新生儿疼痛面部表情识别方法的研究

第 28 卷 　第 11 期 光 　学 　学 　报 Vol. 28 , No . 11 2008 年 11 月 ACTA OP TICA SINICA November , 2008 文章编号 : 025322239 (2008) 1122109206 新生儿疼痛面部表情识别方法的研究 卢官明1 　李晓南2 　李海波3 1 南京邮电大学 通信与信息学院 , 江苏 南京 210003 ; 2 南京医科大学附属南京儿童医院 , 江苏 南京 210008 3 瑞典于默奥大学应用物理与电子系 , S2901 87 UmeÜa ,Sweden 摘要 　针对新生儿的疼痛与非疼痛面部表情识别 ,提出将 Gabor 变换和支持向量机 ( SVM) 相结合的分类识别方 法。对归一化后的大小为 112 pixel ×92 pixel 的新生儿面部图像进行二维 Gabor 小波变换 ,提取出 412160 维 Gabor 特征 ;针对 Gabor 特征向量维数高、冗余大的特点 ,采用 Adaboost 算法作为特征选择工具 ,去除冗余的 Gabor 特征 ,从 412160 维特征中选取出 900 维 Gabor 特征 ;对选取出的 Gabor 特征用 SVM 进行疼痛表情的分类识 别。该方法综合运用 Gabor 特征对于面部表情的良好表征能力、AdaBoost 算法的特征选择能力以及 SVM 在处理 少样本、高维数问题中的优势。对 510 幅新生儿的表情图像进行测试的结果表明 ,疼痛与非疼痛表情的分类识别 率达到 85. 29 % ,疼痛与安静表情的分类识别率达到 94. 24 % ,疼痛与哭表情的分类识别率达到 78. 24 %。 关键词 　图像处理 ; 表情识别 ; 支持向量机 ; 新生儿疼痛 ; AdaBoost 算法 ; Gabor 变换 中图分类号 　TP391. 41 　　　文献标识码 　A 　　　doi : 10. 3788/ AOS20082811. 2109 Res ea rc h o n Recog ni t i o n f o r Faci a l Exp res s i o n of P a i n i n Neo n a t es L u Guanming1 　Li Xiaonan2 　Li Haibo3 1 College of Com m u nica t ion a n d Inf or m a t ion Engi neer i ng , Na nji ng U niversi t y of Pos ts a n d Telecom m u nica t ions , Na nji ng , J i a ngs u 210003 , Chi n a 2 Na nji ng Chil d ren’s Hosp i t al Aff i l i a ted to Na nji ng Medical U niversi t y , Na nji ng , J i a ngs u 210008 , Chi n a 3 Dep a r t men t of App lied Physics a n d Elect ronics , U meÜa U niversi t y , S2901 87 U meÜa , Sweden Abs t r act 　A classification method to dis tinguish the neonatal pain exp ression f rom non2pain exp ression is p roposed , which combines Gabor wavelet t ransform with support vector machine (SVM) . At firs t , each neonatal facial image , which is normalized to the size of 112 pixel ×92 pixel , is t ransformed by the 2D Gabor wavelet to ext ract 412160 Gabor features . Since the high2dimensional Gabor feature vectors are quite redundant , AdaBoost is int roduced as a feature selection tool to remove the redundant ones . In experiments , 900 features are selected f rom 412160 original Gabor features . Finally , the selected Gabor features