手术室人脸识别与确认系统设计与实现

摘 要：针对医务人员到达手术室时存在手术位置与手术信息不准确的问题，本文进行了手术室人脸识别与确认系统设计与实现的研究。通过基于稀疏表达的人脸识别算法和基于Face Net的人脸识别判定，实现对手术室人脸的准确识别。同时，通过系统开发工具的选择、系统总体设计、数据库以及其交互设计，完成了手术室人脸确认系统的功能规划。实际应用结果表明，新系统可以提高医务人员到达手术室时手术位置与信息的准确性，有利于促进医院智能化建设。

关键词：手术室；人脸；识别；系统

中图分类号：TP 31 " " " " " " 文献标志码：A

手术室是医院最关键的部门之一，其安全性和效率与患者的生命健康息息相关。因此，提高手术室的安全性和效率一直是医院管理者关注的重点[1]。随着科技的进步，人脸识别技术逐渐在医疗领域得到应用，为提高手术室的安全性和效率提供了新的解决方案。

在深入研究相关领域后，笔者发现手术室人脸识别与确认系统的开发能够显著提升手术室的安全性。通过人脸识别技术，可以确认进入手术室的人员身份，有效防止无关人员进入，从而提高手术室的安全性[2]。同时，在手术过程中，医生能够准确确认患者的身份和手术部位，从而避免医疗事故的发生。

随着现代化医院管理模式的不断发展，智能化管理已成为趋势。人脸识别技术的应用可以实现手术室的智能化管理，提高医院的管理效率和工作水平。因此，根据相关工作的具体需求，笔者对该系统进行了设计。

1 手术室人脸识别

1.1 基于稀疏表达的人脸识别算法设计

手术室人员进出的人脸识别基本问题是通过使用来自k个不同类别的标记训练样本确定测试样本的所属类别。利用已知的训练样本ni（i为所包括的样本类别），构建矩阵Ai，其数学表达式如公式（1）所示。

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

式中：vi，1、vi，2、...、vi，ni为矩阵中的训练样本；Rm×ni为训练样本实数集合。

结合人脸识别理论，可以定义1个w×h的灰度图像，并在上述矩阵行列中引入一个矢量v，v∈Rm，Rm为实数集合。在矩阵Ai中，堆叠了训练人脸图像的i个主题。测试样本则是由这些训练样本的稀疏组合来表示的。为更好地了解矩阵Ai的结构，研究者们已经提出了多种方法。其中一种简单、有效的方法是将同一类别的样本模拟为1个线性子空间。这种方法能够捕捉到真实数据中的大部分变化并且特别适用于人脸识别[3]。研究表明，在光照、表情等因素的影响下，人脸图像实际上位于1个低维的子空间中，这个子空间称为人脸子空间。基于这个假设，可以认为训练样本也位于这个子空间中。给定充足的训练样本，可以构建与i个主类相关的矩阵Ai。与i类相关的测试样本如公式（2）所示。

y=ai，1vi，1+ai，2vi，2+…ai，nivi，ni " （2）

式中：y为在训练样本线性跨度内与i类相关的测试样本；a为线性跨度。

当对条目为矢量的编码测试样本进行标识时，可以通过求解线性结构y=Ax来实现。需要特别注意的是，使用整个训练集来求解x与按照特定顺序求解的结果是不同的。通过整体表征，可以得到1个判别能力更强的分类器，它能够更好地识别训练集所代表的目标，并有效地剔除训练集中任意类别不包括的边界样本[4]。这种方法在不增加计算量的前提下，实现了增量式的排序，其复杂度与训练用例集的规模呈线性关系。

为了找到y=Ax的最稀疏解，需要对该问题进行优化，如公式（3）所示。

=argmin||x||0s.tAx=y " " （3）

式中：为优化后的结果；Ax为标准样本数值；‖x‖0为零范数，可以对一个矢量中非零条目数进行计算。

针对优化后的问题，可以通过标准的线性规划进行求解。当已知解为非稀疏系数时，可以采用更有效的方法来进行求解。

1.2 基于Face Net的人脸识别判定

在完成基于稀疏表达的人脸识别算法设计后，本文结合Face Net来实现对人脸的识别与判定。在深度网络的学习过程中，尽管并非直接通过训练生成嵌入，但是更深层次的特征往往更容易实现匹配。现有的人脸识别算法通常都经过训练，可以将K个人脸划分为多个类别，并选择1个中间层作为嵌入对其进行分类。然而，这种方法存在不够直接和中间层数量较多等问题，严重影响了运算和识别效率。

针对这一问题，使用随机梯度下降和标准（back-propagation），如果作者确认正确，请给出依据。）以及自适应梯度（AdaGard）下降算法来对卷积神经网络（CNN）进行训练[5]。通常情况下，从0.05的学习率开始，在CPU集群上进行训练，训练时间为1 000 h～2 000 h。在这期间，当时间为500 h时，损失会逐渐减少并趋于平缓，总的来说，训练时间越长，效果越好[6]。为了在更短的训练时间内获得更理想的训练效果，本文建立了一个基于神经网络（GoogLeNet）风格的初始模型。该模型中的参数量减少了700万，部分模型在尺寸（包括深度和过滤器数量）上明显减少。Face Net基本结构见表1。

在完成训练后，判定多张人脸图像是否属于同一人的推理步骤如下。1）输入已经过人脸测试的人脸样本，并将其裁剪为适当的尺寸。2）将裁剪后的人脸图像输入深度神经网络GoogLeNet中进行深度学习。通过深度神经网络的学习，可以提取人脸的高级特征。3）对提取的特征进行归一化处理，并进行次方操作，将结果映射到1个类球面上。4）计算3张图片（通常是1张锚点图片、1张正样本图片和1张负样本图片）的三元损失，并对其特征进行分析，以判断它们是否属于同一人[7]。结合欧几里得距离判定，如果计算出的距离越小，则说明多个样本属于同一身份的可能性越大。

在训练的过程中，为了确保收敛速度，理想情况下会选择特定的三元组作为训练机制F，如公式（4）所示。

F=argminxin||f（xia）-f（xin）||22 （4）

式中：F为三元组；xin为训练样本；f（xia）为训练率为a时的样本训练结果；f（xin）为训练率为n时的样本训练结果。

结合上述选择机制，重新计算图片之间的欧几里得距离。在整个训练的过程中，在线生成每个小批量的训练样本，并通过从小批量中选择正负样例来实现对三元组的选择[8]。利用上述训练后的算法，可以对手术室中的人脸进行识别。

2 手术室人脸确认系统的实现

2.1 系统开发工具与总体设计

为确保开发的系统在实际应用中能够达到预期效果，笔者将以上述设计内容为基础，进行手术室人脸确认系统的开发环境、操作与使用工具的设计分析。主要开发工具包括TensorFlow、OpenCV（Open Source Computer Vision Library）、Python和MySQL。

在明确系统开发所使用的工具后，为了充分发挥人脸识别的价值，避免手术室中存在的人员混杂等问题，笔者进行了确认系统的总体设计（如图1所示）。

根据系统投入使用的实际需求，将该系统划分为3个主要模块，分别为信息显示模块、人脸识别模块以及人脸所在区域检测模块。基于这3个模块，设计手术室人员确认系统模型（如图2所示）。

2.2 数据库及其交互设计

在上述内容的基础上，笔者进行了确认系统中数据库的开发与交互设计。绘制E-R （实体 - 关系）图是系统数据库设计与开发的前提条件。因此，笔者设计了确认系统中管理员与手术室进入人员的E-R图（如图3所示）。

为确保开发的系统在实际应用中能够达到预期的交互效果，将确认系统与HIS （医院内部信息管理）系统进行了对接。通过这种方式，本文实现了在手术室管理过程中对人员的精准识别与管理。在上述内容的基础上，笔者利用确认系统中的Web Service接口技术，及时获取并更新数据库中的数据。获取的数据将返回服务器端，这个过程称为数据库中数据与系统的交互过程。如图4所示。

考虑到该系统不需要所有医生和患者的全部信息，因此，在交互过程中，只需要集成部分Web Service接口，即可实现在访问系统中对数据库中信息的交互。

根据系统操作需求，当医护人员需要进入手术室时，安装在门口的摄像机就会开始拍摄。在此过程中，系统以5帧/s的速度从摄像机中读取视频，并使用HTML5视频标记进行人脸读取。该功能利用多层神经网络进行面部区域提取，可以自动返回选择框中，并标记面部关键点，便于后续的面部对准。人脸识别成功界面如图5所示。

面部区域检测是指当医护人员有可能戴着口罩时，系统也能精确地选择面部框，从而向要进手术室的医护人员可视化地发送面部选择框，并提示其进行下一步操作。

在此过程中，本文采用Face Net技术，计算2幅图像的欧几里得距离。如果“人”“码”一致，则门禁取消，人员可以进入，并根据确认的人员信息，显示相应的手术信息；否则，门禁将无法开启。

3 结语

人脸识别技术在医疗领域的应用已经得到了广泛关注。国内外研究者提出了一系列针对医疗领域的人脸识别方法，包括基于深度学习的人脸识别和基于特征提取的人脸识别等。然而，目前手术室人脸识别与确认系统的相关研究还比较少见且存在一定的局限性（例如对硬件设备的要求较高且识别准确率较差）。针对早期系统开发存在的不足，本文进行了此次研究。

虽然该系统截至目前在经过大量测试后已经取得了显著成果，但是在实际应用中仍不可避免地存在一些问题，例如对侧脸和遮挡脸的识别效果有待进一步提高。未来的研究方向可以包括改进面部识别算法、优化硬件设备配置和拓展系统的应用范围等。总之，随着技术的不断发展和完善，手术室人脸识别系统将在医疗领域发挥越来越重要的作用，为患者和医院带来更多的安全和便利。

综上所述，本文所设计的系统具有一定的理论价值和实际意义，可以为提高手术室的安全性和效率提供有效的技术支持。

参考文献

[1]应悦，朱锋杰.超高频电子射频识别技术在手术器械自动清点中的应用[J].医疗装备，2022，35（20）：55-57.

[2]张兴靖，罗叶辉，徐云华，等.基于多模态信息识别技术管理模式在医院手术室管理中的效果研究[J].中国医学装备，2023，20（6）：108-111.

[3]徐岚，郑绍基，张应，等.基于智慧医疗支持下运用TRM方法对手术室医用耗材二级库房的管理研究[J].中国医疗器械杂志，2023，47（2）：220-224.

[4]应悦，王以文，包莉.射频识别技术在手术室外科缝线精细化管理中的应用[J]. 医疗装备，2022，35（24）：52-55.

[5]卢振玲，杨昕宇，马兵，等.根本原因分析法在日间手术患者身份识别流程改进中的应用[J].中国护理管理，2022，22（12）：1866-1871.

[6]徐鑫，王从，杜立挺，等.射频识别技术在手术室仪器设备全生命周期管理中的应用效果分析[J].延安大学学报（医学科学版），2022，20（1）：89-92.

[7]张敏丽，徐英英，孙博.射频识别技术在手术室智能化管理中的应用[J].中医药管理杂志，2021，29（20）：182-183.

[8]陈俊，林岩，王全平，等.基于二维码识别技术在手术室仪器设备管理中的应用[J].全科护理，2021，19（6）：807-809.