CN111274953B - 一种根据表情判断疼痛的方法及*** - Google Patents
一种根据表情判断疼痛的方法及*** Download PDFInfo
- Publication number
- CN111274953B CN111274953B CN202010062448.1A CN202010062448A CN111274953B CN 111274953 B CN111274953 B CN 111274953B CN 202010062448 A CN202010062448 A CN 202010062448A CN 111274953 B CN111274953 B CN 111274953B
- Authority
- CN
- China
- Prior art keywords
- judged
- pain
- expression
- image
- face
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/174—Facial expression recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请公开了一种根据表情判断疼痛的方法及***,包括:获取待判断用户面部区域的多个基准表情图像;获取待判断用户面部区域的多个待判断表情图像;将基准表情图像和待判断表情图像输入至疼痛判断模型,得到疼痛判断结果。通过将基准表情图像和待判断表情图像输入至疼痛判断模型,得到疼痛判断结果,能够减小表情差异的影响。通过增加基准表情图像与待判断表情图像的时间维度信息,基于人脸表情变化的连贯性,表情变化的时序性获得疼痛判断结果,能够提高准确性,并减小个体差异性的影响。同时,通过获取与表情相关性最高的多个面部的局部区域,能够减小计算量,加快计算速度,减小对运算设备的性能要求,节约成本,减小干扰,提高结果准确性。
Description
技术领域
本申请涉及医疗器械领域,尤其涉及一种根据表情判断疼痛的方法及***。
背景技术
疼痛评估作为术后评估的一项重要工作,需要麻醉、疼痛医生花费大量时间;另外,疼痛更多的是一种主观感受,并且需要多年的经验积累才能评估得相对准确,年轻医生很难准确判定患者的疼痛情况。面部表情与疼痛具有强关联性,单算不同人群的表情差异较大。
因此,需要提供一种能够减小表情差异的影响且计算速度快的判断疼痛的方法及***。
发明内容
为解决以上问题,本申请提出了一种根据表情判断疼痛的方法及***。
一方面,本申请提出一种根据表情判断疼痛的方法,包括:
获取待判断用户面部区域的多个基准表情图像;
获取待判断用户面部区域的多个待判断表情图像;
将所述基准表情图像和所述待判断表情图像输入至疼痛判断模型,得到疼痛判断结果。
优选地,所述获取待判断用户面部区域的多个基准表情图像,包括:
采集所述待判断用户面部的基准表情图像;
采用高斯滤波方法对基准表情图像进行平滑去噪处理,得到第一图像;
使用五官定位方法调正第一图像中的人脸位置;
根据人脸检测方法,提取调正后的第一图像中面部多个区域的基准表情图像,得到多个基准表情图像。
优选地,所述获取待判断用户面部区域的多个待判断表情图像,包括:
采集所述待判断用户面部的待判断表情图像;
采用高斯滤波方法对待判断表情图像进行平滑去噪处理,得到第二图像;
使用五官定位方法调正第二图像中的人脸位置;
根据人脸检测方法,提取调正后的第二图像中,与多个所述基准表情图像对应的面部区域中的多个待判断表情图像。
优选地,所述采集所述待判断用户面部的待判断表情图像,包括:
实时采集所述待判断用户面部的待判断表情图像;
或周期性采集所述待判断用户面部的待判断表情图像。
优选地,所述将所述基准表情图像和所述待判断表情图像输入至疼痛判断模型,得到疼痛判断结果,包括:
输入多个所述基准表情图像至疼痛判断模型,进行卷积层运算、归一化运算和池化层运算,得到包括多个基准特征向量的基准特征向量集合;
输入多个所述待判断表情图像至疼痛判断模型,进行卷积层运算、归一化运算和池化层运算,得到包括多个待判断特征向量的待判断特征向量集合;
计算所述基准特征向量集合与待判断特征向量集合之间的差异度,得到包括各对应区域的差异度的差异度集合;
