老年患者疼痛表情識別方法技術

本發明專利技術公開的老年患者疼痛表情識別方法，包括以下步驟：獲取人臉圖像，使用MTCNN進行人臉檢測，得到所需人臉區域；對人臉區域進行圖像預處理；建立并訓練Resnet50網絡模型；將圖像輸入到Resnet50網絡模型進行疼痛表情的疼痛等級預測。本發明專利技術的老年患者疼痛表情識別方法，融合了MTCNN與Resnet50網絡，通過建立數據集，使用MTCNN實現人臉檢測，以ResNet50為基礎網絡框架，使用遷移學習實現模型功能，從而實現了老年患者疼痛表情分類，為計算機輔助評估應用于實際疼痛評估做了可行性論證，為疼痛表情管理提供了有效指導。情管理提供了有效指導。情管理提供了有效指導。

【技術實現步驟摘要】
老年患者疼痛表情識別方法


[0001]本專利技術屬于計算機視覺
，具體涉及一種老年患者疼痛表情識別方法。

技術介紹

[0002]臨床上在對患者進行鎮痛干預前需要對患者的疼痛程度進行評估，目前臨床常用的疼痛評估方法主要是患者自述評估和觀察者評估。疼痛是一種主觀感受，所以一般情況下疼痛者的自述評估更具參考價值。但老年人群受本體感覺功能下降、認知能力下降等因素的影響，往往無法準確描述自身的疼痛感覺和癥狀表現，臨床上可用于評估老年人群疼痛的工具主要依靠人為判斷，由經驗豐富并受過專業培訓的醫護人員評定患者的疼痛程度。該方法一方面耗時耗力、不宜推廣，且評估結果很可能受到評估人員主觀性影響；另一方面，通常疼痛評估不僅要評估患者當時的疼痛程度，還要了解過去24小時內的疼痛的一般和最嚴重的程度，了解其疼痛變化，這種情況下人為評估效率極低且不方便記錄統計。
[0003]傳統人臉識別技術的核心是根據人臉圖像的各個像素分布情況計算得到描述個體身份的特征描述因子，使用這些特征描述因子來進行身份匹配。隨著深度學習的興起，人臉識別領域得到了長足的發展，深度學習使得人臉識別相比傳統方法的速度和準確率都有很大的提升。深度學習的主要優勢是它們可以利用大量的數據進行訓練，在訓練的過程中逐漸適應不同的情況，學習到表征數據的最佳特征。雖然深度學習方法比傳統方法更能夠應對復雜的外部環境，但是依然做不到完全忽視各種變化的場景。非限制條件下的人臉識別存在人物姿態不固定、表情變化多、光照條件復雜和面部容易有遮擋物等情況，對人臉識別存在巨大挑戰。
>
技術實現思路

