手術室人臉識別與確認系統設計與實現

摘 要：針對醫務人員到達手術室時存在手術位置與手術信息不準確的問題，本文進行了手術室人臉識別與確認系統設計與實現的研究。通過基于稀疏表達的人臉識別算法和基于Face Net的人臉識別判定，實現對手術室人臉的準確識別。同時，通過系統開發工具的選擇、系統總體設計、數據庫以及其交互設計，完成了手術室人臉確認系統的功能規劃。實際應用結果表明，新系統可以提高醫務人員到達手術室時手術位置與信息的準確性，有利于促進醫院智能化建設。

關鍵詞：手術室；人臉；識別；系統

中圖分類號：TP 31 " " " " " " 文獻標志碼：A

手術室是醫院最關鍵的部門之一，其安全性和效率與患者的生命健康息息相關。因此，提高手術室的安全性和效率一直是醫院管理者關注的重點[1]。隨著科技的進步，人臉識別技術逐漸在醫療領域得到應用，為提高手術室的安全性和效率提供了新的解決方案。

在深入研究相關領域后，筆者發現手術室人臉識別與確認系統的開發能夠顯著提升手術室的安全性。通過人臉識別技術，可以確認進入手術室的人員身份，有效防止無關人員進入，從而提高手術室的安全性[2]。同時，在手術過程中，醫生能夠準確確認患者的身份和手術部位，從而避免醫療事故的發生。

隨著現代化醫院管理模式的不斷發展，智能化管理已成為趨勢。人臉識別技術的應用可以實現手術室的智能化管理，提高醫院的管理效率和工作水平。因此，根據相關工作的具體需求，筆者對該系統進行了設計。

1 手術室人臉識別

1.1 基于稀疏表達的人臉識別算法設計

手術室人員進出的人臉識別基本問題是通過使用來自k個不同類別的標記訓練樣本確定測試樣本的所屬類別。利用已知的訓練樣本ni（i為所包括的樣本類別），構建矩陣Ai，其數學表達式如公式（1）所示。

Ai=[vi，1，vi，2，...，vi，ni]∈Rm×ni " " " " " "（1）

式中：vi，1、vi，2、...、vi，ni為矩陣中的訓練樣本；Rm×ni為訓練樣本實數集合。

結合人臉識別理論，可以定義1個w×h的灰度圖像，并在上述矩陣行列中引入一個矢量v，v∈Rm，Rm為實數集合。在矩陣Ai中，堆疊了訓練人臉圖像的i個主題。測試樣本則是由這些訓練樣本的稀疏組合來表示的。為更好地了解矩陣Ai的結構，研究者們已經提出了多種方法。其中一種簡單、有效的方法是將同一類別的樣本模擬為1個線性子空間。這種方法能夠捕捉到真實數據中的大部分變化并且特別適用于人臉識別[3]。研究表明，在光照、表情等因素的影響下，人臉圖像實際上位于1個低維的子空間中，這個子空間稱為人臉子空間。基于這個假設，可以認為訓練樣本也位于這個子空間中。給定充足的訓練樣本，可以構建與i個主類相關的矩陣Ai。與i類相關的測試樣本如公式（2）所示。

y=ai，1vi，1+ai，2vi，2+…ai，nivi，ni " （2）

式中：y為在訓練樣本線性跨度內與i類相關的測試樣本；a為線性跨度。

當對條目為矢量的編碼測試樣本進行標識時，可以通過求解線性結構y=Ax來實現。需要特別注意的是，使用整個訓練集來求解x與按照特定順序求解的結果是不同的。通過整體表征，可以得到1個判別能力更強的分類器，它能夠更好地識別訓練集所代表的目標，并有效地剔除訓練集中任意類別不包括的邊界樣本[4]。這種方法在不增加計算量的前提下，實現了增量式的排序，其復雜度與訓練用例集的規模呈線性關系。

為了找到y=Ax的最稀疏解，需要對該問題進行優化，如公式（3）所示。

=argmin||x||0s.tAx=y " " （3）

式中：為優化后的結果；Ax為標準樣本數值；‖x‖0為零范數，可以對一個矢量中非零條目數進行計算。

針對優化后的問題，可以通過標準的線性規劃進行求解。當已知解為非稀疏系數時，可以采用更有效的方法來進行求解。

1.2 基于Face Net的人臉識別判定

在完成基于稀疏表達的人臉識別算法設計后，本文結合Face Net來實現對人臉的識別與判定。在深度網絡的學習過程中，盡管并非直接通過訓練生成嵌入，但是更深層次的特征往往更容易實現匹配?，F有的人臉識別算法通常都經過訓練，可以將K個人臉劃分為多個類別，并選擇1個中間層作為嵌入對其進行分類。然而，這種方法存在不夠直接和中間層數量較多等問題，嚴重影響了運算和識別效率。

針對這一問題，使用隨機梯度下降和標準（back-propagation），如果作者確認正確，請給出依據。）以及自適應梯度（AdaGard）下降算法來對卷積神經網絡（CNN）進行訓練[5]。通常情況下，從0.05的學習率開始，在CPU集群上進行訓練，訓練時間為1 000 h～2 000 h。在這期間，當時間為500 h時，損失會逐漸減少并趨于平緩，總的來說，訓練時間越長，效果越好[6]。為了在更短的訓練時間內獲得更理想的訓練效果，本文建立了一個基于神經網絡（GoogLeNet）風格的初始模型。該模型中的參數量減少了700萬，部分模型在尺寸（包括深度和過濾器數量）上明顯減少。Face Net基本結構見表1。

在完成訓練后，判定多張人臉圖像是否屬于同一人的推理步驟如下。1）輸入已經過人臉測試的人臉樣本，并將其裁剪為適當的尺寸。2）將裁剪后的人臉圖像輸入深度神經網絡GoogLeNet中進行深度學習。通過深度神經網絡的學習，可以提取人臉的高級特征。3）對提取的特征進行歸一化處理，并進行次方操作，將結果映射到1個類球面上。4）計算3張圖片（通常是1張錨點圖片、1張正樣本圖片和1張負樣本圖片）的三元損失，并對其特征進行分析，以判斷它們是否屬于同一人[7]。結合歐幾里得距離判定，如果計算出的距離越小，則說明多個樣本屬于同一身份的可能性越大。

在訓練的過程中，為了確保收斂速度，理想情況下會選擇特定的三元組作為訓練機制F，如公式（4）所示。

F=argminxin||f（xia）-f（xin）||22 （4）

式中：F為三元組；xin為訓練樣本；f（xia）為訓練率為a時的樣本訓練結果；f（xin）為訓練率為n時的樣本訓練結果。

結合上述選擇機制，重新計算圖片之間的歐幾里得距離。在整個訓練的過程中，在線生成每個小批量的訓練樣本，并通過從小批量中選擇正負樣例來實現對三元組的選擇[8]。利用上述訓練后的算法，可以對手術室中的人臉進行識別。

2 手術室人臉確認系統的實現

2.1 系統開發工具與總體設計

為確保開發的系統在實際應用中能夠達到預期效果，筆者將以上述設計內容為基礎，進行手術室人臉確認系統的開發環境、操作與使用工具的設計分析。主要開發工具包括TensorFlow、OpenCV（Open Source Computer Vision Library）、Python和MySQL。

在明確系統開發所使用的工具后，為了充分發揮人臉識別的價值，避免手術室中存在的人員混雜等問題，筆者進行了確認系統的總體設計（如圖1所示）。

根據系統投入使用的實際需求，將該系統劃分為3個主要模塊，分別為信息顯示模塊、人臉識別模塊以及人臉所在區域檢測模塊?；谶@3個模塊，設計手術室人員確認系統模型（如圖2所示）。

2.2 數據庫及其交互設計

在上述內容的基礎上，筆者進行了確認系統中數據庫的開發與交互設計。繪制E-R （實體 - 關系）圖是系統數據庫設計與開發的前提條件。因此，筆者設計了確認系統中管理員與手術室進入人員的E-R圖（如圖3所示）。

為確保開發的系統在實際應用中能夠達到預期的交互效果，將確認系統與HIS （醫院內部信息管理）系統進行了對接。通過這種方式，本文實現了在手術室管理過程中對人員的精準識別與管理。在上述內容的基礎上，筆者利用確認系統中的Web Service接口技術，及時獲取并更新數據庫中的數據。獲取的數據將返回服務器端，這個過程稱為數據庫中數據與系統的交互過程。如圖4所示。

考慮到該系統不需要所有醫生和患者的全部信息，因此，在交互過程中，只需要集成部分Web Service接口，即可實現在訪問系統中對數據庫中信息的交互。

根據系統操作需求，當醫護人員需要進入手術室時，安裝在門口的攝像機就會開始拍攝。在此過程中，系統以5幀/s的速度從攝像機中讀取視頻，并使用HTML5視頻標記進行人臉讀取。該功能利用多層神經網絡進行面部區域提取，可以自動返回選擇框中，并標記面部關鍵點，便于后續的面部對準。人臉識別成功界面如圖5所示。

面部區域檢測是指當醫護人員有可能戴著口罩時，系統也能精確地選擇面部框，從而向要進手術室的醫護人員可視化地發送面部選擇框，并提示其進行下一步操作。

在此過程中，本文采用Face Net技術，計算2幅圖像的歐幾里得距離。如果“人”“碼”一致，則門禁取消，人員可以進入，并根據確認的人員信息，顯示相應的手術信息；否則，門禁將無法開啟。

3 結語

人臉識別技術在醫療領域的應用已經得到了廣泛關注。國內外研究者提出了一系列針對醫療領域的人臉識別方法，包括基于深度學習的人臉識別和基于特征提取的人臉識別等。然而，目前手術室人臉識別與確認系統的相關研究還比較少見且存在一定的局限性（例如對硬件設備的要求較高且識別準確率較差）。針對早期系統開發存在的不足，本文進行了此次研究。

雖然該系統截至目前在經過大量測試后已經取得了顯著成果，但是在實際應用中仍不可避免地存在一些問題，例如對側臉和遮擋臉的識別效果有待進一步提高。未來的研究方向可以包括改進面部識別算法、優化硬件設備配置和拓展系統的應用范圍等?？傊?，隨著技術的不斷發展和完善，手術室人臉識別系統將在醫療領域發揮越來越重要的作用，為患者和醫院帶來更多的安全和便利。

綜上所述，本文所設計的系統具有一定的理論價值和實際意義，可以為提高手術室的安全性和效率提供有效的技術支持。

參考文獻

[1]應悅，朱鋒杰.超高頻電子射頻識別技術在手術器械自動清點中的應用[J].醫療裝備，2022，35（20）：55-57.

[2]張興靖，羅葉輝，徐云華，等.基于多模態信息識別技術管理模式在醫院手術室管理中的效果研究[J].中國醫學裝備，2023，20（6）：108-111.

[3]徐嵐，鄭紹基，張應，等.基于智慧醫療支持下運用TRM方法對手術室醫用耗材二級庫房的管理研究[J].中國醫療器械雜志，2023，47（2）：220-224.

[4]應悅，王以文，包莉.射頻識別技術在手術室外科縫線精細化管理中的應用[J]. 醫療裝備，2022，35（24）：52-55.

[5]盧振玲，楊昕宇，馬兵，等.根本原因分析法在日間手術患者身份識別流程改進中的應用[J].中國護理管理，2022，22（12）：1866-1871.

[6]徐鑫，王從，杜立挺，等.射頻識別技術在手術室儀器設備全生命周期管理中的應用效果分析[J].延安大學學報（醫學科學版），2022，20（1）：89-92.

[7]張敏麗，徐英英，孫博.射頻識別技術在手術室智能化管理中的應用[J].中醫藥管理雜志，2021，29（20）：182-183.

[8]陳俊，林巖，王全平，等.基于二維碼識別技術在手術室儀器設備管理中的應用[J].全科護理，2021，19（6）：807-809.