将所述差异度集合中的数据转换为一维数据后,依次输入至多个全连接层进行非线性转换,得到待输出数据;
将待输出数据输入至最后一个全连接层进行疼痛表情判断,得到疼痛判断结果并输出。
优选地,所述将待输出数据输入至最后一个全连接层进行疼痛表情判断,得到疼痛判断结果并输出,包括:
将待输出数据输入至最后一个全连接层,计算各疼痛等级对应的结果数值;
将最大的结果数值对应的疼痛等级作为疼痛判断结果并输出。
优选地,所述多个全连接层包括:除最后一个全连接层以外的所有全连接层。
优选地,在所述获取待判断用户面部多个区域的基准表情图像之前,还包括:
训练疼痛判断模型。
第二方面,本申请提出一种根据表情判断疼痛的***,包括:
数据获取模块,用于获取待判断用户面部区域的多个基准表情图像以及获取待判断用户面部区域的多个待判断表情图像;
判断模块,用于将所述基准表情图像和所述待判断表情图像输入至疼痛判断模型,得到疼痛判断结果。
优选地,所述判断模块具体用于,输入多个所述基准表情图像至疼痛判断模型,进行卷积层运算、归一化运算和池化层运算,得到包括多个基准特征向量的基准特征向量集合;输入多个所述待判断表情图像至疼痛判断模型,进行卷积层运算、归一化运算和池化层运算,得到包括多个待判断特征向量的待判断特征向量集合;计算所述基准特征向量集合与待判断特征向量集合之间的差异度,得到包括各对应区域的差异度的差异度集合;将所述差异度集合中的数据转换为一维数据后,依次输入至多个全连接层进行非线性转换,得到待输出数据;将待输出数据输入至最后一共全连接层进行疼痛表情判断,得到疼痛判断结果并输出。
本申请的优点在于:通过将基准表情图像和待判断表情图像输入至疼痛判断模型,得到疼痛判断结果,能够减小表情差异的影响,从一整幅图像中提取面部的多个局部区域,得到多个待判断表情图像,能够减小计算量,加快计算速度,还能够减小其他面部区域对计算结果的干扰,提高结果的准确性。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选事实方案的目的,而并不认为是对本申请的限制。而且在整个附图中,用同样的参考符号表示相同的部件。在附图中:
图1是本申请提供的一种根据表情判断疼痛的方法的步骤示意图;
图2是本申请提供的一种根据表情判断疼痛的方法的流程示意图;
图3是本申请提供的一种根据表情判断疼痛的***的示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施方式。虽然附图中显示了本公开的示例性实施方式,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反,提供这些实施方式是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
根据本申请的实施方式,提出一种根据表情判断疼痛的方法,如图1所示,该方法包括:包括:
S101,获取待判断用户面部区域的多个基准表情图像;
S102,获取待判断用户面部区域的多个待判断表情图像;
S103,将基准表情图像和待判断表情图像输入至疼痛判断模型,得到疼痛判断结果。
获取待判断用户面部区域的多个基准表情图像,包括:
采集待判断用户面部的基准表情图像;
采用高斯滤波方法对基准表情图像进行平滑去噪处理,得到第一图像;
使用五官定位方法调正第一图像中的人脸位置;
根据人脸检测方法,提取调正后的第一图像中面部多个区域的基准表情图像,得到多个基准表情图像。
获取待判断用户面部区域的多个待判断表情图像,包括:
采集待判断用户面部的待判断表情图像;
采用高斯滤波方法对待判断表情图像进行平滑去噪处理,得到第二图像;
使用五官定位方法调正第二图像中的人脸位置;
根据人脸检测方法,提取调正后的第二图像中,与多个基准表情图像对应的面部区域中的多个待判断表情图像。
采集待判断用户面部的待判断表情图像,包括:
实时采集待判断用户面部的待判断表情图像;
或周期性采集待判断用户面部的待判断表情图像。
将基准表情图像和待判断表情图像输入至疼痛判断模型,得到疼痛判断结果,包括:
输入多个基准表情图像至疼痛判断模型,进行卷积层运算、归一化运算和池化层运算,得到包括多个基准特征向量的基准特征向量集合;
输入多个待判断表情图像至疼痛判断模型,进行卷积层运算、归一化运算和池化层运算,得到包括多个待判断特征向量的待判断特征向量集合;
