手術(shù)室人臉識(shí)別與確認(rèn)系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)

摘 要：針對(duì)醫(yī)務(wù)人員到達(dá)手術(shù)室時(shí)存在手術(shù)位置與手術(shù)信息不準(zhǔn)確的問題，本文進(jìn)行了手術(shù)室人臉識(shí)別與確認(rèn)系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)的研究。通過基于稀疏表達(dá)的人臉識(shí)別算法和基于Face Net的人臉識(shí)別判定，實(shí)現(xiàn)對(duì)手術(shù)室人臉的準(zhǔn)確識(shí)別。同時(shí)，通過系統(tǒng)開發(fā)工具的選擇、系統(tǒng)總體設(shè)計(jì)、數(shù)據(jù)庫以及其交互設(shè)計(jì)，完成了手術(shù)室人臉確認(rèn)系統(tǒng)的功能規(guī)劃。實(shí)際應(yīng)用結(jié)果表明，新系統(tǒng)可以提高醫(yī)務(wù)人員到達(dá)手術(shù)室時(shí)手術(shù)位置與信息的準(zhǔn)確性，有利于促進(jìn)醫(yī)院智能化建設(shè)。

關(guān)鍵詞：手術(shù)室；人臉；識(shí)別；系統(tǒng)

中圖分類號(hào)：TP 31 " " " " " " 文獻(xiàn)標(biāo)志碼：A

手術(shù)室是醫(yī)院最關(guān)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(guān)。因此，提高手術(shù)室的安全性和效率一直是醫(yī)院管理者關(guān)注的重點(diǎn)[1]。隨著科技的進(jìn)步，人臉識(shí)別技術(shù)逐漸在醫(yī)療領(lǐng)域得到應(yīng)用，為提高手術(shù)室的安全性和效率提供了新的解決方案。

在深入研究相關(guān)領(lǐng)域后，筆者發(fā)現(xiàn)手術(shù)室人臉識(shí)別與確認(rèn)系統(tǒng)的開發(fā)能夠顯著提升手術(shù)室的安全性。通過人臉識(shí)別技術(shù)，可以確認(rèn)進(jìn)入手術(shù)室的人員身份，有效防止無關(guān)人員進(jìn)入，從而提高手術(shù)室的安全性[2]。同時(shí)，在手術(shù)過程中，醫(yī)生能夠準(zhǔn)確確認(rèn)患者的身份和手術(shù)部位，從而避免醫(yī)療事故的發(fā)生。

隨著現(xiàn)代化醫(yī)院管理模式的不斷發(fā)展，智能化管理已成為趨勢(shì)。人臉識(shí)別技術(shù)的應(yīng)用可以實(shí)現(xiàn)手術(shù)室的智能化管理，提高醫(yī)院的管理效率和工作水平。因此，根據(jù)相關(guān)工作的具體需求，筆者對(duì)該系統(tǒng)進(jìn)行了設(shè)計(jì)。

1 手術(shù)室人臉識(shí)別

1.1 基于稀疏表達(dá)的人臉識(shí)別算法設(shè)計(jì)

手術(shù)室人員進(jìn)出的人臉識(shí)別基本問題是通過使用來自k個(gè)不同類別的標(biāo)記訓(xùn)練樣本確定測(cè)試樣本的所屬類別。利用已知的訓(xùn)練樣本ni（i為所包括的樣本類別），構(gòu)建矩陣Ai，其數(shù)學(xué)表達(dá)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(xùn)練樣本；Rm×ni為訓(xùn)練樣本實(shí)數(shù)集合。

結(jié)合人臉識(shí)別理論，可以定義1個(gè)w×h的灰度圖像，并在上述矩陣行列中引入一個(gè)矢量v，v∈Rm，Rm為實(shí)數(shù)集合。在矩陣Ai中，堆疊了訓(xùn)練人臉圖像的i個(gè)主題。測(cè)試樣本則是由這些訓(xùn)練樣本的稀疏組合來表示的。為更好地了解矩陣Ai的結(jié)構(gòu)，研究者們已經(jīng)提出了多種方法。其中一種簡(jiǎn)單、有效的方法是將同一類別的樣本模擬為1個(gè)線性子空間。這種方法能夠捕捉到真實(shí)數(shù)據(jù)中的大部分變化并且特別適用于人臉識(shí)別[3]。研究表明，在光照、表情等因素的影響下，人臉圖像實(shí)際上位于1個(gè)低維的子空間中，這個(gè)子空間稱為人臉子空間。基于這個(gè)假設(shè)，可以認(rèn)為訓(xùn)練樣本也位于這個(gè)子空間中。給定充足的訓(xùn)練樣本，可以構(gòu)建與i個(gè)主類相關(guān)的矩陣Ai。與i類相關(guān)的測(cè)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(xùn)練樣本線性跨度內(nèi)與i類相關(guān)的測(cè)試樣本；a為線性跨度。

