1.一种基于移动终端的新生儿疼痛评估方法,其特征在于,该方法包括以下步骤:
(1)采集新生儿疼痛表情图像,将所述表情图像分类,将所述表情图像裁剪成a×a像素的彩色图像,建立新生儿疼痛表情图像数据库,其中,a为正整数,取值范围为[128,512];
(2)构建一个包含1个数据层、19个卷积层、1个池化层、1个全连接层和1个分类层的卷积神经网络;
(3)将所述表情图像数据库分为训练集和验证集,对所述卷积神经网络进行训练,通过调整参数,得到优化后的网络模型;
(4)将训练好的网络模型移植到移动终端,生成新生儿疼痛评估应用程序;
(5)开启所述新生儿疼痛评估应用程序,调用所述移动终端的摄像头拍摄新生儿的面部图像,同时进行疼痛表情分类识别,并将识别结果显示在移动终端上;
步骤(2)中的数据层为卷积神经网络的第一层,用于将所述图像数据库中的图像的R、G、B分量堆叠成一个a×a×3的图像组,作为第二层卷积层1的输入;
所述步骤(2)中的19个卷积层为卷积神经网络的第二层至第二十层,其具体功能如下:第二层为卷积层1,采用n1个大小为k×k×3的卷积核,卷积步长为s,对第一层输出的a×a×3图像组进行卷积运算,同时进行补零操作,得到n1个f1×f1的特征图,其中n1为正整数,取16、32、64中的一个,k取3、5、7中的一个,s取1、2、3中的一个,f1为正整数,取值范围为[64,512];
第三层为卷积层2,采用n1个大小为k×k的卷积核,卷积步长为1,分别对第二层卷积层1输出的特征图进行卷积运算,同时进行补零操作,得到n1个f1×f1的特征图,并将这些特征图堆叠成一个f1×f1×n1的特征图组,作为第四层卷积层3的输入;
第四层为卷积层3,采用n2个大小为1×1×n1的卷积核,卷积步长为1,对第三层卷积层2输出的f1×f1×n1特征图组进行卷积运算,得到n2个f1×f1的特征图,其中n2为正整数,取
32、64、128中的一个;
第五层为卷积层4,采用n2个大小为k×k的卷积核,卷积步长为s,分别对第四层卷积层3输出的特征图进行卷积运算,得到n2个f2×f2的特征图,并将这些特征图堆叠成一个f2×f2×n2的特征图组,作为第六层卷积层5的输入,其中f2为正整数,取值范围为[32,256];
第六层为卷积层5,采用n3个大小为1×1×n2的卷积核,卷积步长为1,对第五层卷积层4输出的f2×f2×n2特征图组进行卷积运算,得到n3个f2×f2的特征图,其中n3为正整数,取
64、128、256中的一个;
第七层为卷积层6,采用n3个大小为k×k的卷积核,卷积步长为1,分别对第六层卷积层5输出的特征图进行卷积运算,同时进行补零操作,得到n3个f2×f2的特征图,并将这些特征图堆叠成一个f2×f2×n3的特征图组,作为第八层卷积层7的输入;
第八层为卷积层7,采用n3个大小为1×1×n3的卷积核,卷积步长为1,对第七层卷积层6输出的f2×f2×n3特征图组进行卷积运算,得到n3个f2×f2的特征图;
第九层为卷积层8,采用n3个大小为k×k的卷积核,卷积步长为s,分别对第八层卷积层7输出的特征图进行卷积运算,得到n3个f3×f3的特征图,并将这些特征图堆叠成一个f3×f3×n3的特征图组,作为第十层卷积层9的输入,其中,f3为正整数,取值范围为[16,128];
第十层为卷积层9,采用n4个大小为1×1×n3的卷积核,卷积步长为1,对第九层卷积层8输出的f3×f3×n3特征图组进行卷积运算,得到n4个f3×f3的特征图,其中n4为正整数,取
128、256、512中的一个;
第十一层为卷积层10,采用n4个大小为k×k的卷积核,卷积步长为1,分别对第十层卷积层9输出的特征图进行卷积运算,同时进行补零操作,得到n4个f3×f3的特征图,并将这些特征图堆叠成一个f3×f3×n4的特征图组,作为第十二层卷积层11的输入;
第十二层为卷积层11,采用n4个大小为1×1×n4的卷积核,卷积步长为1,对第十一层卷积层10输出的f3×f3×n“4 特征图组”进行卷积运算,得到n4个f3×f3的特征图;
第十三层为卷积层12,采用n4个大小为k×k的卷积核,卷积步长为s,对第十二层卷积层
11输出的特征图进行卷积运算,得到n4个f4×f4的特征图,并将这些特征图堆叠成一个f4×f4×n4的特征图组,作为第十四层卷积层13的输入,其中,f4为正整数,取值范围为[8,64];
第十四层为卷积层13,采用n5个大小为1×1×n4的卷积核,卷积步长为1,对第十三层卷积层12输出的f4×f4×n4特征图组进行卷积运算,得到n5个f4×f4的特征图,其中n5为正整数,取256、512、1024中的一个值;
第十五层为卷积层14,采用n5个大小为k×k的卷积核,卷积步长为1,对第十四层卷积层
13输出的特征图进行卷积运算,同时进行补零操作,得到n5个f4×f4的特征图,并将这些特征图堆叠成一个f4×f4×n5的特征图组,作为第十六层卷积层15的输入;
第十六层为卷积层15,采用n5个大小为1×1×n5的卷积核,卷积步长为1,对第十五层卷积层14输出的f4×f4×n5特征图组进行卷积运算,得到n5个f4×f4的特征图;
第十七层为卷积层16,采用n5个大小为k×k的卷积核,卷积步长为s,分别对第二十四层卷积层23输出的特征图进行卷积运算,得到n5个f5×f5的特征图,并将这些特征图堆叠成一个f5×f5×n5的特征图组,作为第十八层卷积层17的输入,其中f5为正整数,取值范围为[4,
32];
第十八层为卷积层17,采用n6个大小为1×1×n5卷积核,卷积步长为1,对第十七层卷积层16输出的f5×f5×n5特征图组进行卷积运算,得到n6个f5×f5的特征图,其中n6为正整数,取512、1024、2048中的一个;
第十九层为卷积层18,采用n6个大小为k×k的卷积核,卷积步长为s,分别对第十八层卷积层17输出的特征图进行卷积运算,同时进行补零操作,得到n6个f5×f5的特征图,并将这些特征图堆叠成一个f5×f5×n6的特征图组,作为第二十层卷积层19的输入;
第二十层为卷积层19,采用n6个大小为1×1×n6的卷积核,卷积步长为1,对第十九层卷积层18输出的f5×f5×n6特征图组进行卷积运算,得到n6个f5×f5的特征图。
2.根据权利要求1所述的基于移动终端的新生儿疼痛评估方法,其特征在于,所述步骤(2)中的池化层为卷积神经网络的第二十一层,采用均值池化,用f5×f5大小的窗口,以步长
1对第二十层卷积层19输出的特征图进行下采样,得到n6个1×1的特征图。
3.根据权利要求1所述的基于移动终端的新生儿疼痛评估方法,其特征在于,所述步骤(2)中的全连接层为卷积神经网络的第二十二层,用于将第二十一层池化层输出的特征图全连接至本层的n7个输出神经元,构成一个n7维的特征向量,其中n7为正整数,取值范围为[512,2048]。
4.根据权利要求1所述的基于移动终端的新生儿疼痛评估方法,其特征在于,所述步骤(2)中的分类层为卷积神经网络的第二十三层,采用Softmax分类器对第二十二层全连接层输出的n7维特征向量进行分类识别。