基于疼痛关联性矫正模型的大鼠面部疼痛识别方法及系统

本发明涉及图像识别技术，尤其涉及一种基于疼痛关联性矫正模型的大鼠面部疼痛识别方法及系统。

背景技术：

1、大鼠是一种运用广泛的实验动物，对生物学以及医学的发展做出了重大贡献。在许多使用大鼠的实验中，例如镇痛药的临床前动物实验，对大鼠进行疼痛评估是必不可少的一步。然而，大鼠的疼痛评估十分困难。大鼠无法通过语言表达情感，很难对疼痛程度直接地进行反馈。面对这些问题，研究人员已经意识到对大鼠进行疼痛评估的重要性，并在过去的几十年中开发了许多有用的解决方法。

2、行为学观察法是目前评估大鼠疼痛的主要方法。其大致可分为两类：诱发痛行为评估法与自发痛行为评估法。von frey测试是一种广泛使用的诱发痛行为评估法，用于对包括大鼠在内的各种实验动物，进行疼痛评估。在von frey测试中，需要将一组经过校准的von frey纤维丝刺激实验动物的特定部位，例如大鼠的脚掌，直到纤维丝稍微弯曲，此时纤维丝产生标准化的压力。通过观察实验动物行为，例如大鼠缩回脚掌，可以得到实验动物对应的疼痛阈值，进而得到实验动物的疼痛程度。尽管von frey测试是一种常用且快速的大鼠疼痛评估方法，但是这种方法依赖实验动物对侵入性刺激诱导的疼痛反应，这引起了对实验动物福利的关注。而在自发痛行为评估法中，转轮跑步法是一种非侵入性、客观的大鼠疼痛评估方法。在转轮跑步法中，需要持续定期监测大鼠的转轮跑步行为。大鼠的转轮跑步行为减少，例如跑步距离、跑步速度和在跑轮上的时间，可能表明大鼠存在疼痛。然而，与其他的自发痛行为评估法相似，转轮跑步法十分费时，在准备工作中需要对大鼠进行至少一周的训练，使大鼠能够在转轮上跑步，这一缺陷无疑阻碍了对大鼠疼痛进行及时的识别。

3、近年来，研究人员试图研究是否可以在非侵入的情况下，短时间内对大鼠疼痛进行准确有效的识别。sotocinal等人在人类面部动作单位与疼痛表情间关系的启发下，开发了一种大鼠疼痛评估工具，称为大鼠鬼脸量表(rat grimace scale,rgs)。该工具通过对大鼠面部表情进行编码来量化大鼠的自发疼痛，并已证明其有效性和便利性。但是该方法需要人工识别，耗时耗力，不具备自动识别性能。

技术实现思路

1、发明目的：本发明针对现有技术存在的问题，提供一种可以自动识别大鼠疼痛的基于疼痛关联性矫正模型的大鼠面部疼痛识别方法及系统。

2、技术方案：本发明所述的基于疼痛关联性矫正模型的大鼠面部疼痛识别方法包括如下步骤：

3、(1)获取包括若干大鼠面部图像和对应标识大鼠疼痛与否的标签的大鼠面部图像数据库；

4、(2)构建疼痛关联性权重深度学习模型，所述模型包括：

5、面部局部特征提取模块，用于从大鼠面部图像中提取若干原始面部局部特征；

6、面部特征加权融合模块，用于根据每个原始面部局部特征进行疼痛关联性权重度量，并基于疼痛关联性权重将属于同一大鼠面部图像的所有原始面部局部特征进行加权融合，得到加权面部融合特征；

7、疼痛识别模块，用于根据加权面部融合特征识别大鼠疼痛与否；

8、(3)将大鼠面部图像数据库的每一大鼠面部图像和对应标签作为一个样本，输入所述疼痛关联性权重深度学习模型进行训练；

9、(4)将待识别的大鼠面部图像输入训练好的疼痛关联性权重深度学习模型，识别大鼠面部疼痛与否。

10、进一步的，所述面部局部特征提取模块具体包括：

11、特征提取单元，包括若干依次连接的卷积层，用于基于图像提取面部特征；

12、维度变更单元，用于改变面部特征的维度，得到若干原始面部局部特征：

13、[xi,1,…,xi,k]＝reshape(f(χi),[k,dx])

14、式中，xi,j表示属于第i个大鼠面部图像的第j个原始面部局部特征，表示从第i个大鼠面部图像χi中提取的面部特征，dx表示原始面部局部特征的维度，reshape(·)表示将f(χi)变为dx×k的矩阵，k为原始面部局部特征数量。

15、进一步的，所述面部特征加权融合模块具体包括：

16、疼痛关联性权重度量单元，具体为依次相连接的全连接层和sigmoid激活函数，用于从每一原始面部局部特征中提取与疼痛相关联的疼痛关联性权重：

17、归一化单元，用于将疼痛关联性权重进行归一化；

18、加权融合单元，用于将属于同一大鼠面部图像的所有原始面部局部特征加权融合为一个加权面部融合特征：

19、

20、式中，xi表示第i个大鼠面部图像的加权面部融合特征，βi,j表示属于第i个大鼠面部图像的第j个原始面部局部特征在归一化后的疼痛关联性权重，xi,j表示属于第i个大鼠面部图像的第j个原始面部局部特征。

21、进一步的，所述疼痛识别模块包括依次连接的全连接层和softmax层。

22、进一步的，所述疼痛关联性权重深度学习模型训练时采用的损失函数为：

23、

24、

25、

26、式中，表示总损失函数，n表示大鼠面部图像数据库中大鼠面部图像数量，为任一大鼠面部图像的权重矫正损失函数，δ表示预设疼痛关联性权重间隔，将归一化后疼痛关联性权重中值最大的kh个定义为高疼痛关联性权重，其余定义为低疼痛关联性权重，表示第i个大鼠面部图像的第j个高疼痛关联性权重，表示低疼痛关联性权重的平均值，λ表示权衡系数，表示疼痛识别模块的损失函数，表示交叉熵函数，表示第i大鼠面部图像的标签和疼痛关联性权重深度学习模型识别的疼痛与否结果。

27、本发明所述的基于疼痛关联性矫正模型的大鼠面部疼痛识别系统，包括：

28、数据库获取子系统，用于获取包括若干大鼠面部图像和对应标识大鼠疼痛与否的标签的大鼠面部图像数据库；

29、模型构建子系统，用于构建疼痛关联性权重深度学习模型，所述模型包括：

30、面部局部特征提取模块，用于从大鼠面部图像中提取若干原始面部局部特征；

31、面部特征加权融合模块，用于根据每个原始面部局部特征进行疼痛关联性权重度量，并基于疼痛关联性权重将属于同一大鼠面部图像的所有原始面部局部特征进行加权融合，得到加权面部融合特征；

32、疼痛识别模块，用于根据加权面部融合特征识别大鼠疼痛与否；

33、模型训练子系统，用于将大鼠面部图像数据库的每一大鼠面部图像和对应标签作为一个样本，输入所述疼痛关联性权重深度学习模型进行训练；

34、疼痛识别子系统，用于将待识别的大鼠面部图像输入训练好的疼痛关联性权重深度学习模型，识别大鼠面部疼痛与否。

35、进一步的，所述面部局部特征提取模块具体包括：

36、大鼠面部图像特征提取单元，包括若干依次连接的卷积层，用于从大鼠面部图像中提取面部特征；

37、维度变更单元，用于改变面部特征的维度，得到若干原始面部局部特征：

38、[xi,1,…,xi,k]＝reshape(f(χi),[k,dx])

39、式中，xi,j表示属于第i个大鼠面部图像的第j个原始面部局部特征，表示从第i个大鼠面部图像χi中提取的面部特征，dx表示原始面部局部特征的维度，reshape(·)表示将f(χi)变为dx×k的矩阵，k为原始面部局部特征数量。

40、进一步的，所述面部特征加权融合模块具体包括：

41、疼痛关联性权重度量单元，具体为依次相连接的全连接层和sigmoid激活函数，用于从每一原始面部局部特征中提取与疼痛相关联的疼痛关联性权重：

42、归一化单元，用于将疼痛关联性权重进行归一化；

43、加权融合单元，用于将属于同一大鼠面部图像的所有原始面部局部特征加权融合为一个加权面部融合特征：

44、

45、式中，xi表示第i个大鼠面部图像的加权面部融合特征，βi,j表示属于第i个大鼠面部图像的第j个原始面部局部特征在归一化后的疼痛关联性权重，xi,j表示属于第i个大鼠面部图像的第j个原始面部局部特征。

46、进一步的，所述疼痛识别模块包括依次连接的全连接层和softmax层。

47、进一步的，所述疼痛关联性权重深度学习模型训练时采用的损失函数为：

48、

49、

50、

51、式中，表示总损失函数，n表示大鼠面部图像数据库中大鼠面部图像数量，为任一大鼠面部图像的权重矫正损失函数，δ表示预设疼痛关联性权重间隔，将归一化后疼痛关联性权重中值最大的kh个定义为高疼痛关联性权重，其余定义为低疼痛关联性权重，表示第i个大鼠面部图像的第j个高疼痛关联性权重，表示低疼痛关联性权重的平均值，λ表示权衡系数，表示疼痛识别模块的损失函数，表示交叉熵函数，表示第i大鼠面部图像的标签和疼痛关联性权重深度学习模型识别的疼痛与否结果。

52、本发明与现有技术相比，其有益效果是：本发明在短时间内以非侵入的方式有效准确地进行大鼠疼痛识别，无须进行预训练大鼠等费时步骤，无须对大鼠进行侵入性刺激；对头部姿态动态变化鲁棒；评估准确率更高，自动化程度高。