CN114469009A - 一种面部疼痛表情分级评估方法 - Google Patents
一种面部疼痛表情分级评估方法 Download PDFInfo
- Publication number
- CN114469009A CN114469009A CN202210267546.8A CN202210267546A CN114469009A CN 114469009 A CN114469009 A CN 114469009A CN 202210267546 A CN202210267546 A CN 202210267546A CN 114469009 A CN114469009 A CN 114469009A
- Authority
- CN
- China
- Prior art keywords
- feature
- pain
- global
- sub
- extracted
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4824—Touch or pain perception evaluation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Physics & Mathematics (AREA)
- Psychiatry (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Hospice & Palliative Care (AREA)
- Pain & Pain Management (AREA)
- Evolutionary Computation (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种面部疼痛表情自动分级评估方法，本发明的方法基于全局和局部双通路的疼痛分级评估模型对面部疼痛表情进行分级评估，其中，全局注意力机制嵌入全局通路，用于提取面部与疼痛表情相关AU单元之间的整体特征；将提取的特征分解成若干个子特征图输入到局部通路，可以更好的提取到与疼痛相关的特征信息，并通过局部注意力机制可以自适应的为每个子特征图分配权重值，随后将提取的全局特征和局部特征进行融合，实现疼痛程度分级，为临床环境中疼痛自动分级评估提供了一个良好的方法。
Description
技术领域
本发明属于计算机视觉技术领域，具体涉及在临床环境下对患者的疼痛进行自动评估分级的技术。
背景技术
国际疼痛研究协会将“疼痛”定义为“与实际或者潜在的组织损伤相关的令人不快的感觉和情绪体验，或对此类损伤的描述”。鉴于疼痛对患者的多方面损害，国际上已将疼痛列为第五大生命体征。在临床环境中，疼痛难以评估和管理，而疼痛评估又是疼痛控制的重要组成部分，也是医学诊断中重要的参考要素。一个良好的疼痛评估与疼痛管理具有以下益处：
(1)对于患者而言能够提高患者的生活质量、减少患者对疼痛的恐惧、避免药物的滥用等。
(2)对于医务工作者来说可以医务人员更加了解患者的疼痛情况、超前使用镇痛药物使其达到应有的疗效、使医患关系更加和谐等诸多益处。
如今，临床上的疼痛评估方法主要包括观察者评估和自我评估两种主流方法。其中，自我评估因存在很多其他影响因素，包括病人的心理状态、性格等主观因素都会影响到疼痛评估的准确性，从而不能保证每次评估结果都准确可信。而观察评估方法往往依靠医护人员对患者的应答反应、服药态度和频率、睡眠习惯的改变等情况持续地观察、辨别及其记录。因此，临床上对于疼痛自动分级评估是亟待解决的一个难题。
发明内容
为解决上述技术问题，本发明提出了一种面部疼痛表情分级评估方法。
本发明采用的技术方案为：一种面部疼痛表情分级评估方法，具体包括如下步骤：
S1.建立特征提取模型，所述特征提取模型主干网络为VGG-16网络，图像在输入VGG-16网络后，提取其特征图，将所提取的特征图分解成若干个子特征图输入局部通路，局部注意力机制计算出每个子特征图的权重，每个权重值再与对应的子特征图进行乘积，将经过局部通路所提取的每个子特征图的信息进行拼接；同时，VGG-16所提取的特征被输入到全局通路中，利用全局注意力机制提取与面部与疼痛相关AU单元的特征信息，最后将提取的局部特征与全局特征进行融合；
S2.根据步骤S1建立的特征提取模型进行面部图像特征提取，对疼痛等级进行评估，得到评估的结果。
进一步的，所述疼痛等级划分为四个等级，分别为：“Nopain”、“Weakpain”、“Mildpain”、“Strongpain”，分别对应的疼痛评估分数分别为：0分、1分、2分、3-15分；
进一步的，由VGG-16所提取得特征图大小为512×25×25，先经过一次2×2最大池化，得到512×12×12的特征图，将其送入全局注意力机制中。
进一步的，所述全局注意力机制具体为：将512×12×12的特征图进行卷积计算，卷积核大小为3×3；同时将512×12×12的特征图进行一个全局池化，池化后再做一个1×1的卷积操作，将得到一个一维向量，将其送入sigmoid函数中，从而计算出全局特征的权重值，将得到的权重值与经过卷积的特征图进行相乘，得到全局权重特征图，将输入的特征图与全局权重特征图进行相加，从而得到了全局加权特征图。
