[发明专利]基于卷积神经网络的新生儿疼痛表情分类方法

说明书

技术领域

本发明涉及人脸表情识别方法，特别是涉及基于卷积神经网络的新生儿疼痛表情分类方法，属于图像处理与模式识别技术领域。

背景技术

随着现代医学水平的不断提高与进步，最新的研究证实，新出生的婴儿具备一定的疼痛感知能力。护理过程中，新生儿的疼痛主要来自于外界入侵性刺激，包括足底采血、动静脉穿刺、皮下和肌肉注射等。反复的疼痛刺激会对新生儿产生一系列严重影响，主要包括急性生理反应、中枢神经系统的永久损伤、发育迟缓和情感紊乱等。因此，对于新生儿进行疼痛评估具有十分重大的意义。

目前，科学研究在人脸表情识别研究方面取得比较大的进展，识别效果也比较理想，人脸表情识别对象一般针对成年人。相对于从情感角度划分的成年人面部表情，新生儿的面部表情更偏向生理角度。国内外越来越多的研究人员尝试着使用多种指标来综合评估新生儿疼痛。多数采用传统机器方法来进行特征提取分类识别，美国学者Brahnam首次提出使用新生儿的面部表情进行疼痛特征的提取。分别使用主成分分析(PCA)、线性判别分析(LDA)、支持向量机(SVM)三种分类方法来区分疼痛表情和其他表情。南京邮电大学卢官明教授带领的课题组对新生儿疼痛表情的识别工作开展了更为全面和深入的研究。该课题组相继研究了局部二值模式(LBP)、Gabor小波变换、支持向量机(SVM)、稀疏表示等特征提取算法，并在其基础上进行改进算法的研究，取得一定的实验效果。由于实验数据集中的样本图像数量过少，导致算法性能欠缺稳健，实验结果分析尚未能推广到更多的测试样本集中。

传统机器学习方法在面部表情识别上对数据量的要求不是很高，且大部分是基于面部表情的纹理特征来进行识别分类的，未能充分学习、深度学习新生儿面部表情的内在数据特征。因此在一定程度上会造成识别效果一般的现象。

深度学习是机器学习研究中一个新的领域，其本质在于建立、模拟人脑学习分析的神经网络，模仿大脑机制来解释分析数据，如常见的声音、图像及文本数据。首先，采用深度学习方法的表情识别能得到较高的识别率，这正是新生儿面部表情识别所必须具备的特性。其次，深度学习方法能自动学习表情特征,自动学习同分类之间的相似性和异分类之间的差异性，从而不需要使用传统机器学习方法手动去提取特征参数，节省大量的特征提取时间。最后，深度学习可以大数据完美结合应用，在当前这样大数据时代，不缺乏大量数据，对大数据的学习、分析和处理才是关键。而深度学习需要的就是大数据，数据量越多，深度学习的效果会更好，识别率也更高。因此采用深度学习进行新生儿面部表情识别是未来的研究方向和发展趋势。

卷积神经网络是深度学习领域一个典型的算法实现。目前已经在识别分类领域取得良好的效果，特别是在图像分类领域，如世界上图像识别最大数据库的Imagenet项目，采用卷积神经网络算法实现最好效果。

卷积神经网络是一种深层神经网络模型，由深度学习技术和人工神经网络结合而成的新型人工神经网络方法，它具有一定的全局训练的特点，能实现层次结构化、局部感知、特征提取和最终分类等相结合。对比与普通神经网络模型，卷积神经网络一方面它的神经元之间的连接是非全连接的；另一方面，卷积神经网络同一层中某些神经元之间的连接的权重是共享的，这种非全连接和权值共享的网络结构降低了网络模型的复杂度，减少了权值的数量。正是由于种特点，使得卷积神经网络的网络结构对图像的平移、旋转、倾斜、比例缩放等特性变的不敏感，具有高度不变特性。

卷积神经网络是一种多层的监督学习神经网络，隐含层的卷积层和池化层(下采样层)是实现卷积神经网络特征提取功能最重要的结构。该网络模型通过采用梯度下降法最小化损失函数对网络中的权重参数逐层反向调节，通过频繁的迭代训练提高网络的精度。

发明内容

本发明所要解决的技术问题是：提供基于卷积神经网络的新生儿疼痛表情分类方法，解决传统方法不能准确、自动识别新生儿疼痛表情的问题，为医学临床提供高效、客观、准确的疼痛评估工具开辟一条全新的、高效的方法途径。

本发明为解决上述技术问题采用以下技术方案：

基于卷积神经网络的新生儿疼痛表情分类方法，包括如下步骤：

步骤1，采集新生儿疼痛表情图像，对图像按新生儿面部表情的不同状态进行分类，建立新生儿疼痛表情图像库；

步骤2，构建含有1层数据层、3层卷积层、2层全连接层和1层分类层的卷积神经网络；