are fed into the SVM for final classification. This method takes the advantages of the favorable ability of Gabor feature in rep resenting facial exp ression , the effective function of Adaboost in feature selection , and the high performance of SVM in the solution to small sample size , high dimension p roblems . Experiments with 510 neonatal exp ression images show that the method is quite effective . The best recognition rates of pain versus non2pain (85. 29 %) , pain versus calm (94 . 24 %) , pain versus cry (78 . 24 %) are obtained. Key w or ds 　image p rocessing ; exp ression recognition ; support vector machine ; neonatal pain ; AdaBoost algorithm ; Gabor t ransform 　　收稿日期 : 2008202221 ; 收到修改稿日期 : 2008205214 基金项目 : Asian2Swedish Research Links Programme(3482200526434) 、南京市卫生局医学科技发展重点项目 (V KX07020) 、南 京市留学回国人员科技活动择优资助经费 ( TJ206015)和南京邮电大学“攀登”(N Y206023)资助课题。 作者简介 : 卢官明 (1965 - ) ,男 ,博士 ,教授 ,主要从事图像处理、模式识别、多媒体通信等方面的研究。 E2mail : lugm @njupt . edu. cn1 　引　　言临床医疗过程中 ,包括足底采血、动静脉穿刺及气管插管等侵入性操作会导致患病新生儿的疼痛。 而反复经历的疼痛刺激会对新生儿 ,尤其是早产儿和危重儿产生一系列近期和远期的严重影响 ,其中包括急性生理反应 ,对中枢神经系统的永久损伤、发 光 　　　学 　　　学 　　　报 28 卷 育迟缓和情感紊乱等[1～3 ] 。因此 ,正确评估和积极 处理疼痛 ,提高儿童的医疗质量和身心健康 ,已成为 儿科临床医师和研究人员密切关注的焦点。 疼痛是一种包括感觉和情感的主观感受 ,自我 评估被认为是最可靠的评估疼痛方法。由于新生儿 不能自述疼痛的感受与不同刺激下的疼痛反应 ,疼 痛评估成为新生儿科学中最具挑战性的一个难 题[4 ] 。新生儿时期自主神经系统并不完善 ,一些生 理指标如心率、血压变化差异较大 ,病理情况时反应 也各异 ,可能导致测量结果不确定 ,所以不能仅用生 理指标来评估新生儿疼痛 ,必须与行为评估方法联 合应用[5 , 6 ] 。新生儿在疼痛时会表现出行为变化 , 包括哭、面部表情改变、肢体活动及行为状态 (如睡 眠和食欲)的改变。疼痛引起的哭声往往高尖、持续 时间长、频繁。但早产儿很少哭 ,即使受到疼痛刺 激 ,哭闹时间也很短 ;危重儿因衰竭无力很少哭 ,或 因气管插管导致声门阻塞而无法哭。因此 ,哭声并 不是早产儿或危重儿疼痛评估有效、可靠的指标 ,目 前广泛认同的是面部表情改变。新生儿疼痛面容 (蹙眉、挤眼、鼻唇沟加深、张口) 是最可靠的疼痛指 标 ,且持续时间最长[ 7 ] 。 尽管面部表情特征已用于众多的新生儿疼痛评 估工具 ,但目前国际上对新生儿疼痛的评估都是由 受过专门训练并熟悉各项评估技术指标的医护人员 进行人工评估 ,这带来了一些实际问题 ,如需要花费 大量的时间精力 ,有时还无法在现场实时作出评估 , 而且评估结果更多地依赖于个人的知识与经验 ,并 受个人的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[8 ] 。因此 ,开发一种客观、快速、 简便而有效的新生儿疼痛自动评估系统 ,对医护人 员及时采取相应的镇痛 ,减轻新生儿和婴儿的 疼痛具有非常重要的意义。 表情识别是人机智能交互的重要基础 ,是当前 国内外模式识别和人工智能领域的一个研究热 点[9～14 ] 。