论文部分内容阅读
现阶段新生儿的疼痛评估大多是以人工方式进行，可是人工评估不仅占用大量的人力物力资源，还会因为评估者的主观感受而产生误差。因此，有必要建立一个高效准确的自动识别系统对新生儿疼痛程度进行判断。本文利用HLACLF（Higher Order Local Autocorrelation Like Feature，高阶局部自相关类似特征）对图像进行特征提取，再采用mRMR（Minimal Redundancy and Maximal Relevance，最小冗余最大相关）对特征进行选择，最后利用SVM（Support Vector Machine，支持向量机）对特征集进行分类判别。本文主要工作内容如下：（1）本文研究了HLAC（Higher Order Local Autocorrelation，高阶局部自相关）算法，提出基于HLACLF的特征提取算法，并研究了HLACLF方法在新生儿疼痛表情识别上的应用。研究HLACLF在提取特征表情时不同阶次（分别取N=2，N=3），不同的位移距离（窗口大小分别取3×3，5×5，7×7）对识别效果的影响。同时通过多尺度分辨率图像结合的方法解决了HLACLF不具备缩放不变性的缺点。（2）研究了基于mRMR的特征降维方法，针对特征之间的相关性和冗余性，采用mRMR特征选择算法对HLACLF提取到的特征进行降维，通过实验观察特征降维的维数对实验最终结果的影响。（3）研究了统计学习理论下的SVM分类器在新生儿疼痛表情识别中的应用，研究了使用二类SVM分类器进行多类数据分类的四种方法：1-a-1，1-a-r，树型SVM分类器，交叉组合SVM分类器。实验的最终结果证实了本文算法能够有效准确的对新生儿表情的疼痛程度进行识别，HLACLF算法参数中的局部自相关阶数的增加可以提高识别率，位移距离的增大会降低识别率，识别率会在特征维数达到一定数目时得到收敛。本文的算法所达到最高识别率，为83.75%。