【技术实现步骤摘要】
本专利技术涉及分类识别，具体为一种新生儿疼痛表情分类识别方法及系统。
技术介绍
1、近年的研究证实，不论是足月儿还是早产儿，出生后即具有疼痛感受能力。新生儿，尤其是早产儿和危重儿的疼痛主要来自侵入性操作，包括足底采血、动静脉穿刺、皮下和肌肉注射等。反复经历的疼痛刺激会对新生儿，尤其对早产儿和危重儿，产生一系列近期和远期的严重影响。
2、新生儿在自身疼痛时会表现出行为变化，包括哭声、面部表情、呻吟、肢体活动及行为状态的改变。疼痛引起的哭声往往高尖、持续时间长、频繁。但早产儿很少哭，即使受到疼痛刺激，哭闹时间也很短；危重儿因衰竭无力很少哭，或因气管插管导致声门阻塞而无法哭。因此，哭声并不是早产儿或危重儿疼痛评估有效、可靠的指标。在常用的新生儿疼痛评估工具中，“面部表情”被认为是最可靠的疼痛监测指标。
3、国际上对新生儿疼痛的评估都是由受过专门训练并熟悉各项监测指标的医护人员进行人工评估。其缺点是耗时费力，有时还无法在现场实时做出评估，而且评估结果更多地依赖于个人的知识与经验，并受个人的情绪等主观因素的影响，不能完全客观反映新生儿疼痛程度。
4、随着机器学习和计算机视觉技术的发展，人脸表情识别的准确性和效率不断提高，可通过计算机采集疼痛表情图像，构建疼痛表情数据库，进而训练疼痛水平评估模型来辅助医护人员提高疼痛评估的效率和准确性。但是疼痛表情识别会受到光照及新生儿头部的影响，此外不同新生儿对疼痛的耐受度不一样也导致疼痛水平评估上的误差。
技术实现思路
2、为实现上述目的，本专利技术提供如下技术方案：一种新生儿疼痛表情分类识别系统，包括人脸面部表情采集模块、数据预处理模块和数据存储模块，所述人脸面部表情采集模块包括高清摄像头和识别模块，所述数据预处理模块包括构建深度学习网络模型对拍摄的新生儿面部表情进行识别学习，提取特征后进行图像分析；
3、所述数据预处理模块还包括利用图像处理器对拍摄的图像采用临近时间点替换的方式进行增强处理；
4、所述图像处理器将清晰的图像传输至分布式数据库后，进行摆脱遮挡和姿态变化影响的增强处理；
5、所述数据存储模块包括分布式数据库、临时数据库和云数据库，所述分布式数据库、临时数据库和云数据库之间通过rsa加密算法对图像进行传输；
6、所述新生儿疼痛表情分类识别系统还包括识别装置，所述识别装置对云数据库中的图像进行深度学习，深度学习后对后续拍摄的新生儿面部表情图像使用基于稀疏性的分类方法对新生儿面部表情进行分类识别以辅助医护人员提高疼痛评估的效率和准确性。
7、优选的，所述构建深度学习网络模型包括图像处理器对图像数据进行vlad融合后获取向量，首先对一个图像的各个帧特征进行聚类得到多个聚类中心，将所有的特征分配到指定的聚类中心中，对于每个聚类区域中的特征向量取平均，最终合并所有的聚类区域的特征向量作为整个图像的特征向量。
8、一种新生儿疼痛表情分类识别方法，包括以下步骤：
9、s1：高清摄像头以每秒5-10张画面的拍摄速度，拍摄出新生儿的面部表情图像，图像通过有线信号传输给图像处理器；
10、s2：图像处理器对拍摄的图像进行分类，分为可识别图像和不可识别图像，对不同的识别结果的图像进行不同的处理；
11、s3：经过图像处理器处理后的图像传输至分布式数据库后，进行摆脱遮挡和姿态变化影响的增强处理；
12、s4：分布式数据库将增强处理后的图像传输至临时数据库中进行幅值增强处理，处理完后传输至云数据库中；
13、s5：识别装置对云数据中的图像进行深度学习，经过深度学习的识别装置对后续拍摄的新生儿面部表情图像使用基于稀疏性的分类方法对新生儿面部表情进行分类识别以辅助医护人员提高疼痛评估的效率和准确性。
14、优选的，s2中图像处理器将拍摄的新生儿面部表情图像分为可识别图像和不可识别图像，可识别图像分为清晰图像和不清晰图像；
15、对于不清晰图像采用临近时间点替换的方式进行增强处理，临近时间点替换的方式进行增强处理包括以下具体步骤：
16、s2.1：不可识别图像直接传输到过滤器中进行删除；
17、s2.2：可识别图像确定其拍摄时间点后，不清晰的图像从拍摄时间点附近中导入临近时间点的图像，选取新生儿面部表情图像四角及中心五个位置，单个位置可以为单个时间点拍摄的车牌图像或其临近时间点的车牌图像，通过对这五个位置的清晰度进行分析，找出清晰度最高的拍摄时间点图像传输至分布式数据库。
18、优选的，所述摆脱遮挡和姿态变化影响的增强处理包括以下具体步骤：
19、s3.1：分布式数据库内使用图像处理器识别出新生儿面部有遮挡或因姿态造成面部表情不自然的图像；
20、s3.2：对于因面部有遮挡的图像还原图像更迭设备，图像更迭设备还原至上一图像处理器，采用临近时间点替换的方式进行增强处理，直至当前时间点的图像未有面部遮挡；
21、s3.3：对于因姿态造成面部表情不自然的图像，对表情分类具有直接影响，则直接使用过滤器进行删除。
22、优选的，所述幅值增强处理包括以下步骤：
