论文部分内容阅读
大量医学研究表明,新生儿护理过程中遭受的致痛性刺激会给其身心发育带来不可逆转的负面影响。因此,及时地评估新生儿的疼痛状态,并采取相应的措施进行干预,对新生儿的健康发育具有非常关键的作用。人工评估的方法不仅费时费力,而且还会受到主观因素的影响。新生儿疼痛表情自动识别技术可以协助医护人员进行更加客观准确的评估,具有重要的现实意义。本文采用迁移学习的方法对新生儿疼痛表情识别任务展开研究,主要工作内容如下:(1)建立和扩充了新生儿疼痛表情图像数据库。主要包括采集新生儿视频、疼痛评估、筛选出质量较佳的图像并对其进行规范化处理等过程。(2)研究了Alex Net、VGG16、Inception V3、Res Net50、Mobile Net V2等深度神经网络模型在不同迁移策略下的学习能力。将在Image Net数据集上预训练好的上述五种模型分别采用三种策略迁移到新生儿疼痛表情识别任务上,实验结果表明,对VGG16的所有层参数进行微调训练得到的模型具有高达78.3%的识别率。(3)分析了从不同的源域迁移的学习性能。在新生儿疼痛表情图像数据库上,通过实验对比了在Image Net数据集上预训练的VGG16模型和在VGG-Face数据集上预训练的VGG-Face模型的迁移效果,其中VGG-Face模型的识别率达到了79.3%。结果表明,从与目标域相似的源域进行迁移学习,不仅可以加快网络收敛,也会使识别率进一步得到提升。(4)提出了基于迁移学习和支持向量机(Support Vector Machines,SVM)的新生儿疼痛表情识别方法。首先,将在Image Net数据集上预训练好的Alex Net、VGG16、Inception V3、Res Net50四种模型作为特征提取器,然后利用新生儿疼痛表情图像数据库对其所有层参数进行微调,最后将微调后模型的第二个全连接层输出的特征输入到SVM分类器,进行新生儿疼痛表情的分类识别。实验结果表明,与Softmax分类器相比,采用SVM分类器的识别率提高了约1%。(5)设计并实现了一个新生儿疼痛表情识别演示系统。演示系统主要由面部检测模块、疼痛表情识别模块、用户界面组成。其中,疼痛表情识别模块采用微调后的Mobile Net V2模型,用户界面以可视化友好的方式提供人机交互。