进一步的，所述局部注意力机制具体为：每个子特征图经过两次卷积，卷积核大小为3×3；将卷积后的特征图与原特征图进行相加，从而将得到的新特征图，其经过一个2×2的池化后，得到512×3×3的特征图，该特征图经过一次卷积后得到128×3×3的特征图，对其进行维度变换，得到一个1维的特征向量，将该向量通过sigmoid函数从而计算出子特征图的权重值；同时将特征图的维度变换与权重值相同的维度，再将权重值与特征图相乘，最终将25个经过权重加权的特征图进行拼接，从而提取到局部特征。
本发明的有益效果：本发明的方法基于全局和局部双通路的疼痛分级评估模型对面部疼痛表情进行分级评估，其中，全局注意力机制嵌入全局通路，用于提取面部与疼痛表情相关AU单元之间的整体特征；将提取的特征分解成若干个子特征图输入到局部通路，可以更好的提取到与疼痛相关的特征信息，并通过局部注意力机制可以自适应的为每个子特征图分配权重值，随后将提取的全局特征和局部特征进行融合，实现疼痛程度分级，为临床环境中疼痛自动分级评估提供了一个良好的方法。
附图说明
图1为本发明实施例的整体网络模型图。
图2为本发明实施例中由PSPI标记的一帧疼痛表情。
图3为采用本发明方法对疼痛表情分级的可视化结果图。
具体实施方式
为便于本领域技术人员理解本发明的技术内容，下面结合附图对本发明内容进一步阐释。
疼痛是一种感情的表露，相关研究表明“感情表露＝7％的语言+38％的声音+55％的面部表情”。当疼痛发生时，面部与疼痛刺激相关的肌肉会发生运动和扭曲，因而使得从患者的面部表情来检测疼痛是否存在和评估疼痛程度成为了可能。本发明基于先验知识、全局注意力机制、局部注意力机制和深度学习网络提取面部与疼痛相关的特征，再进行疼痛等级的分级评估，旨在辅助医生对患者进行疼痛评估，做好镇痛管理方法，避免药物的滥用。
本发明的一种面部疼痛表情分级评估方法，具体包括如下步骤：
S1.建立特征提取模型，所述特征提取模型主干网络为VGG-16网络，图像在输入VGG-16网络后，提取其特征图，将所提取的特征图分解成若干个子特征图输入局部通路，局部注意力机制计算出每个子特征图的权重，每个权重值再与对应的子特征图进行乘积，将经过局部通路所提取的每个子特征图的信息进行拼接；同时，VGG-16所提取的特征被输入到全局通路中，利用全局注意力机制提取与面部与疼痛相关AU单元的特征信息，最后将提取的局部特征与全局特征进行融合；
S2.根据步骤S1建立的特征提取模型进行面部图像特征提取，对疼痛等级进行评估，得到评估的结果。
具体的网络模型如图1所示，该网络的主干网络是VGG16提取特征信息。将提取的特征信息分别输入到局部特征提取网络和全局特征提取网络。输入的图像大小是3×224×224(3代表RGB彩色图像通道数，224×224代表RGB彩色图像尺寸)，在输入网络之前将图像调整为3×200×200的尺寸。卷积部分遵循卷积网络的典型体系结构，即包括两个3×3卷积，每个卷积之后是批处理归一化(BN)和整流线性单元(ReLu)，然后是2×2最大池化操作，下采样的步幅为2。
由于面部疼痛AU单元主要是AU4(皱眉)、AU6(脸颊提升和眼轮匝肌外圈收紧)、AU7(眼轮匝肌内圈收紧)、AU9(皱鼻)、AU10(拉动上嘴唇向上运动)和AU43(闭眼)，疼痛在发生时，这些AU单元在发生扭曲时，AU单元之间是存在联系的，并不是孤立存在的，这也是局部通路未能提取的特征信息。因此，在此利用全局特征提取通路旨在提取面部表情中与疼痛相关AU单元的特征信息。同时为了更好的提取到全局特征，本实施例设计一个全局注意力机制，将VGG-16网络所提取的特征图送入到全局注意力机制中，得到全局权重特征图，最后用跳跃连接的思想，将输入的特征图与全局权重特征图进行相加，从而得到了全局加权特征图。
具体的，VGG-16网络所提取的特征图送入到全局注意力机制之前，对所提取的特征图做了一个最大池化，经过池化后的特征图大小为512×12×12(512代表通道数，12×12代表特征图尺寸)。将最大池后的512×12×12的特征图进行卷积计算，卷积核大小为3×3；同时将512×12×12的特征图进行一个全局池化，池化后再做一个1×1的卷积操作，将得到一个一维向量，将其送入sigmoid函数中，从而计算出全局特征的权重值，将得到的权重值与经过卷积的特征图进行相乘，得到全局权重特征图。