[0004]本專利技術的目的在于提供一種老年患者疼痛表情識別方法，在沒有人工干預的情況下可以快速、準確的判別出疼痛表情類別。
[0005]本專利技術所采用的技術方案是：老年患者疼痛表情識別方法，包括以下步驟：
[0006]步驟1、獲取人臉圖像，使用MTCNN進行人臉檢測，得到所需人臉區域；
[0007]步驟2、對步驟1所得人臉區域進行圖像預處理；
[0008]步驟3、建立并訓練Resnet50網絡模型；
[0009]步驟4、將步驟2所得圖像輸入到步驟3所得Resnet50網絡模型進行疼痛表情的疼痛等級預測。
[0010]本專利技術的特點還在于，
[0011]步驟1中使用MTCNN進行人臉檢測具體包括以下步驟：
[0012]步驟1.1、將人臉圖像輸入到第一層網絡P
?
Net，首先將輸入圖像進行多級縮放，使用12
×
12、步長為2的滑動窗口，對每種縮放尺度的圖片進行滑動檢測，對所有檢測到的人臉框進行非極大值抑制，再將人臉框轉換到原始尺寸，對短邊進行填充，轉化為24
×
24的正方形人臉框；
[0013]步驟1.2、將步驟1.1所得多個24
×
24的正方形人臉框輸入第二層網絡R
?
Ne進行處理，再通過非極大值抑制去除低于閾值的人臉框，最后進行尺寸變換到48
×
48的正方形人臉框；
[0014]步驟1.3、將步驟1.2所得多個48
×
48的正方形人臉框輸入第三層網絡O
?
Net進行處理得到精確人臉框、五個人臉位置標點和置信度，再對精確人臉框進行非極大值抑制后，得到最優的人臉區域位置。
[0015]步驟2中的圖像預處理具體為：對人臉區域進行裁剪，裁剪后將圖像歸一化為224
×
224像素大小。
[0016]步驟3具體包括以下步驟：
[0017]步驟3.1、首先通過錄制視頻的方式依次采集老年人群不同程度的疼痛表情，然后從采集后的視頻中提取所需要的表情關鍵幀，再對關鍵幀圖像進行評估分類，依據采集時的狀態，將疼痛和非疼痛圖片初步分開，然后按照輕度、明顯、嚴重、劇烈4類疼痛標準對采集的圖像進行標注標簽；
[0018]步驟3.2、對步驟3.1所得圖像數據進行尺度歸一化處理得到數據集；
[0019]步驟3.3、將步驟3.2所得數據集整體混洗打亂后按6:2:2劃分為訓練集、驗證集和測試集三部分；
[0020]步驟3.4、對步驟3.3所得訓練集進行旋轉、裁剪和平移的增強處理；
[0021]步驟3.5、建立Resnet50網絡模型，設定學習率固定為0.0001，批大小為32，優化器使用adam優化器，參數設定好后采用步驟3.4所得訓練集進行模型訓練；
[0022]步驟3.6、使用正確率ACC作為步驟3.5所得模型的評價指標，假定N
all
代表所有步驟3.3所得驗證集圖像數目，N
r
代表正確分類的圖像數目，則ACC的表達式為ACC＝N
r
/N
all
，ACC的值越大，代表模型的預測和真實情況越接近，模型的性能越好；
[0023]步驟3.7、當步驟3.6所得模型隨著迭代次數開始收斂，驗證集的準確率保持動態穩定時完成Resnet50網絡模型的訓練；
[0024]步驟3.8、使用步驟3.3所得測試集對步驟3.7所得模型進行測試。
[0025]步驟4具體包括以下步驟：
[0026]步驟4.1、將步驟2所得歸一化后的圖像輸入到步驟3所得Resnet50網絡模型中，使用Softmax分類器接收全連接層輸入的特征矩陣，輸出輸入目標所對應的每個種類的概率值，假設有N個輸入目標每個目標的標記y
i
∈{1,2,
…
,k}，k為模型輸出類別的種類，k≥2，將疼痛表情進行4分類(1,2,3,4)，k取值為4；輸入X
i
，用假設函數f
θ
(X
i
)估計對應的類別j的概率值P(y＝j/X
i
)，假設函數為：
[0027][0028]Softmax分類器的損失函數為：
[0029][0030]步驟4.2、將Softmax輸出最大概率的標簽類別作為疼痛表情的疼痛等級，疼痛等級連續多次相同后作為預測的疼痛等級輸出結果。
[0031]本專利技術的有益效果是：本專利技術的老年患者疼痛表情識別方法，融合了MTCNN與Resnet50網絡，通過建立數據集，使用MTCNN實現人臉檢測，以ResNet50為基礎網絡框架，使用遷移學習實現模型功能，從而實現了老年患者疼痛表情分類，為計算機輔助評估應用于實際疼痛評估做了可行性論證，為疼痛表情管理提供了有效指導。
附圖說明
[0032]圖1是本專利技術的老年患者疼痛表情識別方法的流程圖；
[0033]圖2是本專利技術的老年患者疼痛表情識別方法中MTCNN模型結構圖；
[0034]圖3是本專利技術的老年患者疼痛表情識別方法中Resnet50網絡遷移學習流程圖；
[0035]圖4是本專利技術的老年患者疼痛表情識別方法中MTCNN模型的檢測精度示意圖；
[0036]圖5是采用本專利技術的老年患者疼痛表情識別方法進行測試本文檔來自技高網...

【技術保護點】

【技術特征摘要】
1.老年患者疼痛表情識別方法，其特征在于，包括以下步驟：步驟1、獲取人臉圖像，使用MTCNN進行人臉檢測，得到所需人臉區域；步驟2、對步驟1所得人臉區域進行圖像預處理；步驟3、建立并訓練Resnet50網絡模型；步驟4、將步驟2所得圖像輸入到步驟3所得Resnet50網絡模型進行疼痛表情的疼痛等級預測。2.如權利要求1所述的老年患者疼痛表情識別方法，其特征在于，所述步驟1中使用MTCNN進行人臉檢測具體包括以下步驟：步驟1.1、將人臉圖像輸入到第一層網絡P
?
Net，首先將輸入圖像進行多級縮放，使用12
×
12、步長為2的滑動窗口，對每種縮放尺度的圖片進行滑動檢測，對所有檢測到的人臉框進行非極大值抑制，再將人臉框轉換到原始尺寸，對短邊進行填充，轉化為24
×
24的正方形人臉框；步驟1.2、將步驟1.1所得多個24
×
24的正方形人臉框輸入第二層網絡R
?
Ne進行處理，再通過非極大值抑制去除低于閾值的人臉框，最后進行尺寸變換到48
×
48的正方形人臉框；步驟1.3、將步驟1.2所得多個48
×
48的正方形人臉框輸入第三層網絡O
?
Net進行處理得到精確人臉框、五個人臉位置標點和置信度，再對精確人臉框進行非極大值抑制后，得到最優的人臉區域位置。3.如權利要求1所述的老年患者疼痛表情識別方法，其特征在于，所述步驟2中的圖像預處理具體為：對人臉區域進行裁剪，裁剪后將圖像歸一化為224
×
224像素大小。4.如權利要求3所述的老年患者疼痛表情識別方法，其特征在于，所述步驟3具體包括以下步驟：步驟3.1、首先通過錄制視頻的方式依次采集老年人群不同程度的疼痛表情，然后從采集后的視頻中提取所需要的表情關鍵幀，再對關鍵幀圖像進行評估分類，依據采集時的狀態，將疼痛和非疼痛圖片初步分開，然后按照輕度、明顯、嚴重、劇烈4類疼痛標準對采集的圖像進行標...

【專利技術屬性】
技術研發人員：羅文，楊爽，鄭得志，趙慧雯，劉靜，龔良波，陳曉英，溫志華，
申請(專利權)人：羅文，
類型：發明
國別省市：