基于双流特征深度学习的新生儿疼痛表情识别

发布时间：2021-08-12 11:58

　　新生儿医护过程往往伴随着致痛操作,而大量的疼痛刺激会对新生儿的身心产生短期或长期影响,造成不可逆转的伤害,因此及时对新生儿的疼痛程度进行评估具有实际意义。但受医疗资源的限制,人工评估存在间歇性和主观性等缺陷,为了避免人为因素造成的评估偏差并减少人力消耗,本文研究了基于双流特征深度学习的新生儿疼痛表情识别方法。本文主要研究内容如下:建立了新生儿疼痛表情视频和图像数据库。与医院展开合作,拍摄高质量的新生儿疼痛表情视频,并由医护人员对视频类别进行标注,分为平静、哭闹、轻度疼痛、重度疼痛四类表情。经数据预处理,建立了适合模型训练的视频和图像数据库。研究了基于迁移学习和深度学习的新生儿疼痛表情图像分类方法。采用三种迁移学习方法,对比了迁移自ImageNet特征的AlexNet、VGG-16、Inception-V3、ResNet-50、Xception模型和迁移自VGG-Face特征的VGG-Face模型在新生儿疼痛表情图像数据库上的识别效果。最终测试效果最好的模型为只训练顶层的VGG-Face模型,识别率可以达到79.2%。结果表明:适合的深层模型可以有效地拟合目标数据,有助于解决复杂的分类任... 

【文章来源】：南京邮电大学江苏省

【文章页数】：60 页

【学位级别】：硕士

【部分图文】：

感知机模型图

图 2.2 神经网络模型图习浪潮衰退的原因是神经网络训练困难，1986 年，Ru决了两层神经网络的优化问题。在训练时采用反向传播的参数。络的基本原理络解决实际问题时，人们通常采用层数较浅、参数量较是密集连接的，参数数量过于庞大，会对训练造成了极积神经网络 LeNet[48]，每个卷积核具有局部感受野，卷模型复杂度。通常，卷积神经网络包含特征提取、特征本节主要介绍卷积神经网络的相关理论。

图 2.3 卷积操作示意图卷积核在输入特征图上滑动，与输入特征图中对应项相乘求和，。在卷积神经网络中卷积操作会更为复杂，涉及到如下参数：寸（Kernel Size）：卷积核的边长；道数：输入特征图通常是多通道的，卷积核通道数与输入特征图的数：用于控制输出特征图的通道数；（Strides）：卷积核每次滑动的距离；ero Padding）：为保持卷积后特征图的边长不变，通常会在输入特示了输入特征图为 l×l×N，卷积核尺寸为 k×k，卷积核个数为 Me Padding 方式补零的卷积操作。

【参考文献】：
期刊论文
[1]新生儿疼痛对儿童行为发育的影响和机制研究进展[J]. 夏冬晴,陈梦莹,李晓南.  中国儿童保健杂志. 2016(02)
[2]新生儿疼痛管理的研究进展[J]. 戚少丹,陈劼.  中国护理管理. 2015(10)
[3]基于LBP特征和稀疏表示的新生儿疼痛表情识别[J]. 卢官明,石婉婉,李旭,李晓南,陈梦莹,刘莉.  南京邮电大学学报(自然科学版). 2015(01)
[4]新生儿疼痛面部表情识别方法的研究[J]. 卢官明,李晓南,李海波.  光学学报. 2008(11)



本文编号：3338284