當(dāng)對(duì)條目為矢量的編碼測(cè)試樣本進(jìn)行標(biāo)識(shí)時(shí)，可以通過求解線性結(jié)構(gòu)y=Ax來實(shí)現(xiàn)。需要特別注意的是，使用整個(gè)訓(xùn)練集來求解x與按照特定順序求解的結(jié)果是不同的。通過整體表征，可以得到1個(gè)判別能力更強(qiáng)的分類器，它能夠更好地識(shí)別訓(xùn)練集所代表的目標(biāo)，并有效地剔除訓(xùn)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(jì)算量的前提下，實(shí)現(xiàn)了增量式的排序，其復(fù)雜度與訓(xùn)練用例集的規(guī)模呈線性關(guān)系。

為了找到y(tǒng)=Ax的最稀疏解，需要對(duì)該問題進(jìn)行優(yōu)化，如公式（3）所示。

=argmin||x||0s.tAx=y " " （3）

式中：為優(yōu)化后的結(jié)果；Ax為標(biāo)準(zhǔn)樣本數(shù)值；‖x‖0為零范數(shù)，可以對(duì)一個(gè)矢量中非零條目數(shù)進(jìn)行計(jì)算。

針對(duì)優(yōu)化后的問題，可以通過標(biāo)準(zhǔn)的線性規(guī)劃進(jìn)行求解。當(dāng)已知解為非稀疏系數(shù)時(shí)，可以采用更有效的方法來進(jìn)行求解。

1.2 基于Face Net的人臉識(shí)別判定

在完成基于稀疏表達(dá)的人臉識(shí)別算法設(shè)計(jì)后，本文結(jié)合Face Net來實(shí)現(xiàn)對(duì)人臉的識(shí)別與判定。在深度網(wǎng)絡(luò)的學(xué)習(xí)過程中，盡管并非直接通過訓(xùn)練生成嵌入，但是更深層次的特征往往更容易實(shí)現(xiàn)匹配。現(xiàn)有的人臉識(shí)別算法通常都經(jīng)過訓(xùn)練，可以將K個(gè)人臉劃分為多個(gè)類別，并選擇1個(gè)中間層作為嵌入對(duì)其進(jìn)行分類。然而，這種方法存在不夠直接和中間層數(shù)量較多等問題，嚴(yán)重影響了運(yùn)算和識(shí)別效率。

針對(duì)這一問題，使用隨機(jī)梯度下降和標(biāo)準(zhǔn)（back-propagation），如果作者確認(rèn)正確，請(qǐng)給出依據(jù)。）以及自適應(yīng)梯度（AdaGard）下降算法來對(duì)卷積神經(jīng)網(wǎng)絡(luò)（CNN）進(jìn)行訓(xùn)練[5]。通常情況下，從0.05的學(xué)習(xí)率開始，在CPU集群上進(jìn)行訓(xùn)練，訓(xùn)練時(shí)間為1 000 h～2 000 h。在這期間，當(dāng)時(shí)間為500 h時(shí)，損失會(huì)逐漸減少并趨于平緩，總的來說，訓(xùn)練時(shí)間越長(zhǎng)，效果越好[6]。為了在更短的訓(xùn)練時(shí)間內(nèi)獲得更理想的訓(xùn)練效果，本文建立了一個(gè)基于神經(jīng)網(wǎng)絡(luò)（GoogLeNet）風(fēng)格的初始模型。該模型中的參數(shù)量減少了700萬，部分模型在尺寸（包括深度和過濾器數(shù)量）上明顯減少。Face Net基本結(jié)構(gòu)見表1。

在完成訓(xùn)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(jīng)過人臉測(cè)試的人臉樣本，并將其裁剪為適當(dāng)?shù)某叽纭?）將裁剪后的人臉圖像輸入深度神經(jīng)網(wǎng)絡(luò)GoogLeNet中進(jìn)行深度學(xué)習(xí)。通過深度神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)，可以提取人臉的高級(jí)特征。3）對(duì)提取的特征進(jìn)行歸一化處理，并進(jìn)行次方操作，將結(jié)果映射到1個(gè)類球面上。4）計(jì)算3張圖片（通常是1張錨點(diǎn)圖片、1張正樣本圖片和1張負(fù)樣本圖片）的三元損失，并對(duì)其特征進(jìn)行分析，以判斷它們是否屬于同一人[7]。結(jié)合歐幾里得距離判定，如果計(jì)算出的距離越小，則說明多個(gè)樣本屬于同一身份的可能性越大。

