论文部分内容阅读
研究表明,新生儿一出生就具有感知疼痛的能力,持续大量的疼痛刺激对新生儿后天的成长发育具有重大不良影响,因此及时有效的疼痛评估与早期干预具有重要意义。而新生儿缺乏语言表达疼痛程度的能力,目前主要依靠人工进行疼痛程度评估判断,费时费力且带有主观性,因此迫切需要一种高效、准确、便捷的自动化评估系统来辅助家长和医护人员加以判断。目前基于深度学习的新生儿疼痛表情识别技术取得了一定的进展,但由于常用的深度学习网络架构比较复杂,需要大量的计算资源与较高的硬件配置,通常需要部署运行在大型服务器上,因此本文另辟蹊径,对新生儿疼痛表情识别的相关技术做了进一步探索,特别研究了移动终端神经网络的压缩移植与部署,进而完成移动终端新生儿疼痛程度自动评估系统的构建与设计,主要的研究工作包括:(1)建立和扩充新生儿疼痛表情图像库。无论是深度学习还是传统的机器学习方法都需要图像数据作为支撑,因此前期主要工作就是采集新生儿面部表情视频,并由专业的医护人员进行科学评估分类,建立了由500多个视频组成的视频库,并在此基础上经过人工裁剪标定,最终建立了包含安静、哭泣、轻度疼痛和重度疼痛四类表情总共约12000张的新生儿疼痛表情图像库。(2)新生儿面部检测算法的研究。研究使用单镜头多盒检测器(Single Shot MultiBox Detector,SSD)算法来进行新生儿的面部检测。SSD算法的优点是检测速度快,可以在较好的检测效果下达到实时性的要求,缺点是对于小目标的检测效果不理想,而临床应用中拍摄的新生儿脸部区域占整幅画面的比例不会太小,所以该缺点可以忽略。实验结果表明,在新生儿面部轻微遮挡、偏转的情况下该算法仍然具有较好的检测效果。(3)新生儿疼痛表情识别算法的研究。研究对比了传统的机器学习方法(LBP+SVM)、VGG网络和MobileNet网络的基本原理以及它们在新生儿疼痛表情识别中的效果。实验结果表明,对于新生儿安静、哭泣、轻度疼痛和重度疼痛四类表情VGG网络的识别效果最好,识别准确率达到了79.84%,但该网络较MobileNet参数量多、计算量大,只能部署在服务器上;MobileNet的识别效果次之,76.25%左右,但是其参数量少,计算量小,适合移植到手机移动终端;LBP+SVM的识别精度最低,65.7%左右。(4)新生儿疼痛表情识别系统设计。研究了卷积神经网络压缩移植相关理论,对VGG网络进行压缩并对比分析各类压缩算法的压缩效果,最后分别研究设计了基于LBP+SVM、基于VGG(部署在云端服务器上)、基于MobileNet的手机端新生儿疼痛表情识别系统。