CN112741593B - 疼痛评估方法、系统、设备及存储介质 - Google Patents

Abstract

本发明提供一种疼痛评估方法、系统、设备及存储介质，该方法包括：采集用户在不同疼痛状态下对应的体征参数、人脸表情视频和肢体动作视频；利用人脸表情视频和肢体动作视频基于深度神经网络进行训练，得到第一疼痛识别模型和第二疼痛识别模型；利用待测用户的体征参数计算生理疼痛分数，将待测用户的人脸表情视频和肢体动作对应输入到第一疼痛识别模型、第二疼痛识别模型得到人脸疼痛分数与肢体疼痛分数；根据预设权重系数计算各种疼痛分数的加权和得到待测用户的疼痛评估值。本发明适用于新生婴儿或丧失语言表达的人，能够避免人为主观的评判疼痛程度所带来的误差，提高了疼痛评估的效率与精准度，具有适用范围广、敏感度高、评估简单的优点。

Description

疼痛评估方法、系统、设备及存储介质

技术领域

本发明涉及机器学习和生物医学相关领域，特别是涉及可应用于新生婴儿的一种疼痛评估方法、系统、设备及存储介质。

背景技术

疼痛是人类进化的一种社会交流倾向，作为一种与伤害相关的特殊感觉体验，能够传递各种有害刺激带来的不适感，疼痛对个体的生存有着重要意义和价值。1976年国际疼痛研究学会(InternationalAssociationfortheStudyofPain,IASP)将疼痛定义为“一种与组织损伤或潜在的损伤相关的不愉快的主观感觉和情感体验”。1995年，美国疼痛协会把疼痛列为第五大生命体征，并强调系统评估和常规记录疼痛的重要性。

针对新生婴儿、丧失语音表达能力的患者等无法表述其疼痛感受的，特别是新生婴儿，在新生儿的护理和治疗过程中，通常伴随着致痛性操作，如：足跟采血、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产生一系列近期和远期的不良影响，如急性应激、中枢神经系统的永久损伤和情感紊乱等，所以正确评估疼痛并采取镇痛措施具有重要的临床意义。

由于新生儿不能用语言表述疼痛的感受，疼痛评估成为儿科学中的一个挑战性难题。目前在临床实践中，由受过专门训练的医务人员采用新生儿面部编码系统(NeonatalFacialCodingSystem，NFCS)、新生儿疼痛量表(NeonatalInfantPainScale，NIPS)等评估工具进行人工评估。在这些评估工具中，都将“面部表情”作为一项重要的监测指标。然而，采用上述方式进行人工评估不仅耗时费力，而且评估结果依赖于医务人员的经验，并受个人情绪等主观因素的影响。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种疼痛评估方法、系统、设备及存储介质，用于解决现有技术中采用人工评估费时费力，易受个人主观因素影响的问题。

为实现上述目的及其他相关目的，本申请的第一方面，本发明提供一种疼痛评估方法，包括：

采集用户在不同疼痛状态下对应的体征参数、人脸表情视频和肢体动作视频；

利用所述人脸表情视频和肢体动作视频基于深度神经网络进行训练，得到基于人脸特征的第一疼痛识别模型和基于肢体动作的第二疼痛识别模型；

利用待测用户的体征参数计算生理疼痛分数，将待测用户的所述人脸表情视频和肢体动作对应输入到第一疼痛识别模型、第二疼痛识别模型得到人脸疼痛分数与肢体疼痛分数；

根据预设权重系数计算各种疼痛分数的加权和得到待测用户的疼痛评估值。

本申请的第二方面，提供一种疼痛评估系统，包括：

样本采集模块，用于采集用户在不同疼痛状态下对应的体征参数、人脸表情视频和肢体动作视频；

模型构建模块，利用所述人脸表情视频和肢体动作视频基于深度神经网络进行训练，得到基于人脸特征的第一疼痛识别模型和基于肢体动作的第二疼痛识别模型；

疼痛检测模块，利用待测用户的体征参数计算生理疼痛分数，将待测用户的所述人脸表情视频和肢体动作对应输入到第一疼痛识别模型、第二疼痛识别模型得到人脸疼痛分数与肢体疼痛分数；

