新生儿疼痛表情识别：ULSDA算法的特征提取与性能提升

本文主要探讨的是"基于不相关局部敏感鉴别分析的新生儿疼痛表情识别"这一主题，发表于2013年的《南京邮电大学学报（自然科学版）》第33卷第6期。研究者卢官明和左加阔针对新生儿疼痛表情识别中的特征提取难题，提出了Uncorrelated Locality Sensitive Discriminant Analysis (ULSDA) 算法。ULSDA算法是在局部敏感鉴别分析(LSDA)的基础上发展而来，它引入了投影向量正交性的约束，以定义一个目标函数，以此优化特征子空间的构建。 首先，ULSDA算法通过对LSDA的目标函数进行扩展，考虑了正交投影向量的约束，这使得算法在保持有监督学习特性的同时，能够消除LSDA中特征之间的相关性。这种改进有助于增强特征的鉴别能力，提高分类识别的准确性。相比于传统的主成分分析(PCA)、线性鉴别分析(LDA)以及原始的LSDA，ULSDA在保持局部流形结构的同时，显示出更高的性能。 实验部分，作者使用新生儿表情图像库进行了疼痛表情识别的验证。结果显示，当每类表情的训练样本图像数量达到150幅时，ULSDA算法表现出显著的优势，平均识别率达到82.07%，这证明了该方法的有效性和可行性。ULSDA算法作为一种改进的特征提取和分类技术，对于新生儿疼痛表情识别任务具有重要的应用价值，尤其是在复杂的数据环境中，其对相关性减少的处理策略提高了识别精度。