El modelo del proceso para la detección del dolor está compuesto por 3 fases, como se muestran en la Figura 9, y se describen enseguida.
Figura 9.Modelo del Proceso del sistema de detección de dolor.
1. Fase de pre procesamiento: El objetivo de esta fase es el preparar las imáge- nes para ser procesadas por un conjunto particular de métodos. Esto se podría interpretar como la mejora de la imagen, para que su procesamiento tenga mejo- res resultados. Primero se seleccionó la base de datos UNBC-McMaster (Explicada en el capítulo 4), para enseguida balancear las clases que contiene, distribuyen- do los datos para obtener conjuntos de datos balanceados. Una vez establecida la distribución de los datos, el siguiente paso es extraer y etiquetar los datos de la base de datos; el componente etiquetador de las imágenes, extrae de la base de datos la ubicación de la imagen y la etiqueta que está dentro de un archivo
de texto, la cual corresponde a su escala PSPI, que en nuestro caso serán las cla- ses en las que estarán clasificadas las imágenes, esto se almacena en un archivo CSV.
2. Fase de entrenamiento: El objetivo de esta fase es entrenar un modelo clasifi- cador con un conjunto de imágenes, con la finalidad de que este pueda utilizarse para clasificar nuevos datos; en esta fase se utiliza el archivo CSV creado en el pre procesamiento, esto es, el conjunto de las imágenes que fueron establecidas para realizar el entrenamiento.
Del archivo CSV se extrae, una por una, la dirección de la imagen y su etiqueta; esta última es almacenada en un arreglo que más adelante se utiliza para el en- trenamiento del clasificador, el archivo de la imagen es abierto para ser utilizado como una variable junto con la dirección de la imagen, enseguida se pre-procesan y adecuan las imágenes con las que se va a trabajar, de acuerdo a los parámetros necesarios para poder utilizarlas con los métodos seleccionados. En nuestro caso es convertir la imagen a formato escala de grises, ya que vienen en formato RGB. Después se pasa la imagen por el detector de rostros que utiliza el algoritmo de Viola-Jones (Wang, 2014) (como se describe en el capítulo 5), en donde la imagen es recortada en las posiciones en las que el detector marca como un rostro. Esta imagen recortada y en escala de grises es la imagen sobre la que se realiza la extracción de características.
Para la extracción de características se utilizó el método LBPH Chan et al. (2007)
explicado en el capítulo 5. En este proceso se realiza la caracterización de la imagen, de donde se obtiene un histograma global de la misma, que se toma como la característica principal y la representación de los gestos que detectó el sistema. Este histograma es almacenado en un arreglo y se procede a seleccionar la siguiente imagen del conjunto de datos para el entrenamiento. Por último, se realiza la creación del modelo entrenado del clasificador de vecino cercano (Duda et al., 2012) (Explicado en el capítulo 5). Para esto, primero se crean los
clasificadores con ciertos parámetros, una vez generados, se utiliza el arreglo de los histogramas locales y el que contiene las etiquetas. Cada histograma global está asociado a la etiqueta de la imagen de la cual se extrajo, este conjunto de histogramas globales y su conjunto de respectivas etiquetas son pasados a los clasificadores para su entrenamiento. Del entrenamiento del clasificador se
crea un modelo que se almacena con la extensión XML, que será utilizado en el sistema de clasificación.
3. Fase de clasificación: El objetivo de esta etapa es el poder determinar si una imagen se puede clasificar de acuerdo a un conjunto de características estable- cidas. En esta fase se trabaja con la imagen obtenida de la cámara, esta imagen debe ser procesada igual que los datos de la base de datos en el sistema de entrenamiento, para que estén en las mismas condiciones y no exista incompa- tibilidad durante el proceso. Para lograrlo, la imagen es convertida a escala de grises, para enseguida pasarla al detector de rostros de Viola-Jones (explicado en el capítulo 5), en donde la imagen es recortada en las posiciones en las que el detector marca como un rostro.Una vez que la imagen es recortada y pasada a la escala de grises, se aplica el método de extracción de características LBPH. De aquí, al igual que en el entrenamiento, se obtiene un histograma global de la imagen como característica principal, enseguida es creado un clasificador de vecino cercano con el modelo XML que se obtuvo del sistema de entrenamiento, se toma el histograma global obtenido de la imagen nueva y es comparado por el clasificador, este último devuelve como resultado la clase a la que pertenece la imagen, en nuestro caso las de la intensidad de dolor, por último el resultado es mostrado en pantalla y almacenado en un archivo de texto para que el usuario final pueda verla.
En la figura 10 se muestra el flujo que utiliza el modelo del proceso para la detección del dolor que se describió anteriormente, mostrando en flechas verdes el flujo de la fase de entrenamiento y en azul la fase de clasificación.
Figura 10.Modelo del proceso para la detección del dolor.