疼痛评估模块，用于根据预设权重系数计算各种疼痛分数的加权和得到待测用户的疼痛评估值。

本申请的第三方面，提供一种电子设备，包括：

一个或多个处理器；

存储器；

以及一个或多个程序，其中所述一个或多个程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行指令，所述一个或多个处理器执行所述执行指令使得所述电子设备执行上述的疼痛评估方法。

本申请的第四方面，提供一种存储介质，包括：所述存储介质包括存储的程序，其中，所述程序在被调用执行时实现上述的疼痛评估方法。

如上所述，本发明的疼痛评估方法、系统、设备及存储介质，具有以下有益效果：

本发明提供的一种智能化评估疼痛的方法和系统，适用于新生婴儿或丧失语言表达的人能够避免人为主观的评判待测用户的疼痛程度所带来的误差，提高了疼痛评估的效率与精准度，相比其它疼痛评估方式，本发明具有适用范围广、敏感度高、评估简单的优点。

附图说明

图1显示为本发明实施例提供的一种疼痛评估方法流程图；

图2显示为本发明实施例提供的一种疼痛评估方法中模型训练流程图；

图3显示为本发明实施例提供的另一种疼痛评估方法流程图；

图4显示为本发明实施例提供的一种疼痛评估系统结构框图；

图5显示为本发明实施例提供的另一种疼痛评估系统结构框图；

图6显示为本发明实施例提供的疼痛评估电子设备结构框图。

具体实施方式

以下由特定的具体实施例说明本申请的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本申请的其他优点及功效。

在下述描述中，参考附图，附图描述了本申请的若干实施例。应当理解，还可使用其他实施例，并且可以在不背离本公开的精神和范围的情况下进行机械组成、结构、电气以及操作上的改变.下面的详细描述不应该被认为是限制性的，并且本申请的实施例的范围仅由公布的专利的权利要求书所限定.这里使用的术语仅是为了描述特定实施例，而并非旨在限制本申请。空间相关的术语，例如“上”、“下”、“左”、“右”、“下面”、“下方”、“下部”、“上方”、“上部”等，可在文中使用以便于说明图中所示的一个元件或特征与另一元件或特征的关系。

虽然在一些实例中术语第一、第二等在本文中用来描述各种元件，但是这些元件不应当被这些术语限制。这些术语仅用来将一个元件与另一个元件进行区分。例如，第一预设阈值可以被称作第二预设阈值，并且类似地，第二预设阈值可以被称作第一预设阈值，而不脱离各种所描述的实施例的范围。第一预设阈值和预设阈值均是在描述一个阈值，但是除非上下文以其他方式明确指出，否则它们不是同一个预设阈值。相似的情况还包括第一音量与第二音量。

再者，如同在本文中所使用的，单数形式“一”、“一个”和“该”旨在也包括复数形式，除非上下文中有相反的指示.应当进一步理解，术语“包含”、“包括”表明存在所述的特征、步骤、操作、元件、组件、项目、种类、和/或组，但不排除一个或多个其他特征、步骤、操作、元件、组件、项目、种类、和/或组的存在、出现或添加.此处使用的术语“或”和“和/或”被解释为包括性的，或意味着任一个或任何组合.因此，“A、B或C”或者“A、B和/或C”意味着“以下任一个：A；B；C；A和B；A和C；B和C；A、B和C”仅当元件、功能、步骤或操作的组合在某些方式下内在地互相排斥时，才会出现该定义的例外。

请参阅图1，为本发明实施例提供的一种疼痛评估方法流程图，包括：

步骤S1，采集用户在不同疼痛状态下对应的体征参数、人脸表情视频和肢体动作视频；

其中，可采用生命体征检测仪或智能穿戴设备采集用户在不同疼痛状态的体征参数，而人脸表情视频与肢体动作视频通过摄像装置采集；所述疼痛状态包括平静状态、轻度疼痛状态、中度疼痛状态和重度疼痛状态，每种疼痛状态对应相应的疼痛分数，例如，平静状态为0分，轻度疼痛状态为1～3分、中度疼痛状态为4～5分和重度疼痛状态为6～8分。

