一种用于移动设备的病患疼痛检测方法及系统与流程

本发明涉及医疗检测领域，特别是涉及一种用于移动设备的病患疼痛检测方法及系统。

背景技术：

疼痛是一种令人不愉快的主观感受和情绪上的体验。国际疼痛协会将其定义为：一种不愉快的情感体验，伴或不伴有实际或潜在的组织损伤。调查显示，疼痛是住院患者需要解决的最重要的症状之一。评估是控制疼痛的第一步，正确地评估疼痛对于有效降低疼痛感具有重要的意义。相同的人在不同时间和不同情绪状态下对疼痛的感受有差别，而不同的人在同样性质的躯体损伤和疼痛措施处理下，疼痛感受亦有很大差别。目前疼痛检测的主要方式是纯主观性的判断，即通过诊断医生询问的方式，由病人口述判断疼痛。这种方法存在很大的缺陷是主观性较强，如果病人对于疼痛的评级方式不清晰或者判断标准不明确，就可能存在疼痛等级的无法评估，导致医生诊断出现差错，延误病情的治疗。现有技术检测疼痛的方法主要有纸盘检测疼痛法、大型医疗设备检测法等。

一、纸盘检测疼痛法

恰当的疼痛管理能显著提升患者自我感觉，产生积极的治疗作用，而使用有效的工具评估疼痛可以简化疼痛管理的过程。近年来在国内外的医疗工作中对疼痛的评估与处理备受重视，许多临床科室设计了专用于记录疼痛的表格，将疼痛作为第五大生命体征进行监测管理，并绘制疼痛级别曲线图，以期更直观、准确地为患者提供疼痛控制信息。视觉模拟量表检测法就是其中之一。

视觉模拟量表检测疼痛是一条0～100mm的直线量尺，0表示无痛，100表示剧痛。使用时由患者将疼痛感受标记在直线上，线左端至患者所画竖线之间的距离即为该患者主观上的疼痛强度。通常用来描述患者当前或者过去24h内的疼痛强度。目前已经有了多种改良版本，比如在量尺上增加可以自由滑动的游标和将量尺设置成竖直形式以便于卧床患者应用，以及将视觉模拟量表与其他的评估工具融合为一种测量工具等。视觉模拟量表具有简单、快速、方便操作等特点，被广泛应用于临床。

虽然视觉模拟量表的测量方法简单有效，但需要患者具有较好的抽象思维，用笔做标记线时需要必要的感知觉能力及运动协调能力，应用于老年人时应答率较低。因此，视觉模拟量表不适合应用于受教育程度较低或有认知损害者的疼痛评估。

二、大型医疗设备检测法

电子触觉测量仪(e-VF)用于评估病人过敏症疼痛。医生可以自行调节刺激频率，产生测试结果，进行后续观察及治疗。由于该设备无法自动记录病人受刺激时间和刺激强度，且测试需要大量数据来进行系统分析，需经过多次试验，测试时间较长，需专人进行长时间的测试与观察。另外，该测量仪刺激频率难以调节和控制，故该设备操作需要具备专业知识的人员进行操作和使用。

PAM是测量机械痛阈的新型工具，是专为关节炎研究设计的，特别适合用于人类膝或足踝关节的疼痛评估；此外，配备一个爪压力传感器后，该仪器也可用于人类四肢的痛觉研究。PAM是特别为关节疼痛的机械刺激和评估而设计的，它直接应用了一个被量化的力，且直接读出受试病人的反应。该仪器的主要缺点是仪器价格比较昂贵，一般的中小型医疗机构无法负担和进行采购。另外此机器的操作评估方法比较繁杂，需要具备专门知识的人员进行操作。另外，疼痛检测和评估的工作工程比较冗杂和繁琐，一次评估往往要经过1-2天的分析才能获得评估结果，评估时间长评估效率低。

综上所述，目前疼痛检测存在因病人无法清楚表示身体疼痛导致医生误判而延误病情的情况，而现有一些检测方法也因抽象且要求病人具有一定受教育程度而难以检测出准确结果，若采用专业仪器进行测量则价格高昂，操作繁琐，效率低下。因此需要一个方便快捷且高效的实用技术来进行疼痛检测。

技术实现要素：

本发明的一个目的是要提供一种用于移动设备的病患疼痛检测方法及系统，以获得一个方便快捷且高效的标准化方法来进行疼痛检测。

特别地，本发明提供了一种用于移动设备的病患疼痛检测方法，所述移动设备运行包含所述疼痛检测方法的疼痛检测系统，以在所述移动设备上输出标准疼痛等级，所述疼痛检测方法包括以下步骤：