但现有的表情识别方法一般都是针对普 通成年人 ,大多算法采用由美国 Carnegie Mellon University 的 机 器 人 研 究 所 和 University of Pit t sburgh 心理学系共同建立的 CMU2Pit t sburgh AU2Coded 人脸表情数据库以及由日本国际电气通 信基础技术研究所建立的日本女性表情数据库作为 训练和测试样本[15～17 ] ,采用 Ekman 提出的情感分 类方法 ,定义高兴、愤怒、厌恶、恐惧、悲伤、惊奇六种 典型的面部表情[18 ] 。国际上对新生儿疼痛面部表 情 识 别 的 研 究 刚 刚 起 步。2007 年 , 美 国 Brahnam[19 ]发表了有关新生儿疼痛表情识别的算 法 ,对 26 名新生儿的面部表情图像进行了疼痛与非 疼痛的分类识别。 2 　面部图像的预处理及表情特征提取 2 . 1 　面部图像的预处理 面部图像的预处理包括图像的旋转、裁剪、尺度 归一化和灰度均衡 ,其中图像的旋转和裁剪是通过 Photoshop 软件手工完成的。 裁剪后的图像虽然长宽比例一致 ,但是大小不 一 ,因此需要通过缩放变换将所有的图像归一化为 大小一致的图像 (取 112 pixel ×92 pixel) 。但经过 缩放变换后图像的一些像素坐标位置对应于变换前 图像上的非整数像素坐标位置 ,为此采用双线性插 值方法求得这些像素的灰度值。 灰度均衡的目的是使所有的面部图像具有相同 的灰度均值和方差 ,以消除光照变化和人脸肤色差 异对表情识别的影响。设 I ( i , j) 为均衡前的灰度图 像 ,μ,σ分别为 I ( i , j) 的灰度均值和方差 , I′( i , j) 为 均衡后的灰度图像 ,μ0 ,σ0 分别为 I′( i , j) 的灰度均 值和方差 ,则 I′( i , j) = σ0σ[ I ( i , j) - μ] +μ0 , (1) 式中取均值μ0 = 190 ,方差σ0 = 60。 2 . 2 　基于 Ga bor 变换的表情特征提取 Gabor 变换由一组不同尺度、不同方向的滤波 器组成 ,可以分析各个尺度和方向上图像的灰度变 化。在表情特征提取方面 , Gabor 变换具有提取图 像局部细微变化的能力 ,这与表情信息主要体现在 局部的特点非常符合。另一方面 , Gabor 变换对光 照变化不敏感 ,且能接受一定程度的图像旋转和变 形 ,具有较好的稳健性。 二维 Gabor 变换的核函数形式可以表示为[20 ] φu, v ( z) = ku, v 2 δ2 exp - ku, v 2 z 2 2δ2 × exp (i ku, v z ) - exp - δ 2 2 , (2) 式中 u 为方向 , v 为尺度 , ku, v = kv exp (iφu) , kv = kmax / f v ,φu =πu/ 8 , kmax 为最大频率 , f 为函数的空 间因子 ,δ为高斯窗的尺度因子。 假定面部图像为 I ( z) ,则其二维 Gabor 变换为 Ou, v ( z) = I ( z) 3φu, v ( z) , (3) 式中φu, v ( z) 即为 (2) 式所示的二维 Gabor 核函数 , Ou, v ( z) 为卷积输出 ,是复数形式 ,故可以提取相应 0112 11 期 卢官明等 : 　新生儿疼痛面部表情识别方法的研究 的幅度信息 , M u, v ( z) = Re2 [ Ou, v ( z) ] + Im2 [ Ou, v ( z) ] . (4) 　　对于一幅图像 I ( z) ,经过多尺度、多方向的分 析后可以得到多个子带信号的输出 , 如实验中取 v = { 0 ,1 ,2 ,3 ,4} 、u = { 0 ,1 ,2 ,3 ,4 ,5 ,6 ,7} ,一共可 以得到 40 个子带信号的输出。对图像中的某一个点 进行 Gabor 小波变换 ,可以得到 40 个复数 ,取幅度 信息作为描述人脸的 Gabor 特征 ,得到特征为 M0 ,0 ( Z) ⋯ M0 ,7 ( Z) … … … M4 ,0 ( Z) ⋯ M4 ,7 ( Z) . 　　将一幅 112 pixel ×92 pixel 图像所有像素点的 Gabor 特征集合起来 ,作为描述面部表情的特征 向量。 3 　基于 AdaBoost 的特征选择 面部图像经 Gabor 变换后得到 Gabor 特征向 量的维数很高 ,如对 112 pixel ×92 pixel 的图像进 行 Gabor 变换后 ,其维数变为 412160 维 ,计算量很 大。根据研究表明 ,在不同位置、不同尺度、不同方 向上提取的 Gabor 特征对人脸表情的区分能力是 不一样的 ,为了能挑选出最重要的特征以降低特征 向量维数 ,提出基于 AdaBoost 的特征选择算法。 AdaBoo st 算法是由 Freund 和 Schapire 提出的 一种分类器算法[ 21 ] ,其基本思想是利用大量分类能 力一般的弱分类器 ,通过一定方法叠加起来 ,构成一 个分类能力很强的强分类器。