步骤S2，利用所述人脸表情视频和肢体动作视频基于深度神经网络进行训练，得到基于人脸特征的第一疼痛识别模型和基于肢体动作的第二疼痛识别模型；

步骤S3，利用待测用户的体征参数计算生理疼痛分数，将待测用户的所述人脸表情视频和肢体动作对应输入到第一疼痛识别模型、第二疼痛识别模型得到人脸疼痛分数与肢体疼痛分数；

步骤S4，根据预设权重系数计算各种疼痛分数的加权和得到待测用户的疼痛评估值。

其中，得到量化的疼痛评估值，便于量化分析；另外，如果需要获取疼痛状态(等级)可根据待测用户计算的所述疼痛评估值与各个疼痛状态的预设阈值比较，评估待测用户的疼痛状态。

该用户包括新生婴儿(小于三个月)、非新生婴儿以及丧失语音表达能力的人，本实施例中以新生婴儿为例。

在本实施例中，通过自动采集体征参数、人脸表情视频动作和肢体动作视频，相比一般的人脸表情疼痛识别而言，能够避免人为主观的评判待测用户的疼痛程度所带来的误差，提高了疼痛评估的效率与精准度，相比人脸表情疼痛识别而言，本发明具有适用范围广、敏感度高、评估简单的优点。

在一实施例中，生理指标(体征参数)包括心率和血氧饱和度，根据不同疼痛状态下的体征参数计算各种体征参数的预设阈值，将待测用户的体征参数按其类型与预设阈值比较，计算各种类型的体征参数的生理疼痛分数，例如，计算到新生婴儿的心率的预设阈值和血氧饱和度的预设阈值，只需将待测的新生婴儿心率与心率的预设阈值比较，即可得到心率疼痛分数；将待测的新生婴儿血氧饱和度疼痛与血氧饱和度的预设阈值比较，即可得到血氧饱和度疼痛分数。而由体征参数导致的生理疼痛分数包括心率疼痛分数和血氧饱和度疼痛分数，本发明选择将心率疼痛分数和血氧饱和度疼痛分数分开计算，选取两者疼痛分数之和作为生理疼痛分数。

具体地，关于心率的疼痛评测如下：例如，测试的心率与预设心率阈值相比，如果测试的心率比预设心率阈值快0～5次每分钟时，则心率疼痛分数为零分；如果测试的心率比预设心率阈值快6～20次每分钟时，则心率疼痛分数为一分；如果测试的心率比预设心率阈值快20次以上每分钟时，则心率疼痛分数为两分。

具体地，关于血氧饱和度的疼痛评测如下：例如，测试的血氧饱和度与预设血氧饱和度阈值相比，如果测试的血氧饱和度比预设血氧饱和度阈值低0～5％时，则心率疼痛分数为零分；如果测试的血氧饱和度比预设血氧饱和度阈值低6～10％时，则心率疼痛分数为一分；如果测试的血氧饱和度比预设血氧饱和度阈值低10％以上时，则心率疼痛分数为两分。

通过采集新生婴儿的体征参数作为疼痛评估的考核参数之一，一方面，相比其它复杂的新生儿疼痛评估量表，需要测量多种参数进行综合评估，本发明操作简单，利于推广；另一方面，结合体征参数、肢体动作与人脸表情，提高了疼痛测量精度。

