LU505456B1 - Method for recognizing pain expression in elderly patients - Google Patents

Claims (5)

Ansprüche

1. Fine Methode zur Erkennung des Schmerzausdrucks bei älteren Patienten, umfasst die folgenden Schritte: Schritt 1. Erhalten eines Gesichtsbildes unter Verwendung von MTCNN zur Gesichtserkennung, um die erforderliche Gesichtsregion zu erhalten; Schritt 2. Durchführen einer Bildvorverarbeitung für die Gesichtsregion; Schritt 3. Aufbau und Training des Resnet50-Netzwerkmodells; Schritt 4. Eingabe des in Schritt 2 erhaltenen Bildes in das in Schritt 3 erhaltene Resnet50-Netzwerkmodell zur Vorhersage des Schmerzniveaus des Schmerzausdrucks.

2. Fine Methode zur Erkennung des Schmerzausdrucks bei älteren Patienten nach Anspruch 1, dadurch gekennzeichnet, dass MTCNN zur Gesichtserkennung in Schritt 1 verwendet wird und es umfasst die folgenden Schritte: Schritt 1.1 Eingabe des Gesichtsbildes in das Netzwerk P-Net der ersten Schicht. Zunächst wird das Eingabebild in mehreren Ebenen skaliert, das Schiebefenster von 12x12 mit einer SchrittgrôBe von 2 wird verwendet, um die Schiebeerkennung für das Bild bei jedem SkalierungsmaBbstab durchzuführen, bei allen erkannten Gesichtsrahmen wird eine nicht maximale Unterdrückung durchgefiihrt, anschlieBend werden die Gesichtsrahmen in die Originalgröße konvertiert, und die kurzen Seiten werden ausgefüllt, um sie in einen 24x24 quadratischen Gesichtsrahmen umzuwandeln; Schritt 1.2 Eingabe einer Vielzahl von 24x24 quadratischen Gesichtsrahmen, die aus Schritt 1.1 erhalten wurden, in das Netzwerk der zweiten Schicht R-Net zur Verarbeitung, dann Entfernen von Gesichtsrahmen unterhalb der Schwelle durch nicht maximale Unterdrückung, und schließlich GrôBenänderung auf 48x48 quadratischen Gesichtsrahmen; Schritt 1.3 Eingabe einer Vielzahl von 48x48 quadratischen Gesichtsrahmen, die in Schritt 1.2 erhalten wurden, in das Netzwerk O-Net der dritten Schicht zur 17505656 Verarbeitung, um den genauen Gesichtsrahmen, fünf Gesichtspositionsmarkierungen und das Konfidenzniveau zu erhalten, und dann eine nicht maximale Unterdrückung der genauen Gesichtsrahmen durchführen, um die optimale Position der Gesichtsregion zu erhalten.

3. Fine Methode zur Erkennung des Schmerzausdrucks bei älteren Patienten nach Anspruch 1, dadurch gekennzeichnet, dass die Bildvorverarbeitung in Schritt 2 wie folgt ist: Zuschneiden der Gesichtsregion und Normalisieren des Bildes nach dem Zuschneiden auf die Größe von 224 x 224 Pixel.

4. Fine Methode zur Erkennung des Schmerzausdrucks bei älteren Patienten nach Anspruch 3, dadurch gekennzeichnet, dass Schritt 3 im Einzelnen die folgenden Schritte umfasst: Schritt 3.1 Erstens die sequenzielle Erfassung unterschiedlicher Schmerzausprägungen der älteren Bevölkerung durch Aufzeichnen von Videos, und Extrahieren des Schlisselrahmens der gewünschten Ausdrücke aus den aufgenommenen Videos, anschließend werden die wichtigsten Rahmenbilder ausgewertet und klassifiziert, zunächst werden die Schmerz- und Nicht-Schmerzbilder basierend auf dem Zustand zum Zeitpunkt der Aufnahme getrennt, und dann Markieren und Beschriften der aufgenommenen Bilder gemäB den Kriterien von vier Schmerzkategorien, nämlich leicht, offensichtlich, stark und akut; Schritt 3.2 Es wird eine Skalennormalisierung an den in Schritt 3.1 erhaltenen Bilddaten durchgeführt, um den Datensatz zu erhalten. Schritt 3.3 Aufteilen des aus Schritt 3.2 erhaltenen Datensatzes in Trainingssatz, Validierungssatz und Testsatz im Verhältnis 6:2:2, nachdem der gesamte Datensatz gemischt und desorganisiert wurde; Schritt 3.4 Durchführen des Verbesserungsprozesses zum Drehen, Zuschneiden und Schwenken des in Schritt 3.3 erhaltenen Trainingssatzes; Schritt 3.5 Aufbau des Resnet50-Netzwerkmodells, Festlegen der Lernrate auf

