一种基于计算机深度学习的新生儿疼痛评估系统技术方案

本发明专利技术公开了一种基于计算机深度学习技术的新生儿疼痛评估系统，通过样本数据采集，样本分类及处理，测试集的处理，训练集的处理，建立评估系统服务端，建立评估系统使用终端，系统信效度评估；从新生儿疼痛管理中的难点——新生儿疼痛评估入手，应用计算机深度学习建立一套快速、客观、方便、自动、标准化评估新生儿疼痛评估系统，且将疼痛分为6个级别，突破了目前对计算机辅助疼痛评分仅分为重度疼痛、轻度疼痛、无痛三个级别的缺点，更具有临床适用性；建立新生儿疼痛评估系统的服务端和终端，方便医护人员/非医护人员使用，并能对数据进行实时分析和储存；对该评估系统进行临床应用的信效度评价，以保障该评估工具的准确性和客观性。客观性。客观性。

【技术实现步骤摘要】
一种基于计算机深度学习的新生儿疼痛评估系统


[0001]本专利技术属于疼痛评估
，具体涉及一种基于计算机深度学习的新生儿疼痛评估系统。

技术介绍

[0002]新生儿反复致痛性操作所致疼痛会对其生长发育造成严重影响，可影响其大脑神经系统发育，甚至会引起后期的注意力缺陷、视觉、认知障碍，因此，新生儿疼痛管理工作尤为重要。而新生儿疼痛评估是基础，但目前虽有一些成熟的经信效度评价的量表来进行评估，但普遍存在工具种类多样、方法复杂、需专门培训、不便掌握、费时费力，不同人评估可能结果也不一致，主观性强，且需专业人员专人持续评估、但临床医护人员匮乏等缺点，导致这些工具临床使用率低，新生儿疼痛得不到及时地发现与治疗。因此，急需找到一种自动、客观、快捷、标准化的新生儿疼痛评估新工具。
[0003]计算机深度学习是计算机学习样本数据的内在规律和表示层次，它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。它是一个复杂的机器学习算法，在语音和图像识别方面有明显的优势，目前在医学影像诊断学方向应用较多。
[0004]新生儿疼痛反应有行为(面部表情、啼哭、肢体活动等)、生理学表现和生化反应三个方面，因此，新生儿疼痛评估主要以一维或多维的测评量表为主。目前临床常用的有新生儿面部编码系统(neonatal facial Coding system,NFCS)、新生儿疼痛评分量表(neonatal infant pain scale,NIPS)、早产儿疼痛评分量表(preterm infant pain profile,PIPP)、CRIES新生儿术后疼痛测量工具(Neonatal Postoperative Pain Measurement Tool)等。但这些量表同时需观察3
‑
10个以上的项目，会耗费大量的时间及人力，而且有时还无法在现场做出实时评估，评估结果受个人的知识、经验、情绪等主观因素的影响，不能完全客观反映新生儿疼痛程度。在临床工作中，新生儿科护士无法耗费太多时间来观察婴幼儿的疼痛特征，造成这些评估工具使用率低。

