一种自动识别老年人慢性疼痛程度的智能评估方法及系统

技术领域

本发明涉及医学图像处理的技术领域，尤其涉及一种自动识别老年人慢性疼痛程度的智能评估方法，以及自动识别老年人慢性疼痛程度的智能评估系统。

背景技术

研究表明，老年人慢性疼痛发生率为25-50％，其中45％-80％的疼痛症状显著者需要接受长期的治疗和护理。慢性疼痛的存在严重影响老年人的生活质量，严重者甚至可引起心理和精神状态的改变，导致抑郁、焦虑甚至厌世情绪的发生。然而许多老年慢性疼痛并未得到充分的治疗，主要原因是：

(1)多数老年人认为疼痛是伴随年龄增长而出现的自然现象，或因为害怕疼痛预示严重疾病的存在而不予就医，或在描述症状时刻意避免使用疼痛等字眼。

(2)由于老年人普遍存在多种疾病共存的情况，往往无法清晰描述疼痛的部位、性质和强质。

(3)老年人感觉和认知功能的降低削弱了他们感知和表达疼痛的能力。

发明内容

为克服现有技术的缺陷，本发明要解决的技术问题是提供了一种自动识别老年人慢性疼痛程度的智能评估方法，其能够将老年人慢性疼痛程度进行量化，不受外界人为因素的主观限制，得出精确的评估结果，具有客观、精准、易操作的特点。

本发明的技术方案是：这种自动识别老年人慢性疼痛程度的智能评估方法，其包括以下步骤：

(1)输入老年人的体温、脉搏、呼吸、血压数据；

(2)面部表情的视频录制：采集包括老年人面部表情的动态图像序列；

(3)图像的预处理：根据动态图像序列抓取关键帧静态图像，同时处理光线亮度和背景，抓取关键参数与大数据库进行对比；

(4)脸部区域检测与跟踪：从原始图片或视频样本中将脸部区域检测出来以备后续特征提取和分类使用；

(5)表情特征提取：对经过预处理之后的表情图像使用相应的特征提取算法提取其表情特征；

(6)分类识别：运用疼痛分类算法和生命体征，对采集样本得到的分析处理模型进行识别，得出其疼痛级别的综合分析结论。

本发明将老年人的慢性疼痛程度识别分为在视频序列和静态图像中进行大数据对比，针对特定的面部表情，以及融合多种信息源进行综合分析，利用智能化系统的操作特点，自动得出疼痛程度的分析结果，因此能够将老年人慢性疼痛程度进行量化，不受外界人为因素的主观限制，得出精确的评估结果，具有客观、精准、易操作的特点。

还提供了自动识别老年人慢性疼痛程度的智能评估系统，其包括：

信息获取模块，其获取老年人的体温、脉搏、呼吸、血压数据；

图像采集模块，其采集包括老年人面部表情的动态图像序列；

图像预处理模块，其根据动态图像序列抓取关键帧静态图像，同时处理光线亮度和背景，抓取关键参数与大数据库进行对比；

检测与跟踪模块，其从原始图片或视频样本中将脸部区域检测出来以备后续特征提取和分类使用；

特征提取模块，其对经过预处理之后的表情图像使用相应的特征提取算法提取其表情特征；

分类识别模块，其运用疼痛分类算法和生命体征，对采集样本得到的分析处理模型进行识别，得出其疼痛级别的综合分析结论。

附图说明

图1是根据本发明的自动识别老年人慢性疼痛程度的智能评估方法中疼痛级别示意图。

图2是根据本发明的自动识别老年人慢性疼痛程度的智能评估方法的流程图。

具体实施方式

现代医学认为慢性疼痛总伴随着情绪反应，它包括情感、认知、动机以及生理多种成分在内的复杂的生理心理过程。本系统将老年人的慢性疼痛程度识别分为在视频序列和静态图像中进行大数据对比，针对特定的面部表情，以及融合多种信息源进行综合分析，利用智能化系统的操作特点，自动得出疼痛程度的分析结果。

如图2所示，这种自动识别老年人慢性疼痛程度的智能评估方法，其包括以下步骤：

(1)输入老年人的体温、脉搏、呼吸、血压数据；

(2)面部表情的视频录制：采集包括老年人面部表情的动态图像序列；

(3)图像的预处理：根据动态图像序列抓取关键帧静态图像，同时处理光线亮度和背景，抓取关键参数与大数据库进行对比；

(4)脸部区域检测与跟踪：从原始图片或视频样本中将脸部区域检测出来以备后续特征提取和分类使用；

(5)表情特征提取：对经过预处理之后的表情图像使用相应的特征提取算法提取其表情特征；

(6)分类识别：运用疼痛分类算法和生命体征，对采集样本得到的分析处理模型进行识别，得出其疼痛级别的综合分析结论。

本发明将老年人的慢性疼痛程度识别分为在视频序列和静态图像中进行大数据对比，针对特定的面部表情，以及融合多种信息源进行综合分析，利用智能化系统的操作特点，自动得出疼痛程度的分析结果，因此能够将老年人慢性疼痛程度进行量化，不受外界人为因素的主观限制，得出精确的评估结果，具有客观、精准、易操作的特点。

优选地，所述步骤(2)中，利用摄像机、照相机采集包括老年人面部表情的动态图像序列。

优选地，所述步骤(4)中，如果处理的是需要保证实时性的视频序列，则使用脸部检测和脸部跟踪。

本领域普通技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，包括上述实施例方法的各步骤，而所述的存储介质可以是：ROM/RAM、磁碟、光盘、存储卡等。因此，与本发明的方法相对应的，本发明还同时包括一种自动识别老年人慢性疼痛程度的智能评估系统，该系统通常以与方法各步骤相对应的功能模块的形式表示。该系统包括：

信息获取模块，其获取老年人的体温、脉搏、呼吸、血压数据；

图像采集模块，其采集包括老年人面部表情的动态图像序列；(通过评估系统拍摄患者的面部表情，录制2-5秒的视频段，分析处理模块自动提取视频段中的峰值表情帧作为相应的静态表情图像)

图像预处理模块，其根据动态图像序列抓取关键帧静态图像，同时处理光线亮度和背景，抓取关键参数与大数据库进行对比；

检测与跟踪模块，其从原始图片或视频样本中将脸部区域检测出来以备后续特征提取和分类使用；

特征提取模块，其对经过预处理之后的表情图像使用相应的特征提取算法提取其表情特征；

分类识别模块，其运用疼痛分类算法和生命体征，对采集样本得到的分析处理模型进行识别，得出其疼痛级别的综合分析结论这种系统强调血管区域部分，减轻了大量背景像素带来的不平衡问题；多任务注意力融合模块，处理任务内和任务之间长距离信息依赖，促进网络学习。

如图1所示，首先让老年人将自己疼痛程度用0-10的数字依次表示，0表示无疼痛，10表示最剧烈的疼痛。其次医护人员用表情法选择老年人疼痛级别，两种疼痛通评估相结合判断疼痛评估级别。

优选地，所述图像采集模块，分辨率为720×480以上的彩色视频段中提取5个时间段的静态表情图像，这些图像形成数据库。

优选地，所述图像预处理模块，采取静态图像中识别，主要通过旋转和尺寸变换使得所有图像中的眼睛对齐，将原始图像剪辑为100×120大小，并进一步裁剪出椭圆形面部图像。适用于面部检测方法，获取到的原始视频包含着背景信息，将面部信息的区域抠取出来，并对其进行相关的DeepID算法、MTCNN算法、Adaboost算法等预处理。可以用SIFT特征、PCA主成分分析法、局部二值模式等处理特征提取。

优选地，所述分类识别模块，采用深度学习模型对预处理后的图像信息进行分析，所述深度学习模型采用卷积神经网络；初期采取检查验证方法，将2000份样本中进行训练，计算平均准确率；为了提高线性核支持向量机的识别率，后期采用神经网络同部算法(Neural network simultaneousalgorithm，NNSOA)结合深度信息建立三维人脸型进行疼痛表情分级评估。

分析模块中的特征脸方法是指将用户的脸作为一个整体来看待，静态表情图像的面部图像的集合被用来产生一个二维的灰度图像来产生生物特征，通过预处理保留对应特征脸的数个特征点数据。用2000名疼痛老年人特征脸建立面部空间数据库。当有新的人脸图像时，根据新的特征点数和面部空间数据库比对计算出一组权值，挑出最接近的特征脸。

优选地，所述分类识别模块，计算特征脸：让人脸图像i(x，y)为二维N×N阵列的(8位)强度值，一幅图像看作是N

优选地，该系统还包括评估模块，其与老年人生命体征和分析模块相连，所述评估模块对所述分析模块得到的结果进行结果评估；使用面部表情+数字疼痛程度相对应的评估方法对患者的疼痛程度进行评估。如图1所示，首先让老年人将自己疼痛程度用0-10的数字依次表示，0表示无疼痛，10表示最剧烈的疼痛。其次医护人员用表情法选择老年人疼痛级别，两种疼痛通评估相结合判断疼痛评估级别。

优选地，为防止大量用户并发访问时服务器的压力与冲突，该系统优化缓存机制、异步处理机制，对于使用者上传的视频或图像数据，自动加密保存到后台服务器上，后续还可以利用这些数据进一步进行大数据优化调整，使系统的识别精度更高，评估结果更准确。

以上所述，仅是本发明的较佳实施例，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属本发明技术方案的保护范围。