CN116343302A - 一种基于机器视觉的微表情分类识别系统 - Google Patents
一种基于机器视觉的微表情分类识别系统 Download PDFInfo
- Publication number
- CN116343302A CN116343302A CN202310320418.XA CN202310320418A CN116343302A CN 116343302 A CN116343302 A CN 116343302A CN 202310320418 A CN202310320418 A CN 202310320418A CN 116343302 A CN116343302 A CN 116343302A
- Authority
- CN
- China
- Prior art keywords
- expression
- pain
- patient
- data
- module
- 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.)
- Pending
Links
- 230000008921 facial expression Effects 0.000 claims abstract description 67
- 238000007781 pre-processing Methods 0.000 claims abstract description 31
- 238000013500 data storage Methods 0.000 claims abstract description 21
- 230000014509 gene expression Effects 0.000 claims description 87
- 208000002193 Pain Diseases 0.000 claims description 79
- 238000012549 training Methods 0.000 claims description 28
- 238000000034 method Methods 0.000 claims description 27
- 230000001815 facial effect Effects 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 16
- 230000033001 locomotion Effects 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 9
- 210000004709 eyebrow Anatomy 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 210000004279 orbit Anatomy 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 3
- 230000000994 depressogenic effect Effects 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 claims description 2
- 210000003205 muscle Anatomy 0.000 claims description 2
- 238000013480 data collection Methods 0.000 claims 1
- 230000001939 inductive effect Effects 0.000 claims 1
- 238000012216 screening Methods 0.000 claims 1
- 230000001360 synchronised effect Effects 0.000 claims 1
- 238000013145 classification model Methods 0.000 description 2
- 208000012661 Dyskinesia Diseases 0.000 description 1
- 206010016059 Facial pain Diseases 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004399 eye closure Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/174—Facial expression recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