S1：收集患者的面部图片和自述疼痛等级；

S2a：将收集的面部图片调整为标准化图片；

S3a：提取所述标准化图片中的预定特征个数的特征算子，所述特征算子以其在疼痛等级判断中位序的优先级为提取顺序，其中，先提取优先级高的特征算子；

S4a：根据所述预定特征个数的特征算子，利用卷积神经网络算法，计算初始疼痛等级；

S5a：判断所述自述疼痛等级和所述初始疼痛等级的差值，若所述差值的绝对值在预设偏差范围内，则输出所述初始疼痛等级；若所述差值的绝对值超过预设偏差范围，则返回S3a重新提取所述预定特征个数的特征算子。

进一步地，在输出所述初始疼痛等级后，所述疼痛检测方法还包括以下步骤：

S6a：医师录入临床指标数据；

S7a：综合所述临床指标数据和所述初始疼痛等级，以得到所述患者的标准疼痛等级。

进一步地，所述特征算子在疼痛等级判断中位序的优先级排列，

需要给定m维空间R^m，有m维子空间s(X1,X2,…,Xm)，X取值为(1,2,…,k)，对空间s中的任意一个点X(X1,X2,…,Xm)，令f(x)∈N⁺，则可生成跟空间s相关的m维矩阵Me,矩阵的每一个值等于f(x)；

其中：m为核关联系数；

k为训练时设定的cnn算法核参数；

f(x)表示针对该排列组合的特征下，能够区分测试样本的个数，其计算公式如下：

其中，s为测试样本集；

表示对于测试样本验证运算符，其定义如下：

yx表示卷积神经网络对应所述面部图片的输出，yⁿ为测试所述面部图片的正确值。

进一步地，在S1之后，分别进行S2a和人脸识别步骤，所述人脸识别步骤包括：

S2b：对所述面部图片进行人脸识别，输出人脸识别结果；

S3b：根据所述人脸识别结果，判断数据库中是否存在属于所述患者的档案，若不存在档案，则进行S4b；若存在档案，则进行S8；

S4b：在所述数据库中创建属于所述患者的档案，然后进行S8；

S8：将S5a获得的所述初始疼痛等级和S7a获得的所述标准疼痛等级保存在属于所述患者的档案中。

进一步地，所述标准化图片为128*128像素的图片。

进一步地，所述预定特征个数为128个。

根据本发明提供的另一种方法，其公开了一种移动设备的病患疼痛检测系统，所述移动设备运行包含疼痛检测方法的疼痛检测系统，以在所述移动设备上输出疼痛等级，所述疼痛系统包括：

数据库，用于存储、查询、创建患者的档案；

图像获取单元，用于拍摄患者面部图片；

输入单元，用于医师或患者输入自述疼痛等级和临床指标数据；

人脸识别单元，用于对所述面部图片进行人脸识别，输出人脸识别结果；

检测单元，用于根据所述疼痛检测方法计算并输出初始疼痛等级；

其中，在所述数据库中查找具有所述人脸识别结果的患者档案，

在不存在属于所述患者档案的情况下，所述数据库为所述患者创建档案，然后将所述检测单元输出的所述初始疼痛等级保存至所述患者档案；

在存在属于所述患者档案的情况下，所述数据库将所述检测单元输出的所述初始疼痛等级保存至所述患者档案。

进一步地，所述检测单元还用于综合所述临床指标数据和所述初始疼痛等级，然后得到所述患者的标准疼痛等级。

本发明的病患疼痛检测方法由于根据特征算子以其在疼痛等级判断中位序的优先级为提取顺序，优先级高则先提取，因此优先和最大限度更新和训练重要特征的算子，减少和不更新不重要的算子，从而加大了重点特征算子的权重。而因为传统的卷积神经网络(Convolutional Neural Networks，CNN)算法不仅在训练时需要较高的机器配置核参数空间，并且随着深度增加，其参数所占用的空间会逐渐的增大，而针对小型的移动设备，其内存核算力有限，需要在保证精度的情况下降低资源占用。本发明采用特征算法的提取顺序和权重，能够降低由CNN深度增加带来的资源占用增加的问题，从而适用于便携的移动设备。

进一步地，本发明的疼痛检测方法使用非问答式交互，能够降低由于医护人员经验不足带来的主观性问题。

进一步地，本发明的疼痛检测方法结合了人脸识别技术，自动汇聚老人的历史档案信息，方便查询和追踪。

根据下文结合附图对本发明具体实施例的详细描述，本领域技术人员将会更加明了本发明的上述以及其他目的、优点和特征。

附图说明

后文将参照附图以示例性而非限制性的方式详细描述本发明的一些具体实施例。附图中相同的附图标记标示了相同或类似的部件或部分。本领域技术人员应该理解，这些附图未必是按比例绘制的。附图中：