请参阅图2，为本发明实施例提供的一种疼痛评估方法中模型训练流程图，详述如下：

步骤S201，分别截取不同疼痛状态下的人脸表情视频和肢体动作视频，得到预处理后的各种样本的表情图像帧和肢体动作图像帧(得到预设规格的帧长度和分辨率的训练样本)；

步骤S202，构建卷积神经网络和长短时记忆网络，并将卷积神经网络的输出端与长短时记忆网络的输入端相连接，由卷积神经网络和长短时记忆网络组建深度神经网络；

其中，所构建卷积神经网络由输入开始，依次包括第一层卷积层、第二层池化层、第三层卷积层、第四层池化层、第五层卷积层、第六层池化层、第七层卷积层和第八层全连接层；所构建的长短时记忆网络由输入开始，依次包括预设数量个递归神经网络层和softmax分类层，其中，各个递归神经网络层依次相连，最后与softmax分类层的输入相连；然后将卷积神经网络的输出端与长短时记忆网络的输入端相连接，由卷积神经网络和长短时记忆网络组建深度神经网络。

步骤S203，将各组样本表情图像帧以及分别所对应的疼痛状态作为第一训练集，将各组样本肢体动作图像帧以及分别所对应的疼痛状态作为第二训练集，利用深度神经网络针对第一、二训练集分别进行训练，获得基于人脸特征的第一疼痛识别模型和基于肢体动作的第二疼痛识别模型。

通过面部表情得到的人脸疼痛分数评测如下：例如，面部表情为面部肌肉处于放松状态眉毛平直舒展、两眼轻闭或正常睁开、鼻部及面颊肌肉未见隆起、无鼻唇褶皱、上下唇自然闭合中任一种或几种，标记为零分；面部表情为皱眉、挤眼、鼻唇沟加深、鼻部及面颊肌肉隆起中任一种或几种，标记为一分；面部表情为大声哭泣、张嘴或嘴部形状呈O形、舌呈杯状等特征中任一或几种，标记为两分。

通过肢体动作得到肢体疼痛分数评测如下：例如，肢体动作为四肢肌张力正常，标记为零分；肢体动作为手指、脚趾收紧或张开，手臂挥动或蹬腿次数少于三次时，出现上述一种动作或几种动作时，则标记为一分；肢体动作为手臂挥动或蹬腿次数大于三次时，身体扭动或成弓形，出现上述一种动作或几种动作时，则标记为两分。

在本实施例中，按照上述人脸疼痛分数评测与肢体疼痛分数评测对截取预处理后表情图像帧和肢体动作图像帧进行标记，形成各种样本的第一训练集和第二训练集；采用构建的深度神经网络进行训练，详述如下：

第一层卷积层，采用l1个k1×k1卷积核针对分辨率为m×n的表情图像帧进行卷积操作，获得l1个分辨率为m1×n1的特征图；

第二层池化层，采用预设尺寸为p1×p1的滑动窗口，针对上一层卷积层所输出的特征图进行下采样，获得l1个分辨率为m2×n2的特征图；

第三层卷积层，采用l2个k2×k2卷积核针对上一层卷积层所输出的特征图进行卷积操作，获得(l1×l2)个分辨率为m3×n3的特征图；

第四层池化层，采用预设尺寸为p2×p2的滑动窗口，针对上一层卷积层所输出的特征图进行下采样，获得(l1×l2)个分辨率为m4×n4的特征图；

第五层卷积层，采用l3个k3×k3卷积核针对上一层池化层所输出的特征图进行卷积操作，获得(l1×l2×l3)个分辨率为m5×n5的特征图；

第六层池化层，采用预设尺寸为p3×p3的滑动窗口，针对上一层卷积层所输出的特征图进行下采样，获得(l1×l2×l3)个分辨率为m6×n6的特征图；

第七层卷积层，采用l4个k4×k4卷积核针对上一层池化层所输出的特征图进行卷积操作，获得(l1×l2×l3×l4)个分辨率为m7×n7的特征图；

第八层全连接层，将第七层卷积层所输出的(l1×l2×l3×l4)个分辨率为m7×n7的特征图连接成(l1×l2×l3×l4×m7×n7)维的特征向量。

对于长短时记忆网络，具体由输入开始，依次包括Ψ个递归神经网络层和softmax分类层，其中各个递归神经网络层分别包括T个长短时记忆单元，各个长短时记忆单元分别包括依次相连的输入门、忘记门、Cell和输出门；softmax分类层针对依次经过各个递归神经网络层处理后所得表情图像帧进行分类，即完整针对该新生儿表情的识别，即从新生儿疼痛表情视频库中不同类别表情的视频中截取T帧长的帧序列[x1、…、xT]作为训练样本，利用BPTT(BackPropagationThroughTime)算法对CNN和LSTM网络进行训练，得到优化的深度神经网络(基于人脸特征的第一疼痛识别模型)，同理，也得到基于肢体动作的第二疼痛识别模型。