- G06V40/166—Detection; Localisation; Normalisation using acquisition arrangements
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Human Computer Interaction (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Software Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种基于机器视觉的微表情分类识别系统,具体涉及医疗领域,包括人脸面部表情采集模块,数据存储模块,数据预处理模块,电路控制模块,本发明采集医院场所中病房病人的面部表情数据,搭建同步表情数据集,建立和训练Resnet50网络,用于进行痛苦表情和其他表情的分类,并将痛苦表情进行程度归纳,筛选出对应痛苦病人的基础信息,基于机器视觉的微表情分类识别系统用于医疗领域,及时预警,触发护士站的语音播报系统,进行语音播报,提醒医护人员注意病人的状况,提高医护人员服务质量,提高病人就诊体验。
Description
技术领域
本发明涉及图像识别技术领域,更具体地说,本发明涉及一种基于机器视觉的微表情分类识别系统。
背景技术
现有的基于机器视觉的微表情分类识别系统,在AdaBoost人脸检测器的基础上,结合OpenCV函数库,实现人脸识别与特征提取,目前表情识别主要通过七分类(即对常见七种表情)的方法对人脸面部表情进行分类,建立ELM分类模型,并对分类模型进行优化,现有技术包括人脸面部表情采集模块,图像预处理模块,数据库存储模块,现有的技术构建了图像特征库,搭建了CNN网络,提高了人脸表情识别的性能。
上述技术中仍有不足,所述系统在使用过程中,只能对采集到的人脸表情进行大致的归类,并对检测到的微表情进行判断,现有的技术仅适用于简单的人脸表情识别,无法运用到精细程度更高的场合之中,缺少特定的痛苦表情数据集,因此无法运用到医疗领域当中,医疗领域需要更为细致的痛苦表情分类库,需要时时关注病人的痛苦程度,现有的基于机器视觉的微表情分类识别系统,在表情预测方面比较粗略,图像特征库中的痛苦表情类型不够多样化,对于痛苦表情的分类没有细化程度之分,严重影响了识别的性能和准确率,上述技术无法根据人面部表情的痛苦程度做出及时预警与提醒,也无法投入医疗领域的使用。
发明内容
为了克服现有技术的上述缺陷,本发明的提供基于机器视觉的微表情分类识别系统,用于投入到医疗领域的使用中,本发明实时监测病人脸部表情,建立并训练resnet50网络模型将面部表情分为痛苦表情和非痛苦表情两大类,方便进行面部表情信息判断,并将痛苦表情进行程度分类,根据痛苦程度触发报警系统,提醒医疗人员及时观察病人情况,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
在一个优选的实施方式中,所述人脸面部表情采集模块采集病人的面部表情信息A;
所述人脸面部表情采集模块数据处理的过程包括下列步骤:
A1、人脸面部表情收集模块中数据处理为人脸面部表情采集模块连接摄像装置,对病人进行前,上,左右,四个方位的图像拍摄,将四个方位分成四组,每组方位图像拍摄次数设为每两分钟抓拍一次,每次抓拍的次数设为四十次,记录每组图像信息;
A2、人脸面部表情采集模块将收集到的人脸面部信息传输至数据预处理模块,用于和数据存储模块的面部信息做对比。
在一个优选的实施方式中,所述数据存储模块,存储病人的面部表情信息,搭建痛苦表情数据库,建立并训练resnet50网络模型方便疼痛表情程度P的预测;
所述数据存储模块数据处理的过程包括下列步骤:
B1、本实施例数据存储模块提前录入每个病人的基础信息,并建立训练resnet50网络模型,利用MindSpore实现Resne50的建立和训练,具体数据处理步骤如下:首先采集许多不同的痛苦表情和其他表情进行存储,训练一个痛苦表情和其他表情的二分类;
B2、数据准备:数据集分为训练集和测试集,保证痛苦表情和其他表情的图片数量一致;
B3、数据预处理:图像解码,调整大小,标准化,矩阵转置;
B4、模型训练和验证:使用MindSpore官方resnet.py脚本构建一个resnet50网络,训练过程中,保留验证精度最好的模型参数,训练结束后,使用训练过程保存的精度最好的参数对验证机进行验证,并对验证结果可视化;
B5、测试模型:模型训练完成后,通过推理代码和测试集对模型进行评估;
