技術(shù)特征：

1.基于卷積神經(jīng)網(wǎng)絡(luò)的新生兒疼痛表情分類方法，其特征在于，包括如下步驟：

步驟1，采集新生兒疼痛表情圖像，對圖像按新生兒面部表情的不同狀態(tài)進行分類，建立新生兒疼痛表情圖像庫；

步驟2，構(gòu)建含有1層數(shù)據(jù)層、3層卷積層、2層全連接層和1層分類層的卷積神經(jīng)網(wǎng)絡(luò)；

步驟3，將新生兒疼痛表情圖像庫中每類表情的圖像均劃分為訓練樣本和測試樣本，以訓練樣本作為卷積神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)輸入，利用反向傳播算法對卷積神經(jīng)網(wǎng)絡(luò)進行迭代訓練，并優(yōu)化訓練全局參數(shù)使卷積神經(jīng)網(wǎng)絡(luò)輸出softmax損失函數(shù)值下降并收斂，得到訓練好的卷積神經(jīng)網(wǎng)絡(luò)；

步驟4，輸入測試樣本，利用訓練好的卷積神經(jīng)網(wǎng)絡(luò)對測試樣本進行識別分類，并輸出測試樣本屬于各類的概率值，將最大的概率值對應(yīng)的類別作為測試樣本的類別。

2.根據(jù)權(quán)利要求1所述基于卷積神經(jīng)網(wǎng)絡(luò)的新生兒疼痛表情分類方法，其特征在于，步驟1所述新生兒面部表情的不同狀態(tài)包括：平靜、哭、輕微疼痛、劇烈疼痛。

3.根據(jù)權(quán)利要求1所述基于卷積神經(jīng)網(wǎng)絡(luò)的新生兒疼痛表情分類方法，其特征在于，步驟2所述卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)包括如下：

2.1數(shù)據(jù)層：該層利用新生兒疼痛表情庫中的樣本圖像及其對應(yīng)的類別標簽，作為卷積神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)層；

2.2卷積層1：該層為卷積神經(jīng)網(wǎng)絡(luò)卷積層第一層，采用m₁個k₁*k₁的卷積核、間隔步長為l₁像素，對樣本圖像卷積并對輸出采樣和歸一化，作為下一層的輸入；

2.3卷積層2：該層為卷積神經(jīng)網(wǎng)絡(luò)卷積層第二層，采用m₂個k₂*k₂的卷積核、間隔步長為l₂像素，對上一層輸出卷積并對輸出采樣和歸一化，作為下一層的輸入；

2.4卷積層3：該層為卷積神經(jīng)網(wǎng)絡(luò)卷積層第三層，采用m₃個k₃*k₃的卷積核、步長間隔為l₃像素，對上一層輸出卷積并對輸出采樣和歸一化，作為下一層的輸入；其中，k₁、k₂、k₃逐漸遞減；

2.5全連接層1：該層為卷積神經(jīng)網(wǎng)絡(luò)全連接層第一層，是卷積層3輸出結(jié)果的全連接輸入，在激活函數(shù)、防過擬合作用下全連接到n個節(jié)點作為下一層的輸入；

2.6全連接層2：該層為卷積神經(jīng)網(wǎng)絡(luò)全連接層第二層，是全連接層1輸出結(jié)果的全連接輸入，在激活函數(shù)、防過擬合的作用下全連接到n個節(jié)點作為下一層的輸入；

2.7分類層：該層為卷積神經(jīng)網(wǎng)絡(luò)分類層，全連接層2的n個輸出節(jié)點作為該層的輸入，輸出為屬于第j類的概率值P_j，并在P_j中尋找最大值，將概率最大的j所對應(yīng)的類別作為分類結(jié)果，j＝1,…,k，k為總的類別數(shù)。

4.根據(jù)權(quán)利要求1所述基于卷積神經(jīng)網(wǎng)絡(luò)的新生兒疼痛表情分類方法，其特征在于，步驟3所述softmax損失函數(shù)定義如下：

$F\left(\mathrm{\θ}\right)=-\frac{1}{m}\[\underset{i=1}{\overset{m}{\Σ}}\underset{j=1}{\overset{k}{\Σ}}1\{y^{\left(i\right)}=j\}\log \left(\frac{e^{{\mathrm{\θ}}_j^T}{x}^{\left(i\right)}}{\underset{l=1}{\overset{k}{\Σ}}{e}^{{\mathrm{\θ}}_l^T}{x}^{\left(i\right)}}\right)\]$

其中，F(xiàn)(θ)表示損失函數(shù)，m為訓練樣本總數(shù)，k為總的類別數(shù)；1{y⁽ⁱ⁾＝j(luò)}為指示函數(shù)，當括號值為真時，函數(shù)值為1，否則函數(shù)值為0；x⁽ⁱ⁾表示全連接層輸出節(jié)點所構(gòu)成的向量，θ₁,θ₂,…,θ_k表示模型參數(shù)，T表示轉(zhuǎn)置。

5.根據(jù)權(quán)利要求1所述基于卷積神經(jīng)網(wǎng)絡(luò)的新生兒疼痛表情分類方法，其特征在于，步驟4所述概率值的定義如下：

$P_j=e^{{\mathrm{\θ}}_j^T}{x}^{\left(i\right)}/\underset{l=1}{\overset{k}{\Σ}}{e}^{{\mathrm{\θ}}_l^T}{x}^{\left(i\right)},(j=1,...,k)$

identity(y)＝arg max(P_j)

其中，P_j表示屬于第j個類別的概率值，x⁽ⁱ⁾表示全連接層輸出節(jié)點所構(gòu)成的向量，θ₁,θ₂,…,θ_k表示模型參數(shù)，k為總的類別數(shù)，T表示轉(zhuǎn)置，identity(y)表示測試樣本y的分類結(jié)果。