由先验知识可知，疼痛特征主要分布在眼睛、鼻子、嘴巴周围，局部特征提取通路旨在更加精准的提取到与疼痛相关的局部特征信息。因此，本发明将VGG-16提取的特征图分解为25个子特征图，每个子特征图的大小为512×5×5。每个子特征图先进行两次卷积，为保证位置信息不发生改变，将卷积得到每个的子特征图与之对应的输入子特图进行加和，再将其分别输入到局部注意力机制中。局部注意力机制旨在计算每个输入的特征子图的权重值。在局部注意力机制中，将分解后的每个特征图经过两次卷积，将卷积后的特征图与卷积前的特征图进行相加，从而得到新的特征图。再将新得到的特征图进行一次2×2最大池化，步幅为2。池化后再进行两次卷积，卷积核大小为3×3，将卷积以后的特征进行降维，得到一个1维的特征向量，将降维后的特征输入到sigmoid函数中，计算出每个子特征图的权重值。将经过加和后的每个子特征图特征降维到与权重值相同的维度，两者进行相乘提取子特征图的特征信息，从而使得子特征图中与疼痛无关的子特征图进行抑制，对疼痛相关的子特征图进行增强，最终将所有提取到的子特征信息进行拼接，即为所提取的局部特征信息。
最后，将局部特征与全局特征进行拼接融合再降维，输出最后的分级结果。
对本实施例所采用的测试数据集“UNBC-McMaster Shoulder Pain ExpressionArchive”说明如下：
UNBC-McMaster Shoulder Pain Expression Archive数据集包含25名被试，200个视频，48398帧图像，每帧图像利用PSPI方法标记疼痛程度，将疼痛等级分为16个级。与疼痛相关的面部AU单元有AU4、AU6、AU7、AU9、AU10和AU43，PSPI的计算公式如式(1)所示；图2中是由PSPI标记的一帧疼痛表情，由式(1)计算结果如式(2)所示。
PSPI＝AU4+max{AU6,AU7}+max{AU9，AU10}+AU43 (1)
PSPI＝4+max{3,4}+max{2,3}+1＝12 (2)
该数据集存在严重不平衡的问题，其中无痛的图像40029帧，存在疼痛的图像由8378帧。因此本发明采取一下两种方法剔除无疼痛的图像帧。
(1)删除包含无疼痛帧的完整序列；
(2)若一个完整序列的开始或者结束帧包含无疼痛帧，则部分删除。
通过上述方法剔除无疼痛的图像帧，最终获得2928张无疼痛帧。本发明将疼痛等级划分为四个等级，分别为：“Nopain”、“Weakpain”、“Mildpain”、“Strongpain”，对应的疼痛评估分数分别为：0分、1分、2分、3-15分。每个等级对应的图像数量如表1所示。
表1
测试数据集未划分训练集、验证集和测试集，本实施例利用五折验证的方法对练网络进行训。
步骤B1:训练、测试的数据集比例为4:1，使用Adam算法进行训练，更新双通路网络模型中的参数并保存模型。
步骤B2：不断重复步骤B1进行迭代训练，等到得得到最佳模型，将模型进行保存。C、测试、评价模型效果：
步骤C1：导入B2步骤中得到的最佳模型参数，输入测试集图像来测试模型的性能。
步骤C2：对测试集的图像进行定性和定量指标分析。其中，表2为定量分析结果，主要采用的评价指标包含有：ACC值、F1-Score值、Recall值(召回率)、Precision(精确率)。本发明结果也和其它算法进行对比，对比结果如表3所示。利用Grad-CAM可视化了模型在提取特征的热力图，如图3所示，图3中第一列表示本发明所得到的“No Pain”可视化结果图；第二列表示本发明所得到的“Weak Pain”可视化结果图；第三列表示本发明所得到的“MildPain”可视化结果图；第四列表示本发明所得到的“Strong Pain”可视化结果图。
表2
表3
表3中所比较的方法CNN，对疼痛等级划分的方法为：“Nopain”、“Weakpain”、“Mildpain”、“Strongpain”；对应的疼痛评估分数分别为：0分、1-2分、3-5分、6-15分，为了更好的比较，发明的方法将数据划分与该方法划分一致，经过在公开数据集上的测试，可以看出，准确率较其它方法有明显提升。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。
Claims (5)
1.一种面部疼痛表情自动分级评估方法，其特征在于，具体包括如下步骤：
S1.建立特征提取模型，所述特征提取模型主干网络为VGG-16网络，图像在输入VGG-16网络后，提取其特征图，将所提取的特征图分解成若干个子特征图输入局部通路，局部注意力机制计算出每个子特征图的权重，每个权重值再与对应的子特征图进行乘积，将经过局部通路所提取的每个子特征图的信息进行拼接；同时，VGG-16所提取的特征被输入到全局通路中，利用全局注意力机制提取与面部与疼痛相关AU单元的特征信息，最后将提取的局部特征与全局特征进行融合；
S2.根据步骤S1建立的特征提取模型进行面部图像特征提取，对疼痛等级进行评估，得到评估的结果。
2.根据权利要求1所述的一种面部疼痛表情自动分级评估方法，其特征在于，所述疼痛等级划分为四个等级，分别为：“Nopain”、“Weakpain”、“Mildpain”、“Strongpain”，分别对应的疼痛评估分数分别为：0分、1分、2分、3-15分。
3.根据权利要求1所述的一种面部疼痛表情自动分级评估方法，其特征在于，由VGG-16所提取得特征图大小为512×25×25，先经过一次2×2最大池化，得到512×12×12的特征图，将其送入全局注意力机制中。