在本实施例中，相比人脸表情疼痛识别方法而言，本发明通过引入基于卷积神经网络(CNN)和长短时记忆(LSTM)网络的深度学习方法，将其运用于新生儿疼痛表情识别工作中，能够有效识别出新生儿处于平静状态、轻度疼痛状态、中度疼痛状态和重度疼痛状态的具体分数；通过引入深度神经网络来提取视频片段的时域和空域特征，突破了传统的人工设计与提取显式表情特征的技术瓶颈，并且提高了在面部受遮挡、姿态倾斜、光照变化等复杂情况下的识别率和鲁棒性。

请参阅图3，为本发明实施例提供的另一种疼痛评估方法流程图，详述如下：

步骤S1，采集新生婴儿在不同疼痛状态下对应的体征参数、人脸表情视频和肢体动作视频；

步骤S2，利用所述人脸表情视频和肢体动作视频基于深度神经网络进行训练，得到基于人脸特征的第一疼痛识别模型和基于肢体动作的第二疼痛识别模型；

步骤S3，利用待测新生婴儿的体征参数计算生理疼痛分数，将待测新生婴儿的所述人脸表情视频和肢体动作对应输入到第一疼痛识别模型、第二疼痛识别模型得到人脸疼痛分数与肢体疼痛分数；

步骤S4，当待测用户为新生婴儿时，采集给予所述新生婴儿安抚动作后响应的人脸表情视频和肢体动作视频，计算所述新生婴儿安抚后的安抚性疼痛分数。

其中，第一疼痛识别模型识别的人脸表情的人脸疼痛分数与第二疼痛识别模型识别的肢体动作视频的肢体疼痛分数由于分值不同，因此，选择疼痛分数较高的作为最终的安抚性疼痛分数，有利于提高疼痛评估的分值影响。

步骤S5，根据预设权重系数计算所述生理疼痛分数、人脸疼痛分数、肢体疼痛分数和安抚性疼痛分数的加权和得到待测新生婴儿的疼痛评估值。

具体地，针对新生婴儿，在被安抚(安抚奶嘴，抚摸，拥抱，襁褓包裹，声音刺激或者蔗糖水等安抚措施)后，例如，新生婴儿的面部表情为面部肌肉处于放松状态(眉毛平直舒展、两眼轻闭或正常睁开、鼻部及面颊肌肉未见隆起、无鼻唇褶皱、上下唇自然闭合等特征中任一或几种)，标记为零分；或/和，肢体动作为四肢肌张力正常，标记为零分；当该待测新生婴儿在得到安抚后，该疼痛状态转换为平静，平静定义为疼痛表现消失，则标记为一分；当待测新生婴儿在得到安抚后，面部表情仍出现皱眉、挤眼、鼻唇沟加深、大声哭泣、张嘴或嘴部形状呈O形、舌呈杯状中的一种或几种，标记为两分；或/和，肢体动作仍出现手指、脚趾收紧或张开，手臂挥动或蹬腿，身体扭动或成弓形中一种或几种，标记为两分，该疼痛评测标准与上述的第一疼痛识别模型和第二疼痛识别模型相同，在此不一一赘述。

