论文部分内容阅读
现代医学表明,持续的疼痛刺激会损伤新生儿的生理和神经系统。鉴于新生儿无法用言语表达自身的疼痛感,因此对新生儿的疼痛评估当前主要依靠专业的医护人士。这种评估方式主要存在主观性评估、耗费人力等不足,所以开发新生儿疼痛自动评估系统对医护人员及时采取镇痛措施,减轻新生儿疼痛具有重大意义和价值。近年来,深度学习作为以数据为驱动的特征学习方法,大力推动了人脸表情识别领域的发展。本文深入探讨和研究了三维卷积神经网络(3D Convolutional Neural Network,3D CNN)在新生儿疼痛表情识别方面的应用。主要工作如下:(1)建立了新生儿面部表情视频库。视频库是研究的基础,本文经过视频采集、视频剪辑、归一化等过程建立了新生儿面部表情视频库。(2)研究了一种基于C3D(Convolutional 3D Neural Network)的新生儿疼痛表情识别方法。C3D能够同时提取空间域和时间域上的特征,能够准确的表达新生儿面部表情的非线性特征。为了探索网络深度对识别率的影响,研究了两种C3D结构:具有5层卷积层的C3D(C3D-5)和具有8层卷积层的C3D(C3D-8)。通过实验验证,C3D-5在新生儿面部表情视频库上取得了50.53%的识别率,C3D-8取得了51.27%的识别率。(3)研究了一种基于R3D(3D Residual Convolutional Neural Network)的新生儿疼痛表情识别方法。网络深度是影响最后识别效果的重要因素,R3D通过应用残差学习的思想,网络深度大大加深,3D卷积提取到的特征也更加抽象、更加高级。通过实验验证,基于R3D的新生儿疼痛表情识别率达到了58.84%。(4)研究了一种基于P3D(Pseudo 3D Convolutional Neural Network)的新生儿疼痛表情识别方法。P3D通过将传统的3D卷积分解成2D空间域卷积和1D时间域卷积,网络参数大大减少,同时应用残差学习的思想,网络深度再次加深。通过实验验证,基于P3D的新生儿疼痛表情识别方法取得了55.69%的识别率。虽然基于P3D的新生儿疼痛表情识别率低于R3D,但是P3D的网络参数更少、计算成本更低,因此极大的减少了训练时间,减小了网络模型。