理论证明 ,只要每个 弱分类器的分类能力比随机猜测要好 (即正确识别 率大于 50 %即可) ,就可以构造出强分类器 ,其分类 错误率趋于 0 , 并具有很好的泛化能力。在 AdaBoost 算法中 ,每个训练样本都被赋予一个权 重 ,表明它被某个弱分类器选入训练集的概率。如 果某个样本被弱分类器正确分类 ,则在构造下一个 训练集时 ,减少这个样本的权重 ,即降低这个样本被 选入训练集的概率 ;相反 ,如果某个样本被错误分 类 ,则它的权重就相应提高 ,即它被选入训练集的概 率就会增加。通过这种方式 ,AdaBoost 算法在后续 的学习中集中对比较困难的训练样本进行学习。在 具体的实现上 ,最初令每个样本的权重都相等 ,每一 轮循环在弱分类器中选出在当前权重分布下具有最 好分类效果的分类器 ,然后根据其分类结果更新权 重 ,再进入下一轮循环 ,整个训练过程如此循环下 去 ,最后 ,将每一轮循环所挑选出的弱分类器 ,按照 一定的权重结合 ,构成强分类器。 AdaBoost 不仅是一种被广泛应用的分类器算 法 ,而且也是一种高效的特征选择工具[22 ] 。设训练 样本集为{ ( xi , y i ) , i = 1 , 2 , ⋯, M} ,其中 M 为训练 样本个数 , xi 为 N 维的特征向量 , y i ∈{ + 1 , - 1}为 输入样本 xi 的类标记。令每个弱分类器对应 Gabor 特征向量的一维 ,即对应一个 Gabor 特征 ,则 AdaBoost 挑选弱分类器的过程也就是挑选 Gabor 特征的过程。每个弱分类器设计为一个简单的阈值 函数 ,训练出来的弱分类器就是一些阈值。对于第 j 个弱分类器 h j ,当输入 Gabor 特征向量 xi 中的第 j 个特征的值小于阈值θj 时 ,则 hj ( xi ) 的预测值为 - 1 ;否则为 + 1。 hj ( xi ) = - 1 , ( xi ) j <θj + 1 , ( xi ) j ≥θj 式中 ,阈值 θj = 12 1 a ∑ a p = 1 [ ( xp ) j y p = +1 ] + 1 b ∑ b q = 1 [ ( xq) j y q = - 1 ] , a 和 b 分别为正样本 (即 y p = + 1) 和负样本 (即 yq = - 1) 的数量 ,且 a + b = M。 基于 AdaBoost 的 Gabor 特征选择算法描述为 1) 初始化样本权重 w1 , i = 1/ (2 a) , y i = + 1 1/ (2b) , y i = - 1 　i = 1 ,2 , ⋯, M 　　2) 当 t = 1 , ⋯, T ( T 为迭代循环次数 ,即要选 取出的 Gabor 特征数 ,取 900)时 归一化每个样本的权重 w t , i ←w t , i ∑ M i = 1 w t , i ; 对每个候选的 Gabor 特征 ,训练一个弱分类器 ht , j ( xi ) ,计算其加权错误率εt , j = ∑j : ht , j ( xi) ≠y iw t , i , 即 弱分类器所有错判的样本的权重值之和。选取加权 错误率为最小的 Gabor 特征 ,作为本轮迭代循环所 选出的特征 ,并从特征向量中删除这一特征 ,以免在 下一轮迭代循环中被重复选出 ; 更新权重 w t+1 , i = w t , iβ1 - eit , 其中βt =εt / (1 - εt ) ,εt 为本轮迭代的最小加权错误 率 ,而 ei = 0 , ht ( xi ) = y i 1 . ht ( xi ) ≠ y i 　　令 t = t + 1 ,进行下一轮迭代循环 ,直到设定 1112 光 　　　学 　　　学 　　　报 28 卷 的循环次数 T。 与其他一些特征降维方法 (如主成分分析法)相 比 ,采用 AdaBoo st 算法做特征选择的一个优点是 得到的特征集可以一一对应到原始特征中 ,具有明 确的物理意义。在进行 Gabor 特征提取时 ,仅需要 计算被挑选出的特征所对应的指定采样点、指定尺 度和指定方向上的滤波结果 ,可大幅减少计算量和 存储量。 4 　基于支持向量机的表情分类 支持向量机 ( SVM) 是 20 世纪 90 年代 Vap nik 等提出的一种基于结构风险最小化的机器学习方 法 ,其特点是通过最大化分类间隔尽量提高学习机 的泛化能力 ,即由有限的训练集样本得到的小误差 仍能够保证对独立的测试集也有小的误差。另外 , 由于 SVM 是一个凸优化问题 ,因此局部最优解一 定是全局最优解 ,目前已成为模式识别领域的一个 研究热点[23～25 ] 。 对于两类线性不可分问题 ,SVM 可简述为将输 入空间中的样本 xi 通过某种非线性函数关系Φ( x) 映射到一个高维特征空间中 ,从而使两类样本在此 特征空间中线性可分 ,并寻找样本在此特征空间中 的最优线性分类超平面 (即确保经验风险最小化) , 最终保证距该超平面最近的异类向量 (即支持向量) 与该超平面的距离最大 (即确保置信范围最小化) , 也就是使两类支持向量的分类间隔最大。 