23、s4.1：根据图像倍率分别获得原始图像的放大图像、低频图像和高频图像，将放大图像划分为多个预定大小的像素块；
24、s4.2：针对多个预定大小的像素块中的每一个像素块执行放大操作，放大后每个像素块进行增益处理后将切片重新合成为完整的图像数据。
25、优选的，所述s5中基于稀疏性的分类方法对新生儿面部表情进行分类识别是在假设不考虑姿态变化，只考虑表情变化的情况下进行的。
26、优选的，所述构建深度学习网络模型所使用的图像处理器型号为bcm2763。
27、优选的，所述分布式数据库内使用的图像处理器型号为nvs33660a。
28、优选的，所述对云数据中的图像进行深度学习的识别设备是基于haar+adaboost的opencv3.4人脸检测器。
29、与现有技术相比，本专利技术的有益效果是：
30、1.该新生儿疼痛表情分类识别方法及系统，图像处理器通过临近时间点替换的方式对拍摄的新生儿表情图像清晰度进行增强处理，加强图像的清晰度后，再传输到数据库中，能够对拍摄新生儿表情图像模糊的情况下对表情进行准确的识别，从而提高对不同场景环境中拍摄新生儿表情图像进行识别的快速性、精确性和可靠性。
31、2.该新生儿疼痛表情分类识别方法及系统，根据图像倍率分别获得原始图像的放大图像、低频图像和高频图像，将放大图像划分为多个预定大小的像素块，针对多个预定大小的像素块中的每一个像素块执行放大操作，放大后每个像素块进行增益处理后将切片重新合成为完整的图像数据，从而进一步提高对不同场景环境中拍摄新生儿表情图本文档来自技高网...
【技术保护点】
1.一种新生儿疼痛表情分类识别系统，包括人脸面部表情采集模块、数据预处理模块和数据存储模块，其特征在于：所述人脸面部表情采集模块包括高清摄像头和识别模块，所述数据预处理模块包括构建深度学习网络模型对拍摄的新生儿面部表情进行识别学习，提取特征后进行图像分析；
2.根据权利要求1所述的一种新生儿疼痛表情分类识别系统，其特征在于：所述构建深度学习网络模型包括图像处理器对图像数据进行VLAD融合后获取向量，首先对一个图像的各个帧特征进行聚类得到多个聚类中心，将所有的特征分配到指定的聚类中心中，对于每个聚类区域中的特征向量取平均，最终合并所有的聚类区域的特征向量作为整个图像的特征向量。
3.根据权利要求1-2任意一条所述的一种新生儿疼痛表情分类识别方法，其特征在于，包括以下步骤：
4.根据权利要求3所述的一种新生儿疼痛表情分类识别方法，其特征在于：所述S2中图像处理器将拍摄的新生儿面部表情图像分为可识别图像和不可识别图像，可识别图像分为清晰图像和不清晰图像；
5.根据权利要求3所述的一种新生儿疼痛表情分类识别方法，其特征在于：所述摆脱遮挡和姿
6.根据权利要求3所述的一种新生儿疼痛表情分类识别方法，其特征在于：所述幅值增强处理包括以下步骤：
7.根据权利要求3所述的一种新生儿疼痛表情分类识别方法，其特征在于：所述S5中基于稀疏性的分类方法对新生儿面部表情进行分类识别是在假设不考虑姿态变化，只考虑表情变化的情况下进行的。
8.根据权利要求3所述的一种新生儿疼痛表情分类识别方法，其特征在于：所述构建深度学习网络模型所使用的图像处理器型号为BCM2763。
9.根据权利要求3所述的一种新生儿疼痛表情分类识别方法，其特征在于：所述分布式数据库内使用的图像处理器型号为NVS33660A。
10.根据权利要求3所述的一种新生儿疼痛表情分类识别方法，其特征在于：所述对云数据中的图像进行深度学习的识别设备是基于Haar+Adaboost的opencv3.4人脸检测器。
...【技术特征摘要】
1.一种新生儿疼痛表情分类识别系统，包括人脸面部表情采集模块、数据预处理模块和数据存储模块，其特征在于：所述人脸面部表情采集模块包括高清摄像头和识别模块，所述数据预处理模块包括构建深度学习网络模型对拍摄的新生儿面部表情进行识别学习，提取特征后进行图像分析；
2.根据权利要求1所述的一种新生儿疼痛表情分类识别系统，其特征在于：所述构建深度学习网络模型包括图像处理器对图像数据进行vlad融合后获取向量，首先对一个图像的各个帧特征进行聚类得到多个聚类中心，将所有的特征分配到指定的聚类中心中，对于每个聚类区域中的特征向量取平均，最终合并所有的聚类区域的特征向量作为整个图像的特征向量。
3.根据权利要求1-2任意一条所述的一种新生儿疼痛表情分类识别方法，其特征在于，包括以下步骤：
4.根据权利要求3所述的一种新生儿疼痛表情分类识别方法，其特征在于：所述s2中图像处理器将拍摄的新生儿面部表情图像分为可识别图像和不可识别图像，可识别图像分为清晰图像和不清晰图像；
【专利技术属性】
技术研发人员：杨婷，张红梅，徐景霞，潘伊伶，李琳玉，
申请(专利权)人：杭州市儿童医院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。