论文部分内容阅读
传统的新生儿疼痛表情评估都是由专业的医护人员进行人工评估,这种方法有很多局限性,如:需花费大量时间和精力培训医护人员、评估结果受评估者主观因素的影响、有时不能在现场进行及时地评估等。随着人脸识别和表情识别技术的发展,使得采用计算机进行新生儿疼痛表情识别成为一种可能。因此,开发一种自动的、高效的新生儿疼痛表情识别系统具有现实意义。新生儿疼痛表情识别的关键技术是表情特征提取,它直接影响着识别率的高低。寻找一种有效的、鲁棒的特征提取算法用于新生儿疼痛表情识别是本论文研究的主要内容。研究表明,人脸图像分布在一个非线性的流形空间中,而流形学习是近几年出现的一种新的机器学习理论,它能有效地学习出数据内部的非线性流形结构。本论文对流形学习算法在新生儿疼痛表情识别中的应用进行了深入研究,提出了两种基于流形学习算法的特征提取算法,主要工作和创新点如下:1)对表情识别和新生儿疼痛表情识别的研究现状进行了简单地概述。比较详细地介绍了几种经典的流形学习算法的原理,为本论文的研究提供理论支持。2)根据研究需要,初步建立了具有东方婴儿面部特征的新生儿面部表情数据库。3)针对线性流形学习算法得到的投影向量通常是非正交的问题,提出了正交的等距映射(Orthogonal Isomatric Projection, O-IsoProjection)算法。该算法能够以最佳的方式逼近嵌入在流形中的测地距离,并对降维后的子空间维数不是很敏感,能够正确地估计出样本的内蕴维数。4)在模式识别理论中,特征提取的原则是提取的特征之间相关性越小越好,最好是统计不相关的,而线性流形学习算法所得到的特征通常是统计相关的。为了去除特征的相关性,提出了统计不相关局部敏感鉴别分析算法(Uncorrelated Locality Sensitive Discriminant Analysis, U-LSDA)。在统计不相关的约束下,该算法提取出的表情特征是不相关的,使得特征的鉴别能力增强。5)将目前比较常用的线性流形学习算法和本文提出的算法用于新生儿疼痛表情识别中,进行了大量的实验,实验结果证明了新算法的可行性和有效性。