近年来,人口老龄化趋势加速使得全球医疗体系面临人力不足的严峻问题,2020年爆发的新冠疫情更是加剧了全世界高效率医疗资源的稀缺程度,利用人工智能来缓解医疗资源紧张的需求变得越来越迫切。目前少有结合了表情识别和边缘计算的病房监控研究方案,本文针对这个现状,以及轻量化卷积神经网络的表情识别准确率不足问题,展开了以下几方面的深入研究工作:1.对传统轻量化卷积神经网络Xception进行改进研究,提出了改进网络D-Xception,提升了表情识别准确率。本文的改进方法是在传统Xception的中间流引入局部密集连接和过渡层,变成3个改进密集块,具体表现为将每个密集块的输入与其后续4组深度可分离卷积的输出特征图级联(concatenate)作为该密集块的输出,并加上一个1×1卷积的过渡层用来调整通道数。另外将传统Xception的入口流缩减为2个卷积层和2个1×1残差块,出口流结构保持不变,最终得到改进网络D-Xception。改进网络通过局部密集连接加强了对特征的复用,提高了表情识别准确率,而通道数的调整,能降低改进网络的参数量。2.针对表情识别的应用,将改进网络D-Xception与主流网络进行对比实验。实验在公开数据集FER2013上进行,该数据集包含35887张表情图片,按8:2的比例被划分成训练集和测试集,测试结果与Dense Net、Mobile Net、Xception等网络在参数量和准确率上进行对比。实验结果表明,本文网络D-Xception的参数量为7.5×10~6,是传统Xception参数量的1/3,表情识别准确率能够达到70.97%,与传统Xception的68.24%准确率相比,提升了2.7%。并且进一步地对混淆矩阵分析,发现网络存在表情识别不均衡的问题,采用加权交叉熵损失函数进行优化,最终将不易被识别的Anger和Sad表情识别率分别提升了4%和3%,使表情识别更均衡。3.在上述1和2的研究工作基础上,结合改进网络D-Xception与边缘计算设计并实现了一个基于病人表情识别的病房监控系统。该系统的图像预处理、人脸检测、人脸识别和表情识别模块均部署在硬件平台树莓派3B和Intel神经计算棒上,预警模块在上位机中运行。本文分别对系统的功能性和鲁棒性进行了实验验证,功能性实验结果表明系统在硬件平台上能以5帧/s对摄像视角内病人画面直接进行7种基础表情识别,完成病人情绪状态的分析,在病人呈现非正常状态时,能通过TCP Socket连接及时向医护人员发出预警。鲁棒性实验结果表明,该系统能够适应室内夜间、强烈日光等不同光照环境,以及能实时监控多名病人的状态。综上所述,本文在理论上提出了改进的轻量化卷积神经网络D-Xception,在实验上证明了D-Xception网络的表情识别准确率较传统Xception提高了2.7%,在硬件树莓派3B和神经计算棒上设计并实现了基于D-Xception表情识别的病房监控系统。并且进一步地验证了系统的完整功能,证明本文提出的D-Xception网络可以部署在嵌入式设备上以5帧/s进行表情识别,以及与边缘计算的结合可以为未来智能病房实时监护提供一个切实有效的可选择方案。