在本实施例中，给予待测新生婴儿安抚措施后，采用第一疼痛识别模型和第二疼痛识别模型对采集的人脸脸表情视频和肢体动作视频分别进行检测，检测安抚措施后的安抚性疼痛分数，将该安抚疼痛分数与安抚前测量的人脸疼痛分数、肢体疼痛分数相结合，按照预设权重系数求取加权和得到待测新生婴儿的疼痛评估值，将疼痛评估值与各个疼痛状态的预设阈值比较，评估待测新生婴儿的疼痛状态。本发明相对于新生儿疼痛评估量表中20多种参数的进行评估，在不降低疼痛评估精度的状态下，大大缩减了评估指标和评估工作量，同时，相对于上述实施方式，疼痛评估的精度更高。

另外，相对于目前的人脸表情疼痛评估方式，本发明能够更加准确的评估疼痛等级，即评估精度较高，究其原因，其一，新生婴儿因为其它原因导致其哭泣时，往往无法正常区分到底是疼痛原因还是其它原因导致面部表情的变化，而采用人脸表情进行疼痛评估会严重降低了评估精度；其二，在新生婴儿接收某些治疗，如，气管或胃管等方式，往往会对人脸表情形成遮挡，造成无法正常采集待测者的人脸表情，干扰了图像来源，导致后续通过面部表情进行疼痛评估的结果不准确；其三，通过体征参数、人脸表情视频、肢体动作视频与安抚性响应等方式相结合的方式评估的疼痛精度更高。

在一实施例中，在上述实施例基础上，所述预设权重系数与所述待测用户的疾病危重程度和疼痛类型相关联，疼痛类型可分为操作性疼痛(腰椎穿刺疼痛、足跟采血疼痛、外周静脉穿刺疼痛、气管内吸引性疼痛、胃管放置性疼痛、气管插管性疼痛、通便或灌肠性疼痛、手指末梢穿刺疼痛等)，机械通气持续性疼痛以及术后疼痛，患儿疾病危重程度可分为非危重、危重与极危重(其中参照现有的新生儿危重病例评分法对其进行划分)，例如，凡是符合其中一项或几项指标可确认新生儿为危重病例：气管插管机械辅助呼吸者或反复呼吸暂停对刺激无反应者；严重心率紊乱(如，阵发性室上心动过速合并心力衰竭、心房扑动和心房纤颤、阵发性室性心动过速、心室扑动和纤颤、房室传导阻滞、心室内传导阻滞)；弥漫性血管内凝血者；反复抽搐，经处理抽搐仍持续24小时以上不能缓解者；昏迷患儿、弹足底5次无反应；体温小于30或大于41度；硬肿面积大于70％；血糖小于1.1mmol/L；有换血脂症的高胆红素血症，出生体重小于1千克。例如，在操作性疼痛和非危重程度时，对应的体征参数、人脸表情视频、肢体动作视频各自的权重系数为0.3、0.4、0.3，如果在肢体动作视频之后增加安抚性疼痛测试后，对应的权重系数为0.25、0.25、0.25、0.25，其它场合可根据测试经验进行适应调整，其中，根据当前待测的新生婴儿所处的应用场景差异，调节预设权重系数的大小，一方面，能够进一步增加疼痛评估的精准度，另一方面，能在各个场合正常使用，使其成为一种通用性疼痛评估方法，便于大面积推广应用。

请参阅图4，为本发明实施例提供的一种疼痛评估系统结构框图，包括：

样本采集模块1，用于采集用户在不同疼痛状态下对应的体征参数、人脸表情视频和肢体动作视频；

模型构建模块2，利用所述人脸表情视频和肢体动作视频基于深度神经网络进行训练，得到基于人脸特征的第一疼痛识别模型和基于肢体动作的第二疼痛识别模型；

疼痛检测模块3，利用待测用户的体征参数计算生理疼痛分数，将待测用户的所述人脸表情视频和肢体动作对应输入到第一疼痛识别模型、第二疼痛识别模型得到人脸疼痛分数与肢体疼痛分数；