在訓(xùn)練的過程中，為了確保收斂速度，理想情況下會(huì)選擇特定的三元組作為訓(xùn)練機(jī)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(xùn)練樣本；f（xia）為訓(xùn)練率為a時(shí)的樣本訓(xùn)練結(jié)果；f（xin）為訓(xùn)練率為n時(shí)的樣本訓(xùn)練結(jié)果。

結(jié)合上述選擇機(jī)制，重新計(jì)算圖片之間的歐幾里得距離。在整個(gè)訓(xùn)練的過程中，在線生成每個(gè)小批量的訓(xùn)練樣本，并通過從小批量中選擇正負(fù)樣例來實(shí)現(xiàn)對(duì)三元組的選擇[8]。利用上述訓(xùn)練后的算法，可以對(duì)手術(shù)室中的人臉進(jìn)行識(shí)別。

2 手術(shù)室人臉確認(rèn)系統(tǒng)的實(shí)現(xiàn)

2.1 系統(tǒng)開發(fā)工具與總體設(shè)計(jì)

為確保開發(fā)的系統(tǒng)在實(shí)際應(yīng)用中能夠達(dá)到預(yù)期效果，筆者將以上述設(shè)計(jì)內(nèi)容為基礎(chǔ)，進(jìn)行手術(shù)室人臉確認(rèn)系統(tǒng)的開發(fā)環(huán)境、操作與使用工具的設(shè)計(jì)分析。主要開發(fā)工具包括TensorFlow、OpenCV（Open Source Computer Vision Library）、Python和MySQL。

在明確系統(tǒng)開發(fā)所使用的工具后，為了充分發(fā)揮人臉識(shí)別的價(jià)值，避免手術(shù)室中存在的人員混雜等問題，筆者進(jìn)行了確認(rèn)系統(tǒng)的總體設(shè)計(jì)（如圖1所示）。

根據(jù)系統(tǒng)投入使用的實(shí)際需求，將該系統(tǒng)劃分為3個(gè)主要模塊，分別為信息顯示模塊、人臉識(shí)別模塊以及人臉?biāo)趨^(qū)域檢測(cè)模塊。基于這3個(gè)模塊，設(shè)計(jì)手術(shù)室人員確認(rèn)系統(tǒng)模型（如圖2所示）。

2.2 數(shù)據(jù)庫及其交互設(shè)計(jì)

在上述內(nèi)容的基礎(chǔ)上，筆者進(jìn)行了確認(rèn)系統(tǒng)中數(shù)據(jù)庫的開發(fā)與交互設(shè)計(jì)。繪制E-R （實(shí)體 - 關(guān)系）圖是系統(tǒng)數(shù)據(jù)庫設(shè)計(jì)與開發(fā)的前提條件。因此，筆者設(shè)計(jì)了確認(rèn)系統(tǒng)中管理員與手術(shù)室進(jìn)入人員的E-R圖（如圖3所示）。

為確保開發(fā)的系統(tǒng)在實(shí)際應(yīng)用中能夠達(dá)到預(yù)期的交互效果，將確認(rèn)系統(tǒng)與HIS （醫(yī)院內(nèi)部信息管理）系統(tǒng)進(jìn)行了對(duì)接。通過這種方式，本文實(shí)現(xiàn)了在手術(shù)室管理過程中對(duì)人員的精準(zhǔn)識(shí)別與管理。在上述內(nèi)容的基礎(chǔ)上，筆者利用確認(rèn)系統(tǒng)中的Web Service接口技術(shù)，及時(shí)獲取并更新數(shù)據(jù)庫中的數(shù)據(jù)。獲取的數(shù)據(jù)將返回服務(wù)器端，這個(gè)過程稱為數(shù)據(jù)庫中數(shù)據(jù)與系統(tǒng)的交互過程。如圖4所示。

考慮到該系統(tǒng)不需要所有醫(yī)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(shí)現(xiàn)在訪問系統(tǒng)中對(duì)數(shù)據(jù)庫中信息的交互。