B6、联合面部动作编码系统,计算并划分痛苦表情的痛苦程度;
B7、面部动作编码系统将面部动作分为44个独立的活动单元(AU),又对痛苦表情进行了详细的程度划分,根据面部四个动作:压低眉毛而且使眉毛聚拢(AU4)、眼窝收紧(AU6和AU7)、提肌收缩(AU9和AU10)以及闭眼(AU43取0或1),根据公式P=AU4+max(AU6,AU7)+max(AU9,AU10)+AU43计算并判断病人所处的痛苦程度。
在一个优选的实施方式中,所述数据预处理模块辨别病人的面部表情,并进行痛苦程度归类;
所属数据预处理模块数据处理的过程包括下列步骤:
C1、数据预处理模块接收人脸面部表情采集模块传输的信息,将信息与数据存储模块中的数据进行比对,将病人的面部表情归类到痛苦表情和其他表情之中,当数据处理模块收集到的病人痛苦表情不在痛苦表情数据库的范围内,则该病人的痛苦表情转至人工分析,分析之后将此痛苦表情加入数据库中,之后数据处理模块将痛苦表情中的信息与痛苦表情数据库中的数据进行比对,根据公式P=AU4+max(AU6,AU7)+max(AU9,AU10)+AU43,计算出获取到的面部痛苦表情程度值,并将痛苦表情进行程度归类;
C2、归类之后提取具备痛苦表情病人的基础信息;
C3、将痛苦程度值在重度疼痛及以上,即P>2的病人基础信息和程度值P传输至电路控制模块。
在一个优选的实施方式中,所述电路控制模块外接播音播报系统,通过病人面部表情的痛苦程度值,进行相应播音提醒设备的电路控制;
所述电路控制模块进行数据处理的具体步骤是:
D1、所述电路控制模块连接护士站的播音装置;
D2、接收数据预处理模块传送的病人痛苦程度分类结果和病人的基础信息,电路控制模块触发播报装置;
D3、播报系统重复播放病人基础信息以及疼痛程度。
本发明的技术效果和优点:
本发明具体采用的数据预处理模块将接收到的病人面部表情进行了分类和程度判断,达到了识别病人面部表情以及确定痛苦程度的目的,也确定了痛苦病人的基础信息,方便电路控制模块进行报警提醒,本发明具体采用的电路控制模块控制护士站的播音装置,帮助医护人员及时了解病人情况,提高医护服务质量,做到及时,准确的照看病人,防止病人因痛苦缓解不及时做出危险动作,提高施救效率,减少病人痛苦时间。
附图说明
图1为本发明的系统结构框图。
图2为本发明的系统流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例,基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
本实施例提供了如图1所示一种基于机器视觉的微表情分类识别系统,包括人脸面部表情采集模块,数据存储模块,数据预处理模块,电路控制模块;所述人脸面部表情采集模块,采用多方位摄像装置,实时监测病人的面部表情,所述数据存储模块用于存储痛苦表情分类以及病人的基础信息,所述数据预处理模块,接收人脸面部表情采集模块传输的信息,按照数据存储模块中的数据,对于图像中的数据进行分析,利用二分法判断是否属于痛苦表情,得到此时病人的痛苦程度和痛苦病人的个人基本信息,将病人痛苦程度数据以及痛苦病人的基础信息传输至电路控制系统,所述电路控制系统,接收数据预处理模块传输的病人痛苦程度信息和痛苦病人的基础信息后,根据病人痛苦程度的高低,触发报警装置,报警装置进行语音播报,播报痛苦病人的基础信息和痛苦等级,提醒医护人员对病人进行看护和实时关注。
本实施与现有技术的区别在于数据存储模块和电路控制模块,数据存储模块用于存储病人的面部表情以及病人的个人信息,并且数据存储模块建立并训练resnet50网络模型,根据面部表情的扭曲程度进行疼痛表情的程度预测,本实施增加电路控制模块,当数据预处理模块分析的病人疼痛程度过高时,电路控制模块触发报警装置进行病人疼痛等级和个人信息的播报,及时提醒医护人员病人需要关照,可以帮助病人得到更好的帮助,提升医护服务质量,降低病人因痛苦而导致的挣扎、异动等对ICU病人的拔管等危险行为,上述过程是现有技术不具备的。
如图2本实施例提供一种基于机器视觉的微表情分类识别系统的方法,具体包括下列步骤:
1、通过人脸面部表情采集模块得到病人的面部表情信息A;
本实施例数据处理的过程包括下列步骤:
本实施例中人脸面部表情收集模块中数据处理为人脸面部表情采集模块连接摄像装置,对病人进行前,上,左右,四个方位的图像拍摄,将四个方位分成四组,每组方位图像拍摄次数设为每两分钟抓拍一次,每次抓拍的次数设为四十次,记录每组图像信息;人脸面部表情采集模块将收集到的人脸面部信息传输至数据预处理模块,用于和数据存储模块的面部信息做对比;