设训练样本集为 { ( xi , y i ) , i = 1 , 2 , ⋯, n} , 其 中 , n 为训练样本个数 , xi ∈Rd ( d 维空间) 为训练样 本 , y i ∈{ - 1 , + 1} 为输入样本 xi 的类标记。寻找 一个如 (5) 式的分类判别函数 f ( x) ,使它能对未知 类别的新样本 (新样本与训练样本独立同分布) 作尽 可能正确的分类 : f ( x) = sign ∑ n i = 1 αi y i k ( x , xi ) + b , (5) 其中 sign ( ·)为符号函数 , k ( ·, ·) 为核函数。核 函数的选取应使其为特征空间的一个点积 , 如 k ( xi , xj ) =Φ( xi ) ·Φ( xj ) 。 对于具体的分类问题 ,关键是求出拉格朗日乘 子αi , 实际上为一个二次规划问题 ,其表达式如 (6)式、(7)式 : L (α) = ∑ n i = 1 αi - 12 ∑ n i , j αiαj y i y j k ( xi , xj ) , (6) ∑ n i = 1 αi y i = 0 , 　0 ≤αi ≤C , (7) 式中 C为误差惩罚参量 ,控制着分类边界的形状 ,其 值越大表示对错误分类的惩罚越大 ;解中只有一部 分 (通常是少部分)αi 不为 0 , 对应的样本就是支持 向量。 虽然在理论上已证明 ,只要满足 Mercer 条件的 函数都可选为核函数 ,但不同的核函数 ,其分类器的 性能完全不同。因此 ,针对某一特定问题 ,核函数的 类型选择是至关重要的。 实验中选择 3 种不同的核函数 线性核函数 : K( x , xi ) = x ·xi , (8) 　　多项式核函数 : K( x , xi ) = [ ( x ·xi ) + 1 ] d , (9) 　　径向基函数 : K( x , xi ) = exp - x - xi 2 δ2 , (10) 其中多项式核函数的阶数选择 d = 2 , 3 , 4 三种情 况 ,实现了 5 种不同核函数的 SVM 分类器。 5 　实验方法和结果 5 . 1 　新生儿表情图像的采集 由于外界刺激的不同会导致新生儿面部表情的 变化 ,如何选取不同的外界刺激来促使新生儿表情 变化是实验方法设计上需要考虑的关键环节之一。 发现将新生儿从一个婴儿床搬移到另一个婴儿床 时 ,也会刺激他哭 ,所以 ,在实验中采取这种外界刺 激引起哭 ,采集哭时的表情图像 ,作为与疼痛引起的 面部表情进行分类识别的一类样本。根据课题的要 求 ,对 3 种不同状态下新生儿的表情进行拍摄照相。 1)安静 :新生儿处于安静状态的表情。 2)哭 :将新生儿从一个婴儿床搬移到另一个婴 儿床 ,产生新生儿哭的表情。 3)疼痛 :肌肉注射 (疫苗接种)与足跟采血 (代谢 性疾病的筛查)时新生儿表现出的非常疼痛的表情。 在医护人员对新生儿洗澡、打预防针和采血的 过程中拍摄一系列照片 ,随机选取 57 个新生儿 (30 个男孩 ,27 个女孩) 在不同状态下的 510 幅表情图 像用于实验 ,其中 160 幅疼痛表情的照片 ,170 幅安 静状态下的照片 ,180 幅哭时的表情照片。 5 . 2 　实验流程 整个实验的流程包括预处理、特征提取与选择 和分类识别三个部分。 1)预处理 :对 2592 pixel ×1944 pixel 的原始彩 色图像进行裁剪、旋转、尺度归一化和灰度均衡处 2112 11 期 卢官明等 : 　新生儿疼痛面部表情识别方法的研究 理 ,变为 112 pixel ×92 pixel 的归一化灰度图像。 2)特征提取与选择 :先用 Gabor 变换对归一化 后的表情图像进行特征提取 ,然后采用 AdaBoost 算法从 412160 个原始 Gabor 特征中选出 900 个最 能区分各类样本的特征。 3)分类识别 :采用 SVM 分类器对特征向量进 行分类。将所有样本的特征向量进行化 ,使特 征向量的数值在一定的范围内 ;再将已规范化处理 后的训练样本数据作为 SVM 训练器的输入 ,得到 一个模型文件。该模型文件中记录了训练时使用的 核函数类型及其参量值、支持向量及其数量、计算出 的拉格朗日乘子的数值、判决函数的值 ;最后将训练 器得到的模型文件与已经过规范化处理后的测试样 本数据作为预测器的输入 ,通过 SVM 预测器得到 测试样本的预测值 (类标号)及识别率。 5 . 3 　交叉验证 由于面部表情数据库中的照片数量有限 ,所以 实验中采用交叉验证技术。