疼痛评估模块4，用于根据预设权重系数计算各种疼痛分数的加权和得到待测用户的疼痛评估值。

请参阅图5，为本发明实施例提供的另一种疼痛评估系统结构框图，包括：

样本采集模块1，用于采集新生婴儿在不同疼痛状态下对应的体征参数、人脸表情视频和肢体动作视频；

模型构建模块2，利用所述人脸表情视频和肢体动作视频基于深度神经网络进行训练，得到基于人脸特征的第一疼痛识别模型和基于肢体动作的第二疼痛识别模型；

疼痛检测模块3，利用待测新生婴儿的体征参数计算生理疼痛分数，将待测新生婴儿的所述人脸表情视频和肢体动作对应输入到第一疼痛识别模型、第二疼痛识别模型得到人脸疼痛分数与肢体疼痛分数；

安抚性疼痛检测模块5，用于采集给予所述新生婴儿安抚动作后响应的人脸表情视频和肢体动作视频，计算所述新生婴儿安抚后的安抚性疼痛分数。

疼痛评估模块4，用于根据预设权重系数计算所述生理疼痛分数、人脸疼痛分数、肢体疼痛分数和安抚性疼痛分数的加权和得到待测新生婴儿的疼痛评估值。

本实施例中，针对新生婴儿疼痛评估系统相比上述实施例中疼痛评估系统精度更高，具体地，由于疼痛评估系统与疼痛评估方法为一一对应关系，其涉及技术细节与技术效果请参照上述实施例，在此不一一赘述。

请参阅图6，为本发明提供一种疼痛评估电子设备，包括：

一个或多个处理器61；

存储器62；以及

一个或多个程序，其中所述一个或多个程序被存储在所述存储器中62并被配置为由所述一个或多个处理器61执行指令，所述一个或多个处理器执行所述执行指令使得所述电子设备执行如上述的疼痛评估方法。

所述处理器61可操作地与存储器和/或非易失性存储设备耦接。更具体地，处理器61可执行在存储器和/或非易失性存储设备中存储的指令以在计算设备中执行操作，诸如生成图像数据和/或将图像数据传输到电子显示器。如此，处理器可包括一个或多个通用微处理器、一个或多个专用处理器(ASIC)、一个或多个现场可编程逻辑阵列(FPGA)、或它们的任何组合。

当该电子设备以终端设备的方式出现，辅助医护人员用于临床检测，能够大大提高疼痛评估的效率和精准度。本发明实现新生儿疼痛评估的自动化和智能化，帮助临床医护人员更加及时、客观、准确地评估新生儿的疼痛程度，对提高新生儿疼痛评估的普及率和护理水平，促进新生儿健康成长，提高我国人口质量具有重要的现实意义。

本申请提供一种疼痛评估的存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行上项所述的疼痛评估方法存储介质。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。

于本申请提供的实施例中，所述计算机可读写存储介质可以包括只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、EEPROM、CD-ROM或其它光盘存储装置、磁盘存储装置或其它磁存储设备、闪存、U盘、移动硬盘、或者能够用于存储具有指令或数据结构形式的期望的程序代码并能够由计算机进行存取的任何其它介质。另外任何连接都可以适当地称为计算机可读介质。例如，如果指令是使用同轴电缆、光纤光缆、双绞线、数字订户线(DSL)或者诸如红外线、无线电和微波之类的无线技术，从网站、服务器或其它远程源发送的，则所述同轴电缆、光纤光缆、双绞线、DSL或者诸如红外线、无线电和微波之类的无线技术包括在所述介质的定义中。

综上所述，提供的一种智能化评估疼痛的方法和系统，适用于新生婴儿或丧失语言表达的人，能够避免人为主观的评判待测用户的疼痛程度所带来的误差，提高了疼痛评估的效率与精准度，相比其它疼痛评估方式，本发明具有适用范围广、敏感度高、评估简单的优点。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (10)

1.一种疼痛评估方法，其特征在于，包括：

采集新生婴儿在不同疼痛状态下对应的体征参数、人脸表情视频和肢体动作视频；

利用所述人脸表情视频和肢体动作视频基于深度神经网络进行训练，得到基于人脸特征的第一疼痛识别模型和基于肢体动作的第二疼痛识别模型；

利用待测新生婴儿的体征参数计算生理疼痛分数，将待测新生婴儿的所述人脸表情视频和肢体动作对应输入到第一疼痛识别模型、第二疼痛识别模型得到人脸疼痛分数与肢体疼痛分数；

