新生兒醫(yī)護(hù)過程往往伴隨著致痛操作,而大量的疼痛刺激會對新生兒的身心產(chǎn)生短期或長期影響,造成不可逆轉(zhuǎn)的傷害,因此及時對新生兒的疼痛程度進(jìn)行評估具有實(shí)際意義。但受醫(yī)療資源的限制,人工評估存在間歇性和主觀性等缺陷,為了避免人為因素造成的評估偏差并減少人力消耗,本文研究了基于雙流特征深度學(xué)習(xí)的新生兒疼痛表情識別方法。本文主要研究內(nèi)容如下:建立了新生兒疼痛表情視頻和圖像數(shù)據(jù)庫。與醫(yī)院展開合作,拍攝高質(zhì)量的新生兒疼痛表情視頻,并由醫(yī)護(hù)人員對視頻類別進(jìn)行標(biāo)注,分為平靜、哭鬧、輕度疼痛、重度疼痛四類表情。經(jīng)數(shù)據(jù)預(yù)處理,建立了適合模型訓(xùn)練的視頻和圖像數(shù)據(jù)庫。研究了基于遷移學(xué)習(xí)和深度學(xué)習(xí)的新生兒疼痛表情圖像分類方法。采用三種遷移學(xué)習(xí)方法,對比了遷移自ImageNet特征的AlexNet、VGG-16、Inception-V3、ResNet-50、Xception模型和遷移自VGG-Face特征的VGG-Face模型在新生兒疼痛表情圖像數(shù)據(jù)庫上的識別效果。最終測試效果最好的模型為只訓(xùn)練頂層的VGG-Face模型,識別率可以達(dá)到79.2%。結(jié)果表明:適合的深層模型可以有效地?cái)M合目標(biāo)數(shù)據(jù),有助于解決復(fù)雜的分類任... 

【文章來源】：南京郵電大學(xué)江蘇省

【文章頁數(shù)】：60 頁

【學(xué)位級別】：碩士

【部分圖文】：

感知機(jī)模型圖

圖 2.2 神經(jīng)網(wǎng)絡(luò)模型圖習(xí)浪潮衰退的原因是神經(jīng)網(wǎng)絡(luò)訓(xùn)練困難，1986 年，Ru決了兩層神經(jīng)網(wǎng)絡(luò)的優(yōu)化問題。在訓(xùn)練時采用反向傳播的參數(shù)。絡(luò)的基本原理絡(luò)解決實(shí)際問題時，人們通常采用層數(shù)較淺、參數(shù)量較是密集連接的，參數(shù)數(shù)量過于龐大，會對訓(xùn)練造成了極積神經(jīng)網(wǎng)絡(luò) LeNet[48]，每個卷積核具有局部感受野，卷模型復(fù)雜度。通常，卷積神經(jīng)網(wǎng)絡(luò)包含特征提取、特征本節(jié)主要介紹卷積神經(jīng)網(wǎng)絡(luò)的相關(guān)理論。

圖 2.3 卷積操作示意圖卷積核在輸入特征圖上滑動，與輸入特征圖中對應(yīng)項(xiàng)相乘求和，。在卷積神經(jīng)網(wǎng)絡(luò)中卷積操作會更為復(fù)雜，涉及到如下參數(shù)：寸（Kernel Size）：卷積核的邊長；道數(shù)：輸入特征圖通常是多通道的，卷積核通道數(shù)與輸入特征圖的數(shù)：用于控制輸出特征圖的通道數(shù)；（Strides）：卷積核每次滑動的距離；ero Padding）：為保持卷積后特征圖的邊長不變，通常會在輸入特示了輸入特征圖為 l×l×N，卷積核尺寸為 k×k，卷積核個數(shù)為 Me Padding 方式補(bǔ)零的卷積操作。

【參考文獻(xiàn)】：
期刊論文
[1]新生兒疼痛對兒童行為發(fā)育的影響和機(jī)制研究進(jìn)展[J]. 夏冬晴,陳夢瑩,李曉南.  中國兒童保健雜志. 2016(02)
[2]新生兒疼痛管理的研究進(jìn)展[J]. 戚少丹,陳劼.  中國護(hù)理管理. 2015(10)
[3]基于LBP特征和稀疏表示的新生兒疼痛表情識別[J]. 盧官明,石婉婉,李旭,李曉南,陳夢瑩,劉莉.  南京郵電大學(xué)學(xué)報(bào)(自然科學(xué)版). 2015(01)
[4]新生兒疼痛面部表情識別方法的研究[J]. 盧官明,李曉南,李海波.  光學(xué)學(xué)報(bào). 2008(11)



本文編號：3338284