其实验步骤为 : 1)首先将要分类识别的两类样本 (如疼痛与安 静表情图像 ,疼痛与哭表情图像)各随机分成 10 份 ; 2)第 1 份用作测试样本 ,其余的 9 份用作训练 样本 ,对分类器进行训练后 ,测试得到识别率 ; 3)第 2 份用作测试样本 ,其余的 9 份用作训练 样本 ,对分类器进行训练后 ,测试得到识别率 ;以此 类推 ,共进行 10 次实验 ,得到每次实验的识别率 ; (4)对 10 次实验所得的识别率进行统计平均 , 得到最终的识别率。 5 . 4 　实验结果 共进行 3 个实验。实验 1 是对疼痛和非疼痛的 表情进行分类识别 ,将所有表情图像样本集分为两 类 :疼痛和非疼痛。非疼痛样本集由 170 幅安静状 态下的照片和 180 幅哭时的表情照片组成 ,共 350 幅照片 ;实验 2 是对疼痛和安静状态下的表情进行 分类识别 ;实验 3 是对疼痛和哭时的表情进行分类 识别。实验中 ,采用 5 种不同核函数的 SVM 分类 器。每一种分类器进行 10 次交叉验证实验 ,最后算 得其平均识别率。 表 1 给出疼痛对非疼痛、疼痛对安静、疼痛对哭 表情的分类识别率。从中可看出 ,多项式核函数阶 数 d = 3 的 SVM 分类器平均识别率最高。 表 1 分类识别率 Table 1 Classification recognition rates Pain versus calm Pain versus cry Pain versus non2pain Support vector machine with linear kernel 90. 30 % 72. 94 % 83. 73 % Support vector machine with polynomial kernel ( d = 2) 92. 72 % 75. 88 % 82. 75 % Support vector machine with polynomial kernel ( d = 3) 94. 24 % 78. 24 % 85. 29 % Support vector machine with polynomial kernel ( d = 4) 92. 12 % 75. 29 % 82. 16 % Support vector machine with radial basis function kernel 89. 70 % 71. 47 % 78. 24 % 6 　结　　论 针对新生儿的疼痛与非疼痛表情识别 ,提出了 将 Gabor 特征提取、AdaBoost 特征选择和支持向量 机相结合的分类识别方法。该方法利用了对面部表 情具有良好表征能力的 Gabor 特征 , 并采用 AdaBoost 算法选择出最重要的特征 ,在降低特征维 数的同时提高了特征向量的可区分度 ,然后运用 SVM 分类器进行表情识别。在对 510 幅新生儿的 表情图像进行测试实验中 ,比较了线性核函数 SVM、多项式核函数 SVM ( d = 2 ,3 ,4)以及径向基函 数 SVM 等 5 种不同分类器的性能。实验结果表明 , 阶数 d = 3 的多项式核函数 SVM 分类器的性能最佳 , 对疼痛和非疼痛表情分类的识别率达到85. 29 % ,对 疼痛与安静表情的分类识别率达到 94. 24 % ,对疼痛 与哭表情的分类识别率达到 78. 24 % ,初步具备了在 新生儿疼痛评估中的潜在应用价值。 参 考 文 献 1 Rut h E. Grunau , Liisa Holsti , J eroen W. B. Peters. Long2term consequences of pain in human neonates[J ] . Seminars in Fetal & Neonatal Medicine , 2006 , 11 : 268～275 2 K. J . S. Anada , V. Coskun , K. V. Thrivikraman et al . . Long2 term behavioral effect s of repetitive pain in neonatal rat pups[J ] . Physiology & B ehavior , 1999 , 66 (4) : 627～637 3 Michael S. Lidow. Long2term effect s of neonatal pain on nociceptive systems[J ] . Pain , 2002 , 99 : 377～383 4 Pat Hummel , Monique van Dijk. Pain assessment : current status and challenges [ J ] . Seminars in Fetal & N eonatal Medicine , 2006 , 11 : 237～245 5 Huda Huijer Abu2Saad , Gerrie J . J . W. Bours , Bonnie Stevens et al . . Assessment of pain in t he neonate [ J ] . Seminars in Perinatology , 1998 , 22 (5) : 402～416 6 Linda Sturla Franck , Christine Miaskowski. Measurement of neonatal responses to painful stimuli a research review [ J ] . J . Pain and S y m ptom M anagement , 1997 , 14 (6) : 343～378 7 Lenora J . Duhn , J ennifer M. Medves. A systematic integrative review of infant pain assessment tools[J ] . A dvances in N eonatal 3112 光 　　　学 　　　学 　　　报 28 卷 Care , 2004 , 4 (3) : 126～140 8 Suzanne Brown , Fiona Timmins. An exploration of nurses′ knowledge of , and attitudes towards , pain recognition and management in neonates [ J ] . J . Neonatal N ursing , 2005 , 11 : 65～71 9 B. Fasel , J uergen L uettin. Automatic facial expression analysis : a survey[J ] . Pattern Recognition , 2003 , 36 (1) : 259～275 10 Fadi Dornaika , Bogdan Raducanu. Inferring facial expressions f rom videos : Tool and application[J ] . Si gnal Processing : Image Communication , 2007 , 22 (9) : 769～784 11 T. Xiang , M. K. H. Leung , S. Y. Cho. Expression recognition using fuzzy spatio2temporal modeling [ J ] . Pattern Recognition , 2008 , 41 (1) : 204～216 12 Irene Kot sia , Ioannis Pitas. Facial expression recognition in image sequences using geomet ric deformation features and support vector machines [ C ] . I E E E T ransact ions on I mage Processing , 2007 , 16 (1) : 172～187 13 N. Sebe , M. S. Lew , Y. Sun et al . . Aut hentic facial expression analysis[J ] . Image and V ision Com puting , 2007 , 25 (12) : 1856 ～1863 14 J un Wang , Lijun Yin. Static topographic modeling for facial expression recognition and analysis [ J ] . Com puter V ision and I mage Understanding , 2007 , 108 (1～2) : 19～34 15 Takeo Kanade , Jeff rey F. Cohn , Yingli Tian. Comprehensive database for facial expression analysis [ C ] . I E E E I nternational Conf erence on A utomatic Face and Gesture Recognition , Grenoble , France , 2000. 