0,0001, BatchgrôBe auf 32, Auswahl des Adam-Optimierers durch den Optimierer und 7505456 Durchführung des Modelltrainings mit dem aus Schritt 3.4 erhaltenen Trainingssatz, nachdem die Parameter festgelegt wurden; Schritt 3.6 Unter Verwendung der Genauigkeit ACC als Bewertungsindex für das in Schritt 3.5 erhaltene Modell, unter der Annahme, dass Nan die Anzahl der Bilder im in Schritt 3.3 erhaltenen Validierungssatz darstellt und N, die Anzahl korrekt klassifizierter Bilder darstellt, der Ausdruck für ACC lautet ACC = Ny/Nau, Je größer der ACC-Wert, desto näher sind die Vorhersagen des Modells an der realen Situation und desto besser ist die Leistung des Modells; Schritt 3.7 Wenn das in Schritt 3.6 erhaltene Modell beginnt, mit der Anzahl der Iterationen zu konvergieren und die Genauigkeit des Validierungssatzes dynamisch stabil bleibt, ist das Training des Resnet50-Netzwerkmodells abgeschlossen; Schritt 3.8 Verwenden Sie den in Schritt 3.3 erhaltenen Testsatz, um das in Schritt 3.7 erhaltene Modell zu testen.

5. Eine Methode zur Erkennung des Schmerzausdrucks bei älteren Patienten nach Anspruch 4, dadurch gekennzeichnet, dass Schritt 4 im Einzelnen die folgenden Schritte umfasst: Schritt 4.1 Das in Schritt 2 erhaltene normalisierte Bild wird in das in Schritt 3 erhaltene Resnet50-Netzwerkmodell eingegeben, und der Softmax-Klassifikator wird verwendet, um die charakteristische Matrixeingabe von der vollständig verbundenen Schicht zu empfangen und den Wahrscheinlichkeitswert jeder Klassifizierung auszugeben, der dem Eingabeziel entspricht, unter der Annahme, dass es N Eingabeziele {X;Y}£.4 gibt, jedes mit der Bezeichnung yi € {1,2 ,... k} und k der Typ der Modellausgabeklassifizierung ist, k > 2; Klassifizieren Sie die Schmerzausdrücke in 4 Kategorien (1, 2, 3, 4), k nimmt den Wert 4 an; Geben Sie Xi ein und verwenden Sie die Hypothesenfunktion fo(Xi), um den Wahrscheinlichkeitswert P (y = ]/Xi) der entsprechenden Klassifizierung j zu schätzen. Die Hypothesenfunktion lautet:

© LU505456 Se = x & HE af = Se of X à $ N ae OX ou à & = § à AE. * 3 : PES 203 Die Verlustfunktion für den Softmax-Klassifikator lautet: i: : 3 eg En N ie Ÿ ss § X FE gs SE vos N © * Tide mx og Man} © « 33 RE J juni SA 580 Sà a Rodd #5 Schritt 4.2 Die Etikettenklassifizierung mit der maximalen Wahrscheinlichkeit, die von Softmax ausgegeben wird, wird als Schmerzniveau des Schmerzausdrucks verwendet, und wenn das Schmerzniveau viele Male hintereinander gleich ist, wird es als das vorhergesagte Schmerzniveau betrachtet und das Ergebnis ausgegeben.