采集给予所述新生婴儿安抚动作后响应的人脸表情视频和肢体动作视频，计算所述新生婴儿安抚后的安抚性疼痛分数；

根据预设权重系数计算所述生理疼痛分数、人脸疼痛分数、肢体疼痛分数和安抚性疼痛分数的加权和得到待测新生婴儿的疼痛评估值。

2.根据权利要求1所述的疼痛评估方法，其特征在于，所述体征参数包括血氧饱和度与心率。

3.根据权利要求1所述的疼痛评估方法，其特征在于，所述疼痛状态包括平静状态、轻度疼痛状态、中度疼痛状态和重度疼痛状态，每种疼痛状态对应相应的疼痛分数。

4.根据权利要求1所述的疼痛评估方法，其特征在于，利用所述人脸表情视频和肢体动作视频基于深度神经网络进行训练，得到基于人脸特征的第一疼痛识别模型和基于肢体动作的第二疼痛识别模型的步骤，包括：

分别截取不同疼痛状态下的人脸表情视频和肢体动作视频，得到预处理后的各种样本的表情图像帧和肢体动作图像帧；

构建卷积神经网络和长短时记忆网络，并将卷积神经网络的输出端与长短时记忆网络的输入端相连接，由卷积神经网络和长短时记忆网络组建深度神经网络；

将各组样本表情图像帧以及分别所对应的疼痛状态作为第一训练集，将各组样本肢体动作图像帧以及分别所对应的疼痛状态作为第二训练集，利用深度神经网络针对第一、二训练集分别进行训练，获得基于人脸特征的第一疼痛识别模型和基于肢体动作的第二疼痛识别模型。

5.根据权利要求1所述的疼痛评估方法，其特征在于，所述利用待测新生婴儿的体征参数计算生理疼痛分数的步骤，包括：

根据不同疼痛状态下的体征参数计算各种体征参数的预设阈值，将待测新生婴儿的体征参数按其类型与预设阈值比较，计算各种类型的体征参数的生理疼痛分数。

6.根据权利要求1所述的疼痛评估方法，其特征在于，所述预设权重系数与所述待测新生婴儿的疾病危重程度和疼痛类型相关联。

7.根据权利要求1所述的疼痛评估方法，其特征在于，还包括：根据待测新生婴儿计算的所述疼痛评估值与各个疼痛状态的预设阈值比较，评估待测新生婴儿的疼痛状态。

8.一种疼痛评估系统，其特征在于，包括：

样本采集模块，用于采集新生婴儿在不同疼痛状态下对应的体征参数、人脸表情视频和肢体动作视频；

模型构建模块，利用所述人脸表情视频和肢体动作视频基于深度神经网络进行训练，得到基于人脸特征的第一疼痛识别模型和基于肢体动作的第二疼痛识别模型；

疼痛检测模块，利用待测新生婴儿的体征参数计算生理疼痛分数，将待测新生婴儿的所述人脸表情视频和肢体动作对应输入到第一疼痛识别模型、第二疼痛识别模型得到人脸疼痛分数与肢体疼痛分数；

安抚性疼痛检测模块，用于采集给予所述新生婴儿安抚动作后响应的人脸表情视频和肢体动作视频，计算所述新生婴儿安抚后的安抚性疼痛分数；

疼痛评估模块，用于根据预设权重系数计算所述生理疼痛分数、人脸疼痛分数、肢体疼痛分数和安抚性疼痛分数的加权和得到待测新生婴儿的疼痛评估值。

9.一种设备，其特征在于，所述设备包括：

一个或多个处理器； 存储器；以及

一个或多个程序，其中所述一个或多个程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行指令，所述一个或多个处理器执行所述执行指令使得所述设备执行如权利要求1~7任一项所述的疼痛评估方法。

10.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，所述程序在被调用执行时实现如权利要求1-7中任一所述的疼痛评估方法。

Images