起到的作用为:方便医院对病人实时状态的掌握,人脸表情收集模块将病人的表情实时记录更新,采集到的病人面部表情数据,有利于基于机器视觉的微表情分类识别系统进行分析分类。
2、通过数据存储模块,存储病人的面部表情信息,搭建痛苦表情数据库,建立并训练resnet50网络模型方便疼痛表情程度P的预测。
本实施例数据处理的过程包括下列步骤:
本实施例数据存储模块提前录入每个病人的基础信息,并建立训练resnet50网络模型,利用MindSpore实现Resne50的建立和训练,具体数据处理步骤如下:首先采集许多不同的痛苦表情和其他表情进行存储,训练一个痛苦表情和其他表情的二分类;
数据准备:数据集分为训练集和测试集,保证痛苦表情和其他表情的图片数量一致;
数据预处理:图像解码,调整大小,标准化,矩阵转置;
模型训练和验证:使用MindSpore官方resnet.py脚本构建一个resnet50网络,训练过程中,保留验证精度最好的模型参数,训练结束后,使用训练过程保存的精度最好的参数对验证机进行验证,并对验证结果可视化;
测试模型:模型训练完成后,通过推理代码和测试集对模型进行评估;
联合面部动作编码系统,计算并划分痛苦表情的痛苦程度;
面部动作编码系统将面部动作分为44个独立的活动单元(AU),又对痛苦表情进行了详细的程度划分,根据面部四个动作:压低眉毛而且使眉毛聚拢(AU4)、眼窝收紧(AU6和AU7)、提肌收缩(AU9和AU10)以及闭眼(AU43取0或1),根据疼痛程度度量公式:P=AU4+max(AU6,AU7)+max(AU9,AU10)+AU43由此判断病人所处的痛苦程度;
起到的作用为:搭建了具体的痛苦表情数据库,采用二分类法将表情分为痛苦表情和其他表情,将病人痛苦表情划分为四种程度:轻度疼痛1≤P≤2,中度疼痛2<P≤3,重度疼痛P>3,方便数据预处理模块将获取到的病人面部表情信息进行对比处理。
3、通过数据预处理模块辨别病人的面部表情,并进行痛苦程度归类;
本实施例数据处理的过程包括下列步骤:
数据预处理模块接收人脸面部表情采集模块传输的信息,将信息与数据存储模块中的数据进行比对,将病人的面部表情归类到痛苦表情和其他表情之中,当数据处理模块收集到的病人痛苦表情不在痛苦表情数据库的范围内,则该病人的痛苦表情转至人工分析,分析之后将此痛苦表情加入数据库中,保证痛苦表情数据库的经常性更新,让数据库涵盖的范围更全面,之后数据处理模块将痛苦表情中的信息与痛苦表情数据库中的数据进行比对,根据公式P=AU4+max(AU6,AU7)+max(AU9,AU10)+AU43,计算出获取到的面部痛苦表情程度值,并将痛苦表情进行程度归类;
归类之后提取具备痛苦表情病人的基础信息;
将痛苦程度值在重度疼痛及以上,即P>2的病人基础信息和程度值P传输至电路控制模块;
起到的作用如下:数据预处理模块将接收到的病人面部表情进行了分类和程度判断,达到了识别病人面部表情以及确定痛苦程度的目的,也确定了痛苦病人的基础信息,方便电路控制模块进行报警提醒。
4、电路控制模块外接播音播报系统,通过病人面部表情的痛苦程度值,进行相应播音提醒设备的电路控制。
本实施例电路控制模块判断的具体方法是:电路控制模块连接护士站的播音装置,接收数据预处理模块传送的病人痛苦程度分类结果和病人的基础信息,电路控制模块触发播报装置,播报系统重复播放病人基础信息以及疼痛程度;
具体起到的作用如下:电路控制模块控制护士站的播音装置,帮助医护人员及时了解病人情况,提高医护服务质量,做到及时,准确地照看病人,防止病人因痛苦缓解不及时做出危险动作,提高施救效率,减少病人痛苦时间。
Claims (7)
1.一种基于机器视觉的微表情分类识别系统,其特征在于:包括人脸面部表情采集模块、数据存储模块、数据预处理模块,以及电路控制模块,所述人脸面部表情采集模块用于采集医院场所中病房病人的面部表情数据并将数据传输至数据预处理模块,所述数据存储模块将人脸面部表情模块采集的人脸面部表情数据进行存储,搭建同步表情数据集,将表情分为痛苦表情和其他表情两大类,建立和训练Resnet50网络,用于进行痛苦表情和其他表情的分类,并将数据传输至数据预处理模块,所述数据预处理模块将接收到的人脸面部表情数据进行处理,通过联合数据存储模块,筛选出痛苦表情,并将痛苦表情进行程度归纳,筛选出对应痛苦病人的基础信息,将痛苦程度信息和痛苦病人基础信息传输至电路控制模块,所述电路控制模块接收数据预处理模块传输的病人痛苦程度信息和痛苦病人基础信息,并触发护士站的语音播报系统,进行语音播报。
2.根据权利要求1所述的一种基于机器视觉的微表情分类识别系统,其特征在于:人脸面部表情收集模块收集病人面部表情数据,所述人脸面部表情收集模块中数据处理的具体过程为:
A1、人脸面部表情采集模块连接摄像装置,对病人进行前,上,左右,四个方位的图像拍摄,将四个方位分成四组,每组方位图像拍摄次数设为每两分钟抓拍一次,每次抓拍的次数设为四十次,记录每组图像信息。
A2、人脸面部表情采集模块将采集到的病人面部表情信息传输至块和数据预处理模块。
3.根据权利要求1所述的一种基于机器视觉的微表情分类识别系统,其特征在于:数据存储模块搭建痛苦表情数据库,建立和训练Resnet50网络进行表情分类,数据存储模块用于进行面部表情痛苦程度分类,所述模块2中数据处理的过程包括下列步骤:
B1、搭建痛苦表情数据库,采集各种类型的疼痛表情数据入库;
B2、建立和训练Resnet50网络,将表情分为痛苦表情和其他表情;
B3、采用面部动作编码系统,根据数据库中所含的人脸面部表情数据计算并划分痛苦程度。
4.根据权利要求1所述的一种基于机器视觉的微表情分类识别系统,其特征在于:数据预处理模块中可以计算痛苦病人的疼痛等级,并调取痛苦病人的基本信息,采用算法P=AU4+max(AU6,AU7)+max(AU9,AU10)+AU43计算疼痛等级。
5.根据权利要求1所述的一种基于机器视觉的微表情分类识别系统,其特征在于:电路控制模块获取数据预处理模块传送的病人疼痛程度,和疼痛病人的基础信息,控制护士站的播音报警装置,所述电路控制模块具体步骤如下:
C1、获取数据预处理模块传输的病人疼痛程度信息和疼痛病人基础信息;
C2、筛选出疼痛程度P>2的病人基础信息,触发护士站播音装置,反复播报疼痛病人疼痛等级和疼痛病人基础信息。
6.根据权利要求1-5任一所述的一种机器视觉的微表情分类识别系统的使用方法,其特征在于:实时监测病人脸部表情,建立并训练resnet50网络模型联合面部动作编码系统,将痛苦表情和其他表情进行分类,并进行疼痛表情的程度预测,将痛苦表情进行程度划分,根据痛苦程度触发报警系统,提醒医疗人员及时观察病人情况,具体包括下列步骤:
001、通过人脸面部表情采集模块得到病人的面部表情信息A;
002、通过数据存储模块,存储病人的面部表情信息,搭建痛苦表情数据库,建立并训练resnet50网络模型;
003、通过数据预处理模块辨别病人的面部表情,并进行痛苦程度归类;
004、电路控制模块外接播音播报系统,通过病人面部表情的痛苦程度,进行相应播音提醒设备的电路控制。
7.根据权利要求6所述的一种机器视觉的微表情分类识别系统的使用方法,其特征在于:所述数据存储模块提前录入每个病人的基础信息,并建立训练resnet50网络模型,利用MindSpore实现Resnet50的建立和训练,采集病人不同的痛苦表情和其他表情进行存储,训练一个痛苦表情和其他表情的二分类;
数据准备:数据集分为训练集和测试集,保证痛苦表情和其他表情的图片数量一致;
数据预处理:图像解码,调整大小,标准化,矩阵转置;
模型训练和验证:使用MindSpore官方resnet.py脚本构建一个resnet50网络,训练过程中,保留验证精度最好的模型参数,训练结束后,使用训练过程保存的精度最好的参数对验证机进行验证,并对验证结果可视化;
测试模型:模型训练完成后,通过推理代码和测试集对模型进行评估;
联合面部动作编码系统,计算并划分痛苦表情的痛苦程度;
面部动作编码系统将面部动作分为44个独立的活动单元(AU),又对痛苦表情进行了详细的程度划分,根据面部四个动作:压低眉毛而且使眉毛聚拢(AU4)、眼窝收紧(AU6和AU7)、提肌收缩(AU9和AU10)以及闭眼(AU43取0或1)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310320418.XA CN116343302A (zh) | 2023-03-29 | 2023-03-29 | 一种基于机器视觉的微表情分类识别系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310320418.XA CN116343302A (zh) | 2023-03-29 | 2023-03-29 | 一种基于机器视觉的微表情分类识别系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116343302A true CN116343302A (zh) | 2023-06-27 |
Family
ID=86894577