4.根据权利要求3所述的一种面部疼痛表情自动分级评估方法，其特征在于，所述全局注意力机制具体为：将512×12×12的特征图进行卷积计算，卷积核大小为3×3；同时将512×12×12的特征图进行一个全局池化，池化后再做一个1×1的卷积操作，将得到一个一维向量，将其送入sigmoid函数中，从而计算出全局特征的权重值，将得到的权重值与经过卷积的特征图进行相乘，得到全局权重特征图，将输入的特征图与全局权重特征图进行相加，从而得到了全局加权特征图。
5.根据权利要求4所述的一种面部疼痛表情自动分级评估方法，其特征在于，所述局部注意力机制具体为：每个子特征图经过两次卷积，卷积核大小为3×3；将卷积后的特征图与原特征图进行相加，从而将得到的新特征图，其经过一个2×2的池化后，得到512×3×3的特征图，该特征图经过一次卷积后得到128×3×3的特征图，对其进行维度变换，得到一个1维的特征向量，将该向量通过sigmoid函数从而计算出子特征图的权重值；同时将特征图的维度变换与权重值相同的维度，再将权重值与特征图相乘，最终将25个经过权重加权的特征图进行拼接，从而提取到局部特征。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210267546.8A CN114469009B (zh) | 2022-03-18 | 2022-03-18 | 一种面部疼痛表情分级评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210267546.8A CN114469009B (zh) | 2022-03-18 | 2022-03-18 | 一种面部疼痛表情分级评估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114469009A true CN114469009A (zh) | 2022-05-13 |
| CN114469009B CN114469009B (zh) | 2023-04-18 |
Family
ID=81486822
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210267546.8A Active CN114469009B (zh) | 2022-03-18 | 2022-03-18 | 一种面部疼痛表情分级评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114469009B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114943924A (zh) * | 2022-06-21 | 2022-08-26 | 深圳大学 | 基于人脸表情视频的疼痛评估方法、系统、设备及介质 |
| CN117653042A (zh) * | 2024-01-31 | 2024-03-08 | 中船凌久高科(武汉)有限公司 | 基于多模态的被看护人员疼痛级别判定方法及测试装置 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6258032B1 (en) * | 1997-01-29 | 2001-07-10 | William M. Hammesfahr | Method of diagnosis and treatment and related compositions and apparatus |
| CN104825135A (zh) * | 2015-05-15 | 2015-08-12 | 新乡医学院 | 一种新型疼痛评估系统的建立方法 |
| CN106251299A (zh) * | 2016-07-25 | 2016-12-21 | 电子科技大学 | 一种高效降噪视觉图像重构方法 |
| CN106295139A (zh) * | 2016-07-29 | 2017-01-04 | 姹ゅ钩 | 一种基于深度卷积神经网络的舌体自诊健康云服务系统 |
| CN107358180A (zh) * | 2017-06-28 | 2017-11-17 | 江苏爱朋医疗科技股份有限公司 | 一种人脸表情的疼痛评估方法 |
| CN107427716A (zh) * | 2015-01-05 | 2017-12-01 | 骷髅头有限公司 | 人类绩效优化与训练的方法及系统 |
| CN209529632U (zh) * | 2018-10-19 | 2019-10-25 | 苏亮 | 一种用于注射美容中缓解疼痛的负压冷敷震动仪 |
| CN110414296A (zh) * | 2018-04-26 | 2019-11-05 | 上海西门子医疗器械有限公司 | 被扫描人状态的监控方法、监控设备和医学影像扫描设备 |
| EP3603488A1 (en) * | 2018-08-03 | 2020-02-05 | Koninklijke Philips N.V. | Apparatus and method for displaying patient pain information |
