Please use this identifier to cite or link to this item: http://ktisis.cut.ac.cy/handle/10488/8879
Title: Κατασκευή ολοκληρωμένου συστήματος για την εξακρίβωση του πόνου απο βίντεο προσώπων βασισμένο σε ανάλυση χαρακτηριστικών υφής
Authors: Μιχαήλ, Γιώργος 
Keywords: Ανίχνευση του πόνου
Αυτοματοποιημένο σύστημα
Τεχνικών ανάλυσης βίντεο
Χαρακτηριστικά υφής
Issue Date: 2016
Publisher: Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Ηλεκτρονικών Υπολογιστών και Πληροφορικής, Σχολή Μηχανικής και Τεχνολογίας, Τεχνολογικό Πανεπιστήμιο Κύπρου
Abstract: Ο πόνος είναι η ποιο κοινή αιτία με την οποία μπορεί να υποφέρουν οι ασθενείς πριν αλλά και μετά μιας εγχειρητικής επεμβατικής μεθόδου. Σε μερικούς ασθενείς όπου δεν είναι εύκολη η επικοινωνία του ασθενή με το παραϊατρικό προσωπικό, είτε λόγο σωματικής αναπηρίας είτε λόγο μικρής ηλικίας, η συνεχής καταγραφή της έντασης πόνου βασίζεται στη χρήση ειδικών επεμβατικών εξοπλισμών και απαιτεί τη συνεργασία των ασθενών. Συνεπάγει επίσης μεγάλο κόστος λόγω του εξοπλισμού που χρησιμοποιείται και λόγω της χρήσης του ανθρώπινου δυναμικού. Τα ποιο πάνω προβλήματα μπορούν να περιοριστούν, αν η ανίχνευση του πόνου του ασθενή γίνεται με ένα αυτοματοποιημένο σύστημα που να μπορεί να υπολογίζει την ένταση του πόνου με ακρίβεια και με χαμηλό λειτουργικό κόστος. Στην παρούσα διπλωματική εργασία προτείνουμε μια λύση του ποιο πάνω προβλήματος με την χρήση τεχνικών ανάλυσης βίντεο, με την υλοποιήσει ενός ολοκληρωμένου λογισμικού συστήματος παρακολούθησης με χαμηλό κόστος και με μη επεμβατικό έλεγχο του ασθενή. Αυτό επιτυγχάνετε με βάση την παρακολούθηση και την ανίχνευση του πόνου σε διάφορες ακολουθίες εικόνων (βίντεο) του προσώπου του ασθενή που έχουν ληφθεί με συνήθεις κάμερες. Το προτεινόμενο σύστημα μπορεί να χρησιμοποιηθεί για τον έλεγχο της δραστηριότητας του προσώπου και να λειτουργήσει ως ένα επιπρόσθετο μέσο για την επικοινωνία του ασθενή με το ιατρικό προσωπικό σε περίπτωση όπου η κίνηση του σώματος είναι δεν είναι δυνατή. Η αυτόματη ανίχνευση πόνου μπορεί επιπλέον να χρησιμοποιηθεί για την ανίχνευση διαφόρων επιπέδων πόνου, τα οποία όταν ξεπεράσουν μια προκαθορισμένη τιμή να γίνεται αυτόματη κλήση του ιατρικού προσωπικού για βοήθεια του ασθενή. Μέσα στα πλαίσια αυτής της διπλωματικής εργασίας, έγινε βιβλιογραφική έρευνα για την εξεύρεση της καταλληλότερης βάσης δεδομένων έτσι ώστε να βρεθούν βίντεο από 16 διαφορετικούς ασθενείς με ένταση και χωρίς ένταση πόνου. Όλα τα βίντεο παρείχαν τα σημεία στο πρόσωπο (ΑΑΜ Landmarks Active Appearance Models) και την αληθινή ένταση του πόνου καταγραμμένη με βάση το FACS(Facial Action Coding System), όπου το εύρος της έντασης πόνου κυμαίνεται από 1 μέχρι 12. Το αρχικό στάδιο της επεξεργασίας περιλαμβάνει μετατροπή των βίντεο από έγχρωμα σε διαβαθμίσεις του γκρι έτσι ώστε να μπορεί να γίνει ανάλυση της εικόνας. Ακολούθως εφαρμόστηκε στα βίντεο: 1) ισοστάθμιση ιστογράμματος, 2) κανονικοποίηση ιστογράμματος έτσι ώστε να επιτευχθεί η συνοχή του δυναμικού εύρους v των εικονοστοιχείων, 3) φιλτράρισμα με το φίλτρο median (Hybrid median) για την αφαίρεση του πολλαπλασιαζόμενου θορύβου και 4) κανονικοποίηση και φιλτράρισμα. Στην συνέχεια έγινε κατάτμηση του προσώπου από τα βίντεο και διαχωρισμός τους σε 4 μέρη: 1) το ολικό που περιλαμβάνει όλη την περιοχή του προσώπου 2) το πάνω μέρος που είναι η κατάτμηση του προσώπου από τα μάτια και πάνω, 3) το μέσο μέρος που είναι η κατάτμηση του προσώπου από τα πάνω χείλη μέχρι το κάτω μέρος των ματιών και 4) το κάτω μέρος που είναι η κατάτμηση του προσώπου από το κάτω μέρος του πιγουνιού μέχρι το πάνω μέρος των χειλιών. Ακολούθως εξάχθηκαν 66 διαφορετικά χαρακτηριστικά υφής (ΧΥ) από τα ποιο πάνω μέρη του βίντεο, τα οποία χρησιμοποιούνται για την εξακρίβωση του πόνου, και ακολούθως υπολογίστηκε ο μέσος όρος, η τυπική απόκλιση και ο διανυσματικός μέσος όρος για το κάθε ΧΥ. Έγινε στην συνέχεια γραφική παράσταση των κατανομών του κάθε ΧΥ και εξετάστηκε η στατιστική διαφορά που υπάρχει ανάμεσα στους ασθενείς με ένταση πόνου και χωρίς ένταση πόνου. Τα αποτελέσματα έδειξαν ότι η ένταση πόνου μπορεί να υπολογιστεί με την βοήθεια κάποιων ΧΥ, τα οποία συμπεριφέρονται διαφορετικά σε κάθε βαθμίδα πόνου. Πιο συγκεκριμένα, για το πρώτο πείραμα (Leave One Person Out) παρατηρήθηκε ότι η καλύτερη μέθοδος επιτυγχάνετε με την εφαρμογή του μέσου φίλτρου σε συνδυασμό με το πάνω μέρος του προσώπου όπου το σφάλμα για την ένταση πόνου είναι 1.44/12 (12%). Στο δεύτερο πείραμα (Person Specific Training) παρατηρήθηκε ότι η καλύτερη μέθοδος δίδεται από το αρχικό βίντεο σε συνδυασμό με το πάνω μέρος του προσώπου, όπου το σφάλμα για την ένταση πόνου είναι 3.21 (26.75%). Τα ΧΥ που μας βοηθούν καλύτερα στον διαχωρισμό του πόνου για το πρώτο πείραμα είναι το μέσο (Mean-First Order Statistics), ενώ για το δεύτερο πείραμα είναι η τυπική απόκλιση (Standard Deviation-First Order Statistics). Ως επακόλουθο αυτής της διπλωματικής εργασίας ήταν να δημιουργηθεί ένα αυτοματοποιημένο σύστημα όπου να μπορεί μελλοντικά να εφαρμοστεί στην κλινική πρακτική για την παρακολούθηση ατόμων με προβλήματα ομιλίας ή ακόμη και κίνησης του σώματος. Είναι αναγκαία η περαιτέρω εξέλιξη και ανάλυση του συστήματος και η περαιτέρω ανάλυση των ΧΥ, ως επίσης και η εφαρμογή του σε μεγαλύτερο αριθμό βίντεο για την καλύτερη αξιολόγηση και ενίσχυσή του συστήματος με επιπρόσθετες λειτουργίες και παραμέτρους, που να προσδιορίζουν καλύτερα και με μεγαλύτερη ακρίβεια την ένταση του πόνου.
Description: Pain is the most common cause of patient discomfort, before and after a surgery. Although pain is easily controlled the overall problem of detecting and dealing with pain is often neglected. In recent years a significant improvement in clinical pain management techniques was recorded However, in some patients with physical disability or some other reasons such as young age the pain detection or pain monitoring requires the use of specialized invasive equipment This entails high costs due to the equipment used and because of the use of human resources needed. The above problems can be alleviated if the patient's pain control is performed by an automated system that can perform of pain detection with accurately and with low operating costs. In this work we propose a solution to the problem on how to use texture video analysis techniques by applying a low-cost integrated monitoring system software with non-invasive patient monitoring. This achievement is based on patient monitoring and pain detection in various image sequences (video) of patient faces captured with ordinary cameras. The proposed system can be used to control the activity of the person and serve as an additional tool for the patient's communication with the medical personnel in case of the body movement is not possible. Automatic detection of pain may further be used to detect various levels of pain and when is necessary to automatically call the medical personnel to help the patient. Within the framework of this project, a literature research was carried out in order to find the most appropriate data base. The database used contains videos from 16 different patients from 2 examined facial expressions of different people. All video frames were annotated with a number of AAM (Active Appearance Model) Landmarks and also pain estimates for each frame, obtained based on FACS (Facial Action Coding System) were available, the pain intensity ranges from 1 to 12. The first stage of the processing involved the conversion of the video from color to grayscale so it can be analyzed and processed. Subsequently we applied the following operations: 1) histogram equalization, 2) histogram normalization to achieve consistency of dynamic range of the pixels, 3) filtering the median filter (Hybrid median) for removing the multiplied noise and 4) histogram normalization and filtering. Then the face of the video was divided into 4 parts: 1) the whole that contains the overall inner facial region, 2) the upper that is the splitting of the face from the eyes and above, 3) the middle that is the segmentation of the face of the upper lip to the bottom of the eye, and 4) the lower vii is the fragmentation of the person from the bottom of the chin to the top of a thousand. Subsequently we extracted 66 different texture features (TF) of the above parts of the video, which are used for detection of pain, and averaged, standard deviation, and the vector average for each TF. It was then plotting the distributions of each TF for each expression and examined the statistical difference between patient with pain intensity and patient without pain intensity. The results showed that the pain can be a computer with the help of some TF which behave differently in pain. More specifically for the first experiment (Leave One Person Out) observed that the best method is achieved by applying the filter medium together with the upper face which is 1.44 / 12 (12% error for pain). In the second experiment (Person Specific Training) observed that the best method is provided by the original video combined with the top face where the error for pain is 3.21 (26.75%). The TF that help us to achieve better separation of pain for the first experiment is mean (First Statistics Order) while in the second experiment is the standard deviation (First Order Statistics). As a result of this project was to create an automated algorithm witch his future use can be applied to clinical practice to monitor people with speech problems or even movement disability of the body. In the future we plan to further develop the system and perform additional analysis of TF, as well as to use a greater number of videos, to better assess and strengthen the system with additional functions and parameters so that it will be feasible to improve the precision of pain detection.
URI: http://ktisis.cut.ac.cy/jspui/handle/10488/8879
Rights: Απαγορεύεται η δημοσίευση ή αναπαραγωγή, ηλεκτρονική ή άλλη χωρίς τη γραπτή συγκατάθεση του δημιουργού και κατόχου των πνευματικών δικαιωμάτων
Appears in Collections:Πτυχιακές Εργασίες/ Bachelor's Degree Theses

Files in This Item:
File Description SizeFormat 
Μιχαήλ_Γιώργος.pdf3.9 MBAdobe PDFView/Open
Show full item record

Page view(s)

1
checked on Jan 23, 2017

Download(s) 50

1
checked on Jan 23, 2017

Google ScholarTM

Check


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.