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310320418.XA Pending CN116343302A (zh) | 2023-03-29 | 2023-03-29 | 一种基于机器视觉的微表情分类识别系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116343302A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117577294A (zh) * | 2024-01-12 | 2024-02-20 | 南方医科大学珠江医院 | 一种用于层流仓内的智能病床监控系统 |
CN117649933A (zh) * | 2023-11-28 | 2024-03-05 | 广州方舟信息科技有限公司 | 在线问诊辅助方法、装置、电子设备和存储介质 |
-
2023
- 2023-03-29 CN CN202310320418.XA patent/CN116343302A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117649933A (zh) * | 2023-11-28 | 2024-03-05 | 广州方舟信息科技有限公司 | 在线问诊辅助方法、装置、电子设备和存储介质 |
CN117649933B (zh) * | 2023-11-28 | 2024-05-28 | 广州方舟信息科技有限公司 | 在线问诊辅助方法、装置、电子设备和存储介质 |
CN117577294A (zh) * | 2024-01-12 | 2024-02-20 | 南方医科大学珠江医院 | 一种用于层流仓内的智能病床监控系统 |
CN117577294B (zh) * | 2024-01-12 | 2024-05-10 | 南方医科大学珠江医院 | 一种用于层流仓内的智能病床监控系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8992227B2 (en) | Methods and apparatus for analysing the behaviour of a subject | |
CN116343302A (zh) | 一种基于机器视觉的微表情分类识别系统 | |
CN107007257B (zh) | 面部不自然度的自动评级方法和装置 | |
CN111326253A (zh) | 自闭症谱系障碍患者的多模态情感认知能力的评估方法 | |
CA3053958A1 (en) | Systems and methods of automatic cough identification | |
CN109615633A (zh) | 一种基于深度学习的肠镜下克罗恩病辅助诊断系统及方法 | |
CN110428908B (zh) | 一种基于人工智能的眼睑运动功能评估系统 | |
CN112957042B (zh) | 一种非接触式目标情绪识别的方法及系统 | |
CN109805944B (zh) | 一种儿童共情能力分析系统 | |
CN111466878A (zh) | 基于表情识别的卧床病人疼痛症状实时监护方法及装置 | |
CN106667506A (zh) | 一种基于皮肤电反应和瞳孔变化的测谎方法及装置 | |
CN112089398A (zh) | 一种毒瘾程度检测方法 | |
CN113096819A (zh) | 一种基于神经卷积网络的疫情防控筛查预警系统 | |
CN114792553A (zh) | 一种学生心理健康群体筛查方法及系统 | |
CN114565957A (zh) | 基于微表情识别的意识评估方法及系统 | |
CN114842957B (zh) | 一种基于情绪识别的老年痴呆症辅助诊断系统及其方法 | |
CN112562852A (zh) | 基于肢体动作的颈椎病筛查装置 | |
CN114241375A (zh) | 一种用于运动过程中的监测方法 | |
CN114169755A (zh) | 一种驾驶员接管能力考评及报警方法、系统、设备及介质 | |
KR101313103B1 (ko) | 지능로봇의 얼굴인식 성능평가 시스템 및 평가 방법 | |
CN117218680A (zh) | 一种景区异常监控数据的确认方法及系统 | |
CN117122324A (zh) | 基于多模态情感数据融合的从业人员心理健康检测方法 | |
CN116978510A (zh) | 一种居家脑卒中患者的护理分级评估系统 | |
CN111723869A (zh) | 一种面向特殊人员的行为风险智能预警方法及系统 | |
CN116469557A (zh) | 干预效果评估方法、装置、终端设备及存储介质 |
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 |