| CN111050642A (zh) * | 2017-07-07 | 2020-04-21 | 国立大学法人大阪大学 | 利用了趋势分析的疼痛判别、机器学习、经济性判别模型及应用了IoT的医疗装置、定制化机器学习、以及新型疼痛判别用脑波特征量 |
| US20200401938A1 (en) * | 2019-05-29 | 2020-12-24 | The Board Of Trustees Of The Leland Stanford Junior University | Machine learning based generation of ontology for structural and functional mapping |
| CN112784764A (zh) * | 2021-01-27 | 2021-05-11 | 南京邮电大学 | 一种基于局部与全局注意力机制的表情识别方法及系统 |
| CN113080855A (zh) * | 2021-03-30 | 2021-07-09 | 广东省科学院智能制造研究所 | 一种基于深度信息的面部疼痛表情识别方法及系统 |
-
2022
- 2022-03-18 CN CN202210267546.8A patent/CN114469009B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6258032B1 (en) * | 1997-01-29 | 2001-07-10 | William M. Hammesfahr | Method of diagnosis and treatment and related compositions and apparatus |
| CN107427716A (zh) * | 2015-01-05 | 2017-12-01 | 骷髅头有限公司 | 人类绩效优化与训练的方法及系统 |
| CN104825135A (zh) * | 2015-05-15 | 2015-08-12 | 新乡医学院 | 一种新型疼痛评估系统的建立方法 |
| CN106251299A (zh) * | 2016-07-25 | 2016-12-21 | 电子科技大学 | 一种高效降噪视觉图像重构方法 |
| CN106295139A (zh) * | 2016-07-29 | 2017-01-04 | 姹ゅ钩 | 一种基于深度卷积神经网络的舌体自诊健康云服务系统 |
| CN107358180A (zh) * | 2017-06-28 | 2017-11-17 | 江苏爱朋医疗科技股份有限公司 | 一种人脸表情的疼痛评估方法 |
| CN111050642A (zh) * | 2017-07-07 | 2020-04-21 | 国立大学法人大阪大学 | 利用了趋势分析的疼痛判别、机器学习、经济性判别模型及应用了IoT的医疗装置、定制化机器学习、以及新型疼痛判别用脑波特征量 |
| CN110414296A (zh) * | 2018-04-26 | 2019-11-05 | 上海西门子医疗器械有限公司 | 被扫描人状态的监控方法、监控设备和医学影像扫描设备 |
| EP3603488A1 (en) * | 2018-08-03 | 2020-02-05 | Koninklijke Philips N.V. | Apparatus and method for displaying patient pain information |
| CN209529632U (zh) * | 2018-10-19 | 2019-10-25 | 苏亮 | 一种用于注射美容中缓解疼痛的负压冷敷震动仪 |
| US20200401938A1 (en) * | 2019-05-29 | 2020-12-24 | The Board Of Trustees Of The Leland Stanford Junior University | Machine learning based generation of ontology for structural and functional mapping |
| CN112784764A (zh) * | 2021-01-27 | 2021-05-11 | 南京邮电大学 | 一种基于局部与全局注意力机制的表情识别方法及系统 |
| CN113080855A (zh) * | 2021-03-30 | 2021-07-09 | 广东省科学院智能制造研究所 | 一种基于深度信息的面部疼痛表情识别方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 徐城;杨晓秋;刘丹彦;: "常用的疼痛评估方法在临床疼痛评估中的作用" * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114943924A (zh) * | 2022-06-21 | 2022-08-26 | 深圳大学 | 基于人脸表情视频的疼痛评估方法、系统、设备及介质 |
