论文部分内容阅读
新生儿无法对自身的疼痛感进行表达,一般由专业的医护人员对他们的疼痛进行评估,而这种评估方式存在主观评估的差异性,另外,人工评估方式会非常耗时耗力。因此,有必要开发出一种基于新生儿疼痛表情的自动评估系统,为医护人员提供更为精确、更为可靠的评估工具。近年来,深度学习已经成功地被运用到诸多领域,例如,图像识别、语音识别、人脸识别等领域,本文重点研究了深度学习在新生儿疼痛表情识别中的应用,主要的研究内容以及成果如下:(1)建立了新生儿面部表情视频库。包括对新生儿视频的采集、视频的预处理、数据集扩增等过程。(2)研究了一种基于卷积神经网络(Convolutional Neural Network,CNN)和长短期记忆(Long Short-Term Memory,LSTM)网络的LRCN(Long-term Recurrent Convolutional Networks)模型,及其在新生儿疼痛表情识别中的应用。(3)在LRCN模型中的LSTM选取经典LSTM网络的前提下,研究了LRCN模型中采用CaffeNet、改进CaffeNet以及VGG三种不同CNN对新生儿疼痛表情识别率的影响。实验结果表明,基于CaffeNet和改进CaffeNet网络的LRCN模型的疼痛表情识别率分别为53.18%、53.82%,而基于VGG网络的LRCN模型的疼痛表情识别率为55.63%,识别性能比较好。(4)在LRCN模型中的CNN选取VGG网络的前提下,研究了LRCN模型中采用基于经典LSTM和BLSTM(Bi-directional Long Short-Term Memory,双向长短期记忆)两种不同LSTM网络的LRCN模型对识别率的影响。实验结果表明,基于经典LSTM的LRCN模型的疼痛表情识别率为55.63%,而基于BLSTM的LRCN模型的疼痛表情识别率为57.12%。(5)为了比较基于VGG和BLSTM的LRCN模型与其他深度神经网络的疼痛表情识别性能,本文还对CaffeNet网络和三维CNN模型在新生儿疼痛表情识别中的应用进行了研究。实验结果表明,采用CaffeNet网络对视频序列中的图像进行疼痛表情识别的精确率为40.32%,采用5层卷积层的三维CNN模型对新生儿面部表情视频片断进行疼痛表情识别的精确率为51.46%。综上所述,基于VGG和BLSTM的LRCN模型的疼痛表情识别性能最好。