新生兒疼痛面部表情識別方法的研究

【摘要】疼痛是一種主觀感受，在評估疼痛中，最有效的方法是自我評估。由于新生兒不能表述其疼痛感受，所以給新生兒疼痛評估帶來很大的困難。新生兒自主神經系統不完善，如果依靠一些生理指標（比如血壓變化、心率變化等）差異比較大，所以不能僅僅依靠新生兒的生理治療來評估其疼痛。本文從新生兒面部表情識別角度出發，研究其在新生兒疼痛中的識別方法，旨在為新生兒疼痛評估提供一定的參考。

【關鍵詞】新生兒；面部表情；疼痛

【中圖分類號】R722.12【文獻標識碼】B【文章編號】1004-4949（2014）10-0195-01

在新生兒臨床治療中，由于一些浸入性操作，比如動靜脈穿刺、足底采血、氣管插管等，均會造成新生兒疼痛。如果新生兒反復經歷這疼痛刺激，可能會給危重兒和早產兒帶來不同程度的影響，比如影響新生兒的中樞神經系統、引起急性生理反應、情感紊亂等。因此，為了有效提升新生兒的醫療質量，確保其身心健康，必須要對新生兒的疼痛進行正確評估和處理。

1相關領域的研究現狀

1.1新生兒疼痛研究

關于新生兒的疼痛研究中，國際上采用的評估工具主要有四種，分別是新生兒疼痛評分（NIPS）、早產兒疼痛評分（PIPP）、新生兒面部編碼系統（NFCS）、CRIES量表[1]。雖然這四種憑據工具的觀察指標各有不同，但面部表情是這四種評估工具的共同觀測指標。

1.2表情識別技術

表情識別是人機智能交互的重要基礎，目前已逐漸發展為人工智能領域和模式識別的熱點問題，但是其對象主要是普通成年人。國際上對于新生兒疼痛面部表情識別的研究還比較晚，目前處于起步階段。

2面部圖像的預處理以及表情特征提取

在新生兒疼痛面部表情識別方法中，需要對面部圖像進行預處理，并且提取、選擇其表情特征，其具體方法如下。

2.1面部圖像預處理

著這個部分的工作中，主要包括圖像的旋轉和裁剪，這兩個步驟是采用Photoshop軟件手工完成；圖像歸一化，即對裁剪后的大小不一的圖像進行歸一化處理，使之成為大小一致的圖像；灰度均衡，其目的是確保所有的面部圖像處于相同的灰度均值和方差狀態，從而有效消除人臉膚色差異以及光照變化影響表情識別。

2.2表情特征提取

這里主要是基于Gabor變化來提取表情特征，它由一組不同方向和尺度的濾波器組成，可以對每個方向、尺度的圖像灰度變化進行分析。這種方法具有多方面的優勢，比如擁有提取圖像局部細微變化的能力，符合表情信息主要體現在局部特點[2]。與此同時，由于Gabor變化對光照變化的明感性比較差，并且還能允許一定程度的圖像變形和旋轉，所以其具有良好的穩健性。

2.3特征選擇

當面部圖像經過Gabor變化處理后，可以得到比較高的Gabor特征向量的維數，比如Gabor變化的圖像為112pixel×92pixel，經Gabor變化后得到的是圖像維數為412160維，給計算帶來較大的工作量。因此，為了最大程度上挑選出重要的特征，從而降低特征向量維數，需要進行特征選擇，這里采用基于AdaBoost的特征選擇算法。

這種算法主要是憑借大量分類能力一般的弱分類器，采取某些方法將其疊加起來，從而形成一個強分類器（分類能力強）。

2.4表情分類

在新生兒疼痛面部表情識別中，還需要對表情進行分類。這里采用的是基于支持向量機的表情分類。在二十世紀九十年代，由Vapnik等人提出支持向量機（SVM），它是一種基于結構風險最小化的機器學習方法，可以有效醫生學習機的泛化能力[3]。由于SVM屬于一個凸優化問題，目前已經發展成為模式識別領域的熱點問題[4]。

3新生兒疼痛面部表情的識別實驗

3.1表情圖像采集

當新生兒受到外界刺激時，一般都會發生面部表情變化。因此，在新生兒面部表情的圖像采集環節中，主要通過外界刺激來完成。這里主要采取以下三種表情：①安靜，新生兒處于一種比較平和、安靜的狀態時的表情；②哭，挪動新生兒（從A床挪向B床），新生兒產生哭的表情；③疼痛，當對新生兒進行足跟采血（篩查代謝性疾病）、肌肉注射（疫苗接種）時，新生兒會表現出疼痛表情。

3.2實驗步驟

根據以上流程，對新生兒面部圖像進行預處理，然后進行特征提取（基于Gabor變化）、選擇（基于AdaBoost）和分類（基于支持向量）。

3.3交叉驗證

在本組研究中，考慮到新生兒面部表情數據庫中的圖像數量比較有限，為了彌補這一缺陷，這里采用交叉驗證技術予以解決，具體的操作步驟如下：①對要分類識別的兩類樣本（比如哭和疼痛）采用隨機抽樣的方法，分成10份；②將第1份當成測試樣本，剩下的當成訓練樣本，得出識別率；③按照此種方法，依次將第2到10份當成測試樣本，其他的當成訓練樣本，得出識別率；④對這10次所得的識別率進行統計平均，從而得出最后的識別率。

3.4實驗結果

本次研究共有3個試驗，分別是分類識別疼痛與非疼痛時的表情、分類識別疼痛與安靜時的表情、分裂識別疼痛與哭時的表情。結果顯示：多項式核函數階數d=3時，SVM分類器平均識別率最高。

4結論

在新生兒疼痛面部表情識別方法研究中，本文對新生兒面部圖像采集和預處理，然后利用基于Gabor變化的特征提取、AdaBoost的特征選擇以及基于支持向量機（SVM）的表情分類這幾個步驟來研究，最終得出較高的表情識別率，為新生兒的疼痛評估提供一定的應用價值。

參考文獻

[1]郭繼忠，房曉祎，林霓陽等.新生兒疼痛表現以及干預方法的研究[J].中國婦幼保健，2009，18（12）：1625-1627.

[2]周曉彥，鄭文明，鄒采榮等.基于特征融合和模糊核判別分析的面部表情識別方法[J].中國圖象圖形學報，2009，18（08）：1615-1620.

[3]盧官明，左加闊.基于不相關局部敏感鑒別分析的新生兒疼痛表情識別[J].南京郵電大學學報（自然科學版），2013，19（06）：1-7.

[4]郭嘉，靜進，鄒小兵等.阿斯伯格綜合征兒童對人物基本面部表情的識別特點[J].中國心理衛生雜志，2011，16（01）：47-52.