| CN114943924B (zh) * | 2022-06-21 | 2024-05-14 | 深圳大学 | 基于人脸表情视频的疼痛评估方法、系统、设备及介质 |
| CN117653042A (zh) * | 2024-01-31 | 2024-03-08 | 中船凌久高科(武汉)有限公司 | 基于多模态的被看护人员疼痛级别判定方法及测试装置 |
| CN117653042B (zh) * | 2024-01-31 | 2024-04-26 | 中船凌久高科(武汉)有限公司 | 基于多模态的被看护人员疼痛级别判定方法及测试装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114469009B (zh) | 2023-04-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11213197B2 (en) | Artificial neural network and system for identifying lesion in retinal fundus image | |
| CN114469009B (zh) | 一种面部疼痛表情分级评估方法 | |
| CN111568446B (zh) | 结合人口学注意力机制的便携式脑电抑郁检测系统 | |
| US11699529B2 (en) | Systems and methods for diagnosing a stroke condition | |
| JP2018005553A (ja) | 医療支援方法及び医療支援システム | |
| US20170071524A1 (en) | Method of correcting distortion of psychological test using user's biometric data | |
| CN113962311A (zh) | 知识数据和人工智能驱动的眼科多病种识别系统 | |
| CN110338763A (zh) | 一种智能中医诊测的图像处理方法及装置 | |
| Daros et al. | Identifying mental disorder from the faces of women with borderline personality disorder | |
| CN113768460A (zh) | 一种眼底图像分析系统、方法以及电子设备 | |
| CN115334957A (zh) | 用于对瞳孔心理感觉反应进行光学评估的系统和方法 | |
| CN112768065A (zh) | 一种基于人工智能的面瘫分级诊断方法、装置 | |
| CN115299947A (zh) | 基于多模态生理数据的心理量表置信度评估方法及系统 | |
| CN108427988A (zh) | 一种消化道解剖位置识别装置 | |
| CN115024725A (zh) | 融合心理状态多参数检测的肿瘤治疗辅助决策系统 | |
| Jain et al. | Mental health state detection using open cv and sentimental analysis | |
| EP4325517A1 (en) | Methods and devices in performing a vision testing procedure on a person | |
| CN115497621A (zh) | 一种老年人认知状况测评系统 | |
| CN111291706B (zh) | 一种视网膜图像视盘定位方法 | |
| CN106901759A (zh) | 基于虹膜检测技术构建中学生精神压力检测系统的方法 | |
| CN113962978A (zh) | 一种眼部运动损伤检测阅片方法及系统 | |
| JP6923495B2 (ja) | 医療支援方法及び医療支援システム | |
| Mantri et al. | Real time multimodal depression analysis | |
| Lou et al. | Automated measurement of ocular movements using deep learning-based image analysis | |
| Lin et al. | Artificial Neural Network-Assisted Classification of Hearing Prognosis of Sudden Sensorineural Hearing Loss With Vertigo |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |