during blood donation to develop a contactless, e-health intervention. The goal was to integrate the bestperforming classification algorithm into a biofeedback mechanism within a smartphone game, enabling users to self-manage and reduce their VVR risk.

In Chapter 2, a virtual blood donation study demonstrated that temperature fluctuations below the nose were significantly associated with self-reported VVRs. This finding supported further exploration of facial features for predicting VVRs.

In Chapter 3, thermal videos from real blood donors at the national blood bank (Sanquin) were analyzed. Temperature features from specific facial regions (e.g., under the nose, chin, forehead) successfully classified VVR levels, with
these areas showing the highest predictive value.

Chapter 4 focused on RGB videos, extracting 17 facial action units to predict VVRs. Features around the eyes were the most predictive.

In Chapter 5, a comparison of various inputs, including self-reports, thermal data, and facial action units, showed that continuous RGB video streams analyzed with a ResNet152 model paired with GRU and LSTM achieved the highest
performance (F1: 0.69, PR-AUC: 0.81, MCC: 0.56).

Chapter 6 refined the approach by analyzing video sequences of varying lengths. The best results came from 25-frame sequences, where ResNet152 with LSTM achieved an F1 of 0.74 and a PR-AUC of 0.86 for high VVR classification. The regression task achieved a root mean square error of 2.56. Testing on mobile video data from the virtual blood donation study confirmed the model’s reliability.

The best-performing algorithm was implemented into AINAR, a smartphone game that uses biofeedback to help players manage needle fear. Continuous facial video streams are analyzed to provide feedback on VVR risk levels, with weather changes in the game indicating risk severity.

Although further improvements, such as a more diverse dataset, are needed, this work demonstrates a promising, contactless, and engaging approach to preventing VVRs.