图1是根据本发明一个实施例的病患疼痛检测方法的流程图；

图2是本发明的疼痛检测方法中改进的CNN算法流程图。

具体实施方式

本申请通过对传统的疼痛检测和识别方法进行研究，发明了可以运行在移动设备上通过识别人类面部表情进行疼痛检测的方法。

本文的主要研究内容是如何使得识别人类面部表情进行检测疼痛的这个过程移动智能设备化。移动智能设备，一般指包含智能手机在内的小型计算机设备，具有小型，计算能力受限，存储能力受限的特点。传统的表情处理和检测方法，需要较高的计算能力和存储要求，无法在移动智能设备中正常运行。因此本文对传统的表情处理和检测方法进行了改进，通过实验进行模型训练，并集成到了应用中。

本发明公开了一种移动设备的病患疼痛检测系统，所述移动设备运行包含疼痛检测方法的疼痛检测系统，以在所述移动设备上输出疼痛等级，所述疼痛系统包括：数据库、图像获取单元、输入单元、人脸识别单元、检测单元。

数据库用于存储、查询、创建患者的档案，能够查询患者历史档案，创建新患者的新档案，依据人脸识别结果查询与其对应的患者。图像获取单元用于拍摄患者面部图片，从而将面部图片传输至人脸识别单元和检测单元进行运算。输入单元能够接收外界的数据输入，用于医师或患者输入自述疼痛等级和临床指标数据。其中，临床指标数据均取自医学规定的标准数据。

检测单元用于根据所述疼痛检测方法计算并输出初始疼痛等级，其中，疼痛检测方法在后文具体解释。初始疼痛等级采用和标准疼痛等级的单位相同。检测单元还用于综合所述临床指标数据和所述初始疼痛等级，然后得到所述患者的标准疼痛等级。

人脸识别是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部识别的一系列相关技术，通常也叫做人像识别、面部识别。人脸识别单元用于对患者的面部图片进行人脸识别，输出人脸识别结果，从而便于从数据库中调取或者创建患者档案。

在所述数据库中查找具有所述人脸识别结果的患者档案，在不存在属于所述患者档案的情况下，所述数据库为所述患者创建档案，然后将所述检测单元输出的所述初始疼痛等级保存至所述患者档案。在存在属于所述患者档案的情况下，所述数据库将所述检测单元输出的所述初始疼痛等级保存至所述患者档案。

根据本发明的另一个方面，还提供了一种用于移动设备的病患疼痛检测方法，所述移动设备运行包含所述疼痛检测方法的疼痛检测系统，以在所述移动设备上输出标准疼痛等级。标准疼痛等级的级数可以由数字或者字母或者符号来体现。

如图1所示，首先需要对面部拍照收集患者的面部图片，拍照要求把整个面部全部录入进去，且需要光线良好。其次，需要对患者询问，使得患者自述疼痛等级，并输入所述疼痛检测方法在S1后主要分为两个主流程，其中一个主流程为数据化疼痛等级，另一个主流程为人脸识别患者的身份以及调取或创建档案。

数据化疼痛等级主要包括以下步骤S2a、S3a、S4a、S5a、S6a、S7a。

S2a：将收集的面部图片调整为标准化图片。

在一个可行的实施例中，S2a是为了处理方便，把图片调整成128*128的图片。图片的像素大小可以根据数据处理需要和清晰度需求调整。数据库拥有不同患者的面部表情，并把患者疼痛的自述信息，相关的用药信息和患者病历信息一同汇聚到该数据库中。因此，本发明能够结合人脸识别技术，自动汇聚老人的历史信息，方便查询和追踪。

S3a：提取所述标准化图片中的预定特征个数的特征算子，所述特征算子以其在疼痛等级判断中位序的优先级为提取顺序，其中，先提取优先级高的特征算子。

在一个可行的实施例中，可以预设S3a的特征个数为128个或者任意需要的特征个数。特征个数的数量与运算量相关，数量越大运算量越大，越不适合移动设备。因此，需要在特征个数和运算量之间取得一个相对平衡的数值。特征算子的提取顺序为其在疼痛等级判断中位序的优先级，优先级越高则越先提取，且其在疼痛等级结果中所占权重越大。因为，传统的卷积神经网络CNN算法不仅在训练时需要较高的机器配置核参数空间，并且随着深度增加，其参数所占用的空间会逐渐的增大，而针对小型的移动设备，其内存核算力有限，需要在保证精度的情况下降低资源占用。本发明采用特征算法的提取顺序和权重，能够降低由CNN深度增加带来的资源占用增加的问题，从而适用于便携的移动设备。

图2显示了本发明特征算子权重变化的算法要点。传统的特征算子(也就是卷积核)是没有位序关系的，而且它们之间没有关系。本发明通过图2的流程以及公式(1)、(2)所衍生的算法，能够在这些特征算子中建立了位序和重要度关系。本发明使用相关重要性矩阵Me进行衡量，通过使用Me操作后，能够让CNN反向传播时，优先和最大限度更新和训练重要的特征算子，减少和不更新不重要的特征算子。其最终形成的卷积核中，有一部分卷积核已经变成了0，从而在保证精度的情况下降低资源占用。

所述特征算子在疼痛等级判断中位序的优先级排列，需要给定m维空间R^m，有m维子空间s(X1,X2,…,Xm)，X取值为(1,2,…,k)，对空间s中的任意一个点X(X1,X2,…,Xm)，令f(x)∈N⁺，则可生成跟空间s相关的m维矩阵Me,矩阵的每一个值等于f(x)；

其中：m为核关联系数；

k为训练时设定的cnn算法核参数；

f(x)表示针对该排列组合的特征下，能够区分测试样本的个数，其计算公式如下：

其中，s为测试样本集；

表示对于测试样本验证运算符，其定义如下：

其中，yx表示卷积神经网络对应所述面部图片的输出，yⁿ为测试所述面部图片的正确值。

因此，根据上述公式能够衍生出两个算法。算法1中首先进行了CNN模型的构建核训练，然后进行Me矩阵的构建。算法2中，对于Me矩阵，需要调整CNN的核数，我们使用能够正确区分测试样本m的核数作为实际工程中使用的参数。

算法1：s

算法2

S4a：根据所述预定特征个数的特征算子，利用卷积神经网络算法，计算初始疼痛等级。

S5a：判断所述自述疼痛等级和所述初始疼痛等级的差值，若所述差值的绝对值在预设偏差范围内，则输出所述初始疼痛等级；若所述差值的绝对值超过预设偏差范围，则返回S3a重新提取所述预定特征个数的特征算子。

预设偏差范围是为了避免自述疼痛等级和初始疼痛等级差距过大。只有在自述疼痛等级和所述初始疼痛等级基本不偏离的时候，系统才会自动继续计算。否则，当自述疼痛等级和所述初始疼痛等级相差太大，要么疼痛检测方法的数据库还需要再进行深度学习；要么需要医师根据实际情况进行分析，并将分析结果反馈会数据库的学习中。

S6a：医师录入临床指标数据。临床指标数据均取自医学规定的标准数据。

S7a：综合所述临床指标数据和所述初始疼痛等级，以得到所述患者的标准疼痛等级。标准疼痛等级也就是本发明根据面部图片所得出的最终疼痛检测结果。

人脸识别患者的身份以及调取或创建档案主要包括以下步骤S2b、S3b、S4b。

S2b：对所述面部图片进行人脸识别，输出人脸识别结果。

人脸识别是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部识别的一系列相关技术，通常也叫做人像识别、面部识别。人脸识别单元用于对患者的面部图片进行人脸识别，输出人脸识别结果，从而便于从数据库中调取或者创建患者档案。

S3b：根据所述人脸识别结果，判断数据库中是否存在属于所述患者的档案，若不存在档案，则进行S4b；若存在档案，则进行S8。

在所述数据库中查找具有所述人脸识别结果的患者档案，在不存在属于所述患者档案的情况下，所述数据库为所述患者创建档案，然后将所述检测单元输出的所述初始疼痛等级保存至所述患者档案。在存在属于所述患者档案的情况下，所述数据库将所述检测单元输出的所述初始疼痛等级保存至所述患者档案。

S4b：在所述数据库中创建属于所述患者的档案，然后进行S8。

最终，在S1后分出的两个主流程，在S8中重新汇集，也就是将S5a获得的所述初始疼痛等级和S7a获得的所述标准疼痛等级保存在属于所述患者的档案中。

综上，本发明针对病患语言表达能力低、行为能力降低，无法清楚表示身体疼痛的场景，研究出能够快速检测疼痛的方法，综合利用人脸识别技术、移动端技术，人脸微表情技术，可以通过便携的移动终端快速检测患者的疼痛情况。

至此，本领域技术人员应认识到，虽然本文已详尽示出和描述了本发明的多个示例性实施例，但是，在不脱离本发明精神和范围的情况下，仍可根据本发明公开的内容直接确定或推导出符合本发明原理的许多其他变型或修改。因此，本发明的范围应被理解和认定为覆盖了所有这些其他变型或修改。