46～53 16 Ying2li Tian , Takeo Kanade , J eff rey F. Cohn. Recognizing action unit s for facial expression analysis[ C] . I E E E T ransact ions on Pattern A nal ysis and M achine I ntel li gence , 2001 , 23 (2) : 97 ～115 17 Michael Lyons , Shigeru Akamat su , Miyuki Kamachi et al . . Coding facial expressions wit h Gabor wavelet s [ C ] . I E E E I nternational Conf erence on A utomatic Face and Gesture Recognition , 1998 , A (1416) . 200～205 18 Paul Ekman , Wallace V. Friesen. Facial A ction Coding S ystem : A Technique f or the Measurement of Facial Movement [ M ] . Palo Alto , Calif . : Consulting Psychologist s Press , 1978 19 Sheryl Brahnam , Chao2Fa Chuang , Randall S. Sexton et al . . Machine assessment of neonatal facial expressions of acute pain [J ] . Decision S up port S ystems , 2007 , 43 (4) : 1242～1254 20 Chengjun Liu , Harry Wechsler . Gabor feature based classification using t he enhanced fisher linear discriminant model for face recognition [ J ] . I E E E T ransactions on I mage Processing , 2002 , 11 (4) : 467～476 21 Yoav Freund , Robert E. Schapire. A decision2t heoretic generalization of on2line learning and an application to boosting [J ] . J . Com puter and S ystem Sciences , 1997 , 55 (1) : 119～139 22 Linlin Shen , Li Bai. Mutualboost learning for selecting Gabor features for face recognition [ J ] . Pattern Recognition L etters , 2006 , 27 (15) : 1758～1767 23 Chen Quansheng , Zhao Jiewen , Zhang Haidong. Identification of aut he nticity of tea wit h near inf rared spect roscopy based on support vector machine[J ] . Acta Optica S inica , 2006 , 26 (6) : 933～937 　陈全胜 , 赵杰文 , 张海东. 基于支持向量机的近红外光谱鉴别茶 叶的真伪[J ] . 光学学报 , 2006 , 26 (6) : 933～937 24 Ye Meiying , Wang Xiaodong. Identification of chaotic optical system based on support vector machine[J ] . Acta Optica S inica , 2004 , 24 (7) : 953～956 　叶美盈 , 汪晓东. 混沌光学系统辨识的支持向量机方法 [J ] . 光 学学报 , 2004 , 24 (7) : 953～956 25 Li Sumei , Han Yingzhe , Zhang Yanxin. Recognition of nonlinear fluorescence spect rum of support vector machine networks[J ] . Acta O ptica S inica , 2006 , 26 (1) : 147～151 　李素梅 , 韩应哲 , 张延　. 基于支持向量机的非线性荧光光谱的 识别[J ] . 光学学报 , 2006 , 26 (1) : 147～151 4112