计算基准特征向量集合与待判断特征向量集合之间的差异度,得到包括各对应区域的差异度的差异度集合;
将差异度集合中的数据转换为一维数据后,依次输入至多个全连接层进行非线性转换,得到待输出数据;
将待输出数据输入至最后一个全连接层进行疼痛表情判断,得到疼痛判断结果并输出。
将待输出数据输入至最后一个全连接层进行疼痛表情判断,得到疼痛判断结果并输出,包括:
将待输出数据输入至最后一个全连接层,计算各疼痛等级对应的结果数值;
将最大的结果数值对应的疼痛等级作为疼痛判断结果并输出。
多个全连接层包括:除最后一个全连接层以外的所有全连接层。
在获取待判断用户面部多个区域的基准表情图像之前,还包括:
训练疼痛判断模型。
疼痛等级可以根据标准或者需要进行设定。
面部多个区域为与疼痛相关性强的面包区域,包括:左眼、右眼、嘴部、鼻部和眉头等区域,可以根据需要进行选择。
下面,如图2所示,对本申请的实施方式进行进一步说明。
利用摄像设备拍摄一幅待判断用户面部的正常表情图像作为基准表情,采用高斯滤波方法对该图像进行平滑去噪处理,然后采用五官定位方法调正人脸位置,并用人脸检测方法提取得到多个与疼痛相关性强的面部区域,以提取左眼区域、右眼区域和眉头区域为例。
对上一步得到三个面部区域采用归一化方法预处理得到三个对应子图像(基准表情图像)Znorm-1,Znorm-2,Znorm-3。
使用摄像设备实时拍摄人脸表情变化,得到实时表情图像作为待判断表情,采用与第上述步骤相同操作提取图像帧中相同的三个子区域,得到三个待判断表情图像Zface-1,Zface-2,Zface-3。
基于神经网络使用多通道分别对各基准表情图像以及各待判断表情图像进行多次卷积分析运算,其中卷积分析运算包含:卷积层运算、归一化运算和池化层运算;卷积层运算采用尺寸为n*n的卷积核,卷积运算如公式:
其中n为卷积核大小,xi,j表示卷积核对应图像像素(i,j)的值,ki,j表示卷积核(i,j)的参数值。
在进行卷积处理后,使用归一化运算使得卷积层输出数值更稳定,然后使用ReLU激活函数进行非线性变化;最后采用池化运算降低卷积层对位置的敏感度和数据维度。
Znorm-1,Znorm-2,Znorm-3经过上述处理后,得到包括3个基准特征向量Vnorm-1,Vnorm-2,Vnorm-3的基准特征向量集合。
Zface-1,Zface-2,Zface-3经过上述处理后,得到包括3个待判断特征向量Vface-1,Vface-2,Vface-3的待判断特征向量集合。
如图2所示,计算两组特征向量集合中,各对应区域的向量的相异度delt1,delt2,delt3。
delt(vnorm,vface)=diff(vnorm,vface)
其中,diff(vnorm,vface)表示差异计算,可以根据需要,使用欧式距离、汉明距离、余弦距离以及标准差等计算方法。
将delt1,delt2,delt3转化成一维数据,并经过数个全连接层运算。全连接层优选地,采用SoftReLU激活函数进行非线性转换,得到待输出数据。
y=log(1+exp(x))
其中,exp表示以自然常数e为底的指数函数。
基于最后一个全连接层的输出,采用Softmax函数计算待输出数据对应各疼痛等级的结果数值,将最大的结果数值对应的疼痛等级作为疼痛判断结果,并输出,得到待判断表情图像的疼痛表情指数(疼痛判断结果)。
在进行上述判断之前,需要对神经网络进行训练。通过人工标定的数据标签,以及得到的损失函数,对神经网络进行训练,获得满足准确度要求的神经网络模型参数,得到疼痛判断模型。各面部区域根据训练,获得对应的参数。网络层数、卷积核大小、卷积核参数、池化层等参数以及全连接层数、连接数等参数通过神经网络训练确定。
在疼痛判断阶段,使用训练得到的疼痛判断模型对视频流进行分析计算,得到疼痛判断结果。
本申请的实施方式能够有效降低个体表情的差异性影响,提高疼痛表情判断的准确性;同时考虑到计算机视觉算法的高时耗性,本申请的实施方式通过提取面部的多个区域,同时算法优化,既提高判断准确性,又降低AI算法的时间复杂度,提高了计算速度,确保该方法的临床应用价值。
根据本申请的实施方式,还提出一种根据表情判断疼痛的***,如图3所示,包括:
数据获取模块101,用于获取待判断用户面部区域的多个基准表情图像以及获取待判断用户面部区域的多个待判断表情图像;
判断模块102,用于将基准表情图像和待判断表情图像输入至疼痛判断模型,得到疼痛判断结果。
判断模块具体用于,输入多个基准表情图像至疼痛判断模型,进行卷积层运算、归一化运算和池化层运算,得到包括多个基准特征向量的基准特征向量集合;输入多个待判断表情图像至疼痛判断模型,进行卷积层运算、归一化运算和池化层运算,得到包括多个待判断特征向量的待判断特征向量集合;计算基准特征向量集合与待判断特征向量集合之间的差异度,得到包括各对应区域的差异度的差异度集合;将差异度集合中的数据转换为一维数据后,依次输入至多个全连接层进行非线性转换,得到待输出数据;将待输出数据输入至最后一共全连接层进行疼痛表情判断,得到疼痛判断结果并输出。
本申请的实施方式还包括训练模块,用于训练疼痛判断模型。
本申请的方法中,通过将基准表情图像和待判断表情图像输入至疼痛判断模型,得到疼痛判断结果,能够减小表情差异的影响。通过增加基准表情图像与待判断表情图像的时间维度信息,基于人脸表情变化的连贯性,表情变化的时序性获得疼痛判断结果,能够提高准确性,并且能够减小个体差异性的影响。同时,通过从一整副面部图像中获取与表情相关性最高的多个面部的局部区域,能够减小计算量,加快计算速度,减小对运算设备的性能要求,节约成本,还能够减小不相关的其他面部区域对计算结果的干扰,提高结果的准确性。同时,能够作为医生的辅助工具,减少医生的负担,对医生、患者有着重要意义。
以上所述,仅为本申请较佳的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (7)
1.一种根据表情判断疼痛的方法,其特征在于,包括:
获取待判断用户面部区域的多个基准表情图像;
使用摄像设备实时拍摄人脸表情变化,得到实时表情图像作为待判断表情,获取待判断用户面部区域的多个待判断表情图像;
将所述基准表情图像和所述待判断表情图像输入至疼痛判断模型,得到疼痛判断结果;
所述将所述基准表情图像和所述待判断表情图像输入至疼痛判断模型,得到疼痛判断结果,包括:
输入多个所述基准表情图像至疼痛判断模型,进行卷积层运算、归一化运算和池化层运算,得到包括多个基准特征向量的基准特征向量集合;
输入多个所述待判断表情图像至疼痛判断模型,进行卷积层运算、归一化运算和池化层运算,得到包括多个待判断特征向量的待判断特征向量集合;
计算所述基准特征向量集合与待判断特征向量集合之间的差异度,得到包括各对应区域的差异度的差异度集合;
将所述差异度集合中的数据转换为一维数据后,依次输入至多个全连接层进行非线性转换,得到待输出数据;
将待输出数据输入至最后一个全连接层进行疼痛表情判断,得到疼痛判断结果并输出;
所述将待输出数据输入至最后一个全连接层进行疼痛表情判断,得到疼痛判断结果并输出,包括:
将待输出数据输入至最后一个全连接层,计算待输出数据对应各疼痛等级的结果数值;
将最大的结果数值对应的疼痛等级作为疼痛判断结果并输出。
2.根据权利要求1所述的方法,其特征在于,所述获取待判断用户面部区域的多个基准表情图像,包括:
采集所述待判断用户面部的基准表情图像;
采用高斯滤波方法对基准表情图像进行平滑去噪处理,得到第一图像;
使用五官定位方法调正第一图像中的人脸位置;
根据人脸检测方法,提取调正后的第一图像中面部多个区域的基准表情图像,得到多个基准表情图像。
3.如权利要求1所述的方法,其特征在于,所述获取待判断用户面部区域的多个待判断表情图像,包括:
采集所述待判断用户面部的待判断表情图像;
采用高斯滤波方法对待判断表情图像进行平滑去噪处理,得到第二图像;
使用五官定位方法调正第二图像中的人脸位置;
根据人脸检测方法,提取调正后的第二图像中,与多个所述基准表情图像对应的面部区域中的多个待判断表情图像。
4.如权利要求3所述的方法,其特征在于,所述采集所述待判断用户面部的待判断表情图像,包括:
实时采集所述待判断用户面部的待判断表情图像;
或周期性采集所述待判断用户面部的待判断表情图像。
5.如权利要求1所述的方法,其特征在于,所述多个全连接层包括:除最后一个全连接层以外的所有全连接层。
6.如权利要求1所述的方法,其特征在于,在所述获取待判断用户面部多个区域的基准表情图像之前,还包括:
训练疼痛判断模型。
7.一种根据表情判断疼痛的***,其特征在于,包括:
数据获取模块,用于获取待判断用户面部区域的多个基准表情图像以及获取待判断用户面部区域的多个待判断表情图像;
判断模块,用于将所述基准表情图像和所述待判断表情图像输入至疼痛判断模型,得到疼痛判断结果;
所述判断模块具体用于,输入多个所述基准表情图像至疼痛判断模型,进行卷积层运算、归一化运算和池化层运算,得到包括多个基准特征向量的基准特征向量集合;输入多个所述待判断表情图像至疼痛判断模型,进行卷积层运算、归一化运算和池化层运算,得到包括多个待判断特征向量的待判断特征向量集合;计算所述基准特征向量集合与待判断特征向量集合之间的差异度,得到包括各对应区域的差异度的差异度集合;将所述差异度集合中的数据转换为一维数据后,依次输入至多个全连接层进行非线性转换,得到待输出数据;将待输出数据输入至最后一共全连接层进行疼痛表情判断,得到疼痛判断结果并输出;所述将待输出数据输入至最后一个全连接层进行疼痛表情判断,得到疼痛判断结果并输出,包括:将待输出数据输入至最后一个全连接层,计算待输出数据对应各疼痛等级的结果数值;将最大的结果数值对应的疼痛等级作为疼痛判断结果并输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010062448.1A CN111274953B (zh) | 2020-01-19 | 2020-01-19 | 一种根据表情判断疼痛的方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010062448.1A CN111274953B (zh) | 2020-01-19 | 2020-01-19 | 一种根据表情判断疼痛的方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111274953A CN111274953A (zh) | 2020-06-12 |
CN111274953B true CN111274953B (zh) | 2023-09-26 |
Family
ID=71003478
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010062448.1A Active CN111274953B (zh) | 2020-01-19 | 2020-01-19 | 一种根据表情判断疼痛的方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111274953B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112704510A (zh) * | 2020-12-18 | 2021-04-27 | 上海联影医疗科技股份有限公司 | 乳腺x射线成像方法及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105095827A (zh) * | 2014-04-18 | 2015-11-25 | 汉王科技股份有限公司 | 人脸表情识别装置和方法 |
CN106446753A (zh) * | 2015-08-06 | 2017-02-22 | 南京普爱医疗设备股份有限公司 | 一种消极表情识别鼓励*** |
CN106778657A (zh) * | 2016-12-28 | 2017-05-31 | 南京邮电大学 | 基于卷积神经网络的新生儿疼痛表情分类方法 |
CN108921061A (zh) * | 2018-06-20 | 2018-11-30 | 腾讯科技(深圳)有限公司 | 一种表情识别方法、装置和设备 |
CN110188673A (zh) * | 2019-05-29 | 2019-08-30 | 京东方科技集团股份有限公司 | 表情识别方法和装置 |
CN110298241A (zh) * | 2019-05-21 | 2019-10-01 | 江苏爱朋医疗科技股份有限公司 | 疼痛信息处理方法、装置、设备及存储介质 |
-
2020