根據(jù)系統(tǒng)操作需求，當(dāng)醫(yī)護(hù)人員需要進(jìn)入手術(shù)室時(shí)，安裝在門口的攝像機(jī)就會(huì)開始拍攝。在此過程中，系統(tǒng)以5幀/s的速度從攝像機(jī)中讀取視頻，并使用HTML5視頻標(biāo)記進(jìn)行人臉讀取。該功能利用多層神經(jīng)網(wǎng)絡(luò)進(jìn)行面部區(qū)域提取，可以自動(dòng)返回選擇框中，并標(biāo)記面部關(guān)鍵點(diǎn)，便于后續(xù)的面部對(duì)準(zhǔn)。人臉識(shí)別成功界面如圖5所示。

面部區(qū)域檢測(cè)是指當(dāng)醫(yī)護(hù)人員有可能戴著口罩時(shí)，系統(tǒng)也能精確地選擇面部框，從而向要進(jìn)手術(shù)室的醫(yī)護(hù)人員可視化地發(fā)送面部選擇框，并提示其進(jìn)行下一步操作。

在此過程中，本文采用Face Net技術(shù)，計(jì)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(jìn)入，并根據(jù)確認(rèn)的人員信息，顯示相應(yīng)的手術(shù)信息；否則，門禁將無法開啟。

3 結(jié)語

人臉識(shí)別技術(shù)在醫(yī)療領(lǐng)域的應(yīng)用已經(jīng)得到了廣泛關(guān)注。國(guó)內(nèi)外研究者提出了一系列針對(duì)醫(yī)療領(lǐng)域的人臉識(shí)別方法，包括基于深度學(xué)習(xí)的人臉識(shí)別和基于特征提取的人臉識(shí)別等。然而，目前手術(shù)室人臉識(shí)別與確認(rèn)系統(tǒng)的相關(guān)研究還比較少見且存在一定的局限性（例如對(duì)硬件設(shè)備的要求較高且識(shí)別準(zhǔn)確率較差）。針對(duì)早期系統(tǒng)開發(fā)存在的不足，本文進(jìn)行了此次研究。

雖然該系統(tǒng)截至目前在經(jīng)過大量測(cè)試后已經(jīng)取得了顯著成果，但是在實(shí)際應(yīng)用中仍不可避免地存在一些問題，例如對(duì)側(cè)臉和遮擋臉的識(shí)別效果有待進(jìn)一步提高。未來的研究方向可以包括改進(jìn)面部識(shí)別算法、優(yōu)化硬件設(shè)備配置和拓展系統(tǒng)的應(yīng)用范圍等。總之，隨著技術(shù)的不斷發(fā)展和完善，手術(shù)室人臉識(shí)別系統(tǒng)將在醫(yī)療領(lǐng)域發(fā)揮越來越重要的作用，為患者和醫(yī)院帶來更多的安全和便利。

綜上所述，本文所設(shè)計(jì)的系統(tǒng)具有一定的理論價(jià)值和實(shí)際意義，可以為提高手術(shù)室的安全性和效率提供有效的技術(shù)支持。

參考文獻(xiàn)

[1]應(yīng)悅，朱鋒杰.超高頻電子射頻識(shí)別技術(shù)在手術(shù)器械自動(dòng)清點(diǎn)中的應(yīng)用[J].醫(yī)療裝備，2022，35（20）：55-57.

[2]張興靖，羅葉輝，徐云華，等.基于多模態(tài)信息識(shí)別技術(shù)管理模式在醫(yī)院手術(shù)室管理中的效果研究[J].中國(guó)醫(yī)學(xué)裝備，2023，20（6）：108-111.

[3]徐嵐，鄭紹基，張應(yīng)，等.基于智慧醫(yī)療支持下運(yùn)用TRM方法對(duì)手術(shù)室醫(yī)用耗材二級(jí)庫房的管理研究[J].中國(guó)醫(yī)療器械雜志，2023，47（2）：220-224.

[4]應(yīng)悅，王以文，包莉.射頻識(shí)別技術(shù)在手術(shù)室外科縫線精細(xì)化管理中的應(yīng)用[J]. 醫(yī)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(shù)患者身份識(shí)別流程改進(jìn)中的應(yīng)用[J].中國(guó)護(hù)理管理，2022，22（12）：1866-1871.

[6]徐鑫，王從，杜立挺，等.射頻識(shí)別技術(shù)在手術(shù)室儀器設(shè)備全生命周期管理中的應(yīng)用效果分析[J].延安大學(xué)學(xué)報(bào)（醫(yī)學(xué)科學(xué)版），2022，20（1）：89-92.

[7]張敏麗，徐英英，孫博.射頻識(shí)別技術(shù)在手術(shù)室智能化管理中的應(yīng)用[J].中醫(yī)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(shí)別技術(shù)在手術(shù)室儀器設(shè)備管理中的應(yīng)用[J].全科護(hù)理，2021，19（6）：807-809.