技术实现思路

[0005]为了解决上述技术问题，本专利技术提供了一种基于计算机深度学习技术的新生儿疼痛评估系统，为临床医护人员和非专业人员提供一种自动、客观、快捷、标准化的新生儿疼痛评估新工具，减少医护人员工作量，有助于医护人员及时识别新生儿疼痛或评价疼痛管理效果，以降低反复致痛性操作或检查所致的新生儿疼痛及疼痛对新生儿生长发育的影响；
[0006]为了达到上述技术目的，本专利技术是通过以下技术方案实现的：一种基于计算机深度学习技术的新生儿疼痛评估系统，包括以下步骤：
[0007]S1：样本数据采集：使用一组100度夹角无畸变双目摄像头模组，在距离受试婴儿面部40
‑
60cm处拍摄分辨率为720*1280，帧速率为30.00帧/秒的新生儿足跟采血所致疼痛
面容视频；
[0008]S2：样本分类及处理：随机抽取20个视频样本作为测试集，其余的作为训练集；
[0009]S3：测试集的处理：将随机抽取的20例视频样本，每秒随机抽取1帧图片，共360张，作为测试图片数据集，由两名经培训的专业人员对该图片采用人工NFCS量表评分，若评分不一致，咨询第三名专业人员，共同商讨确定评分，并将该评分作为该图片疼痛评分(0
‑
9分)进行图片数据标记。再将两分为一个步长分为6个等级(0、1
‑
2、3
‑
4、5
‑
6、7
‑
8、9)，将测试图片分6类，作为数据集，以作为后期检测模型可信度的标准；该测试数据集样本不纳入建模样本；
[0010]S4：训练集的处理：基于深度学习的聚类算法模型，将深度学习和聚类技术结合起来；首先用深层神经网络结构对原始数据进行特征学习，然后对学习到的特征表示进行预聚类，最后在微调模块中进行特征和聚类的优化；训练集的处理总体为分为三大部分：特征点及特征向量的提取、聚类法生成模型、验证聚类法生成的模型；
[0011]S5：建立评估系统服务端：将研究取得的模型及有关运算逻辑上传至云端并运行，作为评估系统的服务端；
[0012]S6：建立评估系统使用终端：通过任意带有视频拍摄功能并具备网络视频传输功能的终端，用微信新生儿疼痛评估小程序自动拍摄疼痛面容并上传至评估系统服务端，而后自动从评估系统服务端拉取并显示对应的疼痛评分及级别信息，同时给出处理推荐意见；
[0013]S7：系统信效度评估：用新生儿评估系统和2名专业人员用NFCS量表同时评估100例足跟采血操作的新生儿疼痛水平，收集数据，分析效标关联效度、区分效度、重测信度、准确度、敏感度和特异度、ROC曲线(受试者工作特征曲线)和AUC(ROC曲线下的面积)；通过ROC曲线和AUC以发现最佳临界值指标和诊断准确性；
[0014]优选的，所述S2中样本数据处理方法为：将原始视频，利用消息摘要算法(Message
‑
Digest Algorithm)生成唯一的MD5码，作为该视频的唯一标识；同时将原始视频逐帧提取为以MD5码加时间戳形式命名的JPEG格式图片序列，剔除无效帧，从而形成全局图片数据库；
[0015]优选的，所述NFCS量表评分包括皱眉、挤眼、鼻唇沟加深、张口、嘴垂直伸展、嘴水平伸展、舌紧绷(呈杯状)、下颌颤动、缩唇、伸舌(仅用于早产儿)10项，每项有评分1分，无评0分，总分0
‑
10分(早产儿)或0
‑
9分(新生儿)；得分越高疼痛程度越重；
[0016]优选的，所述训练集处理中特征点及特征向量提取方法为：采用基于计算机深度学习技术的OpenFace_2.2.0面部特征点分析软件包对所采集的视频进行特征点和特征向量的提取；用该软件进行逐帧分析，用深层神经网络结构对原始数据进行特征学习，经过人脸转正、光流直方图生成、面部特征点标记、特征点活动强度判断，最终以单个视频文件为单位生成逗号分隔符(Comma
‑
Separated Values,CSV)文件；该CSV文件以时间戳(times tamp)的形式对帧在单个视频文件内进行唯一标识，并包含了帧内的特征向量、特征点(feature points)参数，人脸识别置信度(confidence)，人脸识别成功(success)逻辑值等内容；
[0017]优选的，所述训练集处理中聚类法生成模型方法为：采用K
‑
均值聚类算法(K
‑
Means)及其改进算法对训练集中的特征向量进行划分聚类从而生成包含6个聚类中心的模
型，采用以下算法实现：首先从n个数据对象中任意选择k个特征点作为初始聚类中心；而对于所剩下的其它特征点，则根据他们与这些聚类中心的相似度(距离)，分别将他们分配给与其最相似的(聚类中心所代表的)聚类；然后再计算每个所新聚类的聚类中心(该聚类中所有特征点的均值本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于计算机深度学习技术的新生儿疼痛评估系统，其特征在于，包括以下步骤：S1：样本数据采集：使用一组100度夹角无畸变双目摄像头模组，在距离受试婴儿面部40
‑
60cm处拍摄分辨率为720*1280，帧速率为30.00帧/秒的新生儿足跟采血所致疼痛面容视频；S2：样本分类及处理：随机抽取20个视频样本作为测试集，其余的作为训练集；S3：测试集的处理：将随机抽取的20例视频样本，每秒随机抽取1帧图片，共360张，作为测试图片数据集，由两名经培训的专业人员对该图片采用人工NFCS量表评分，若评分不一致，咨询第三名专业人员，共同商讨确定评分，并将0
‑
9分作为该图片疼痛评分进行图片数据标记；再将两分为一个步长分为6个等级分别为：0、1
‑
2、3
‑
4、5
‑
6、7
‑
8、9，将测试图片分6类，作为数据集，以作为后期检测模型可信度的标准；该测试数据集样本不纳入建模样本；S4：训练集的处理：基于深度学习的聚类算法模型，将深度学习和聚类技术结合起来；首先用深层神经网络结构对原始数据进行特征学习，然后对学习到的特征表示进行预聚类，最后在微调模块中进行特征和聚类的优化；训练集的处理总体为分为三大部分：特征点及特征向量的提取、聚类法生成模型、验证聚类法生成的模型；S5：建立评估系统服务端：将研究取得的模型及有关运算逻辑上传至云端并运行，作为评估系统的服务端；S6：建立评估系统使用终端：通过任意带有视频拍摄功能并具备网络视频传输功能的终端，用微信新生儿疼痛评估小程序自动拍摄疼痛面容并上传至评估系统服务端，而后自动从评估系统服务端拉取并显示对应的疼痛评分及级别信息，同时给出处理推荐意见；S7：系统信效度评估：用新生儿评估系统和2名专业人员用NFCS量表同时评估100例足跟采血操作的新生儿疼痛水平，收集数据，分析效标关联效度、区分效度、重测信度、准确度、敏感度和特异度、ROC曲线和AUC；通过ROC曲线和AUC以发现最佳临界值指标和诊断准确性。2.根据权利要求1所述一种基于计算机深度学习技术的新生儿疼痛评估系统，其特征在于，所述S2中样本数据处理方法为：将原始视频，利用消息摘要算法—Message
‑
Digest Algorithm生成唯一的MD5码，作为该视频的唯一标识；同时将原始视频逐帧提取为以MD5码加时间戳形式命名的JPEG格式图片序列，剔除无效帧，从而形成全局图片数据库。3.根据权利要求1所述一种基于计算机深度学习技术的新生儿疼痛评估系统，其特征在于，所述NFCS量表评分包括皱眉、挤眼、鼻唇沟加深、张口、嘴垂直伸展、嘴水平伸展、舌紧绷、下颌颤动、缩唇、伸舌10项，每项有评分1分，无评0分，早产儿总分0
‑
10分或新生儿0
‑
9分；得分越高疼痛程度越重。4.根据权利要求1所述一种基于计算机深度学习技术的新生儿疼痛...

【专利技术属性】
技术研发人员：谌绍林，马军亮，柯希贤，刘英杰，程学超，宋永祥，
申请(专利权)人：遵义医科大学附属医院，
类型：发明
国别省市：