- 2020-01-19 CN CN202010062448.1A patent/CN111274953B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105095827A (zh) * | 2014-04-18 | 2015-11-25 | 汉王科技股份有限公司 | 人脸表情识别装置和方法 |
CN106446753A (zh) * | 2015-08-06 | 2017-02-22 | 南京普爱医疗设备股份有限公司 | 一种消极表情识别鼓励*** |
CN106778657A (zh) * | 2016-12-28 | 2017-05-31 | 南京邮电大学 | 基于卷积神经网络的新生儿疼痛表情分类方法 |
CN108921061A (zh) * | 2018-06-20 | 2018-11-30 | 腾讯科技(深圳)有限公司 | 一种表情识别方法、装置和设备 |
CN110298241A (zh) * | 2019-05-21 | 2019-10-01 | 江苏爱朋医疗科技股份有限公司 | 疼痛信息处理方法、装置、设备及存储介质 |
CN110188673A (zh) * | 2019-05-29 | 2019-08-30 | 京东方科技集团股份有限公司 | 表情识别方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111274953A (zh) | 2020-06-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108806792B (zh) | 深度学习面诊*** | |
CN110600122A (zh) | 一种消化道影像的处理方法、装置、以及医疗*** | |
CN112472048B (zh) | 用于心血管疾病患者脉象识别的神经网络的实现方法 | |
CN111785366B (zh) | 患者治疗方案的确定方法、装置及计算机设备 | |
CN110619316A (zh) | 人体关键点检测方法、装置和电子设备 | |
CN111243730A (zh) | 一种基于乳腺超声影像的乳腺病灶智能分析方法及*** | |
CN111956208B (zh) | 一种基于超轻量级卷积神经网络的ecg信号分类方法 | |
TWI728369B (zh) | 人工智慧雲端膚質與皮膚病灶辨識方法及其系統 | |
CN109410074A (zh) | 智能核保方法与*** | |
CN111274953B (zh) | 一种根据表情判断疼痛的方法及*** | |
CN113506274B (zh) | 基于视觉显著性差异图的用于人体认知状况的检测*** | |
CN113850796A (zh) | 基于ct数据的肺部疾病识别方法及装置、介质和电子设备 | |
Bilang et al. | Cactaceae detection using MobileNet architecture | |
CN117056786A (zh) | 非接触式应激状态识别方法与*** | |
CN116758619A (zh) | 基于面部视频的情感分类方法、***、存储介质及设备 | |
CN117021130A (zh) | 一种基于人工智能的心理咨询聊天机器人 | |
CN114943924B (zh) | 基于人脸表***的疼痛评估方法、***、设备及介质 | |
CN110765908A (zh) | 基于深度学习的级联式癌细胞检测*** | |
CN110801227A (zh) | 基于可穿戴设备的立体色块障碍测试的方法和*** | |
CN116543455A (zh) | 建立帕金森症步态受损评估模型、使用方法、设备及介质 | |
CN116130088A (zh) | 多模态面诊问诊方法、装置及相关设备 | |
CN113554641B (zh) | 一种儿科咽部图像采集方法及装置 | |
CN115205923A (zh) | 基于宏表情状态迁移和混合注意力约束的微表情识别方法 | |
CN113298827A (zh) | 一种基于DP-Net网络的图像分割方法 | |
CN110648320A (zh) | 骨龄获取方法及***、服务器、计算机设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |