早产婴儿被送入新生儿重症监护室（NICU）数周，通常接受高度的医疗监督。新生儿重症监护室的环境被认为对新生儿睡眠周期（称为昼夜节律）的形成有不良影响，因为患者监测和治疗设备整天都会发出光和噪音。为了改善新生儿环境，研究人员调查了光和噪音对新生儿的影响。有一些方法和设备可以测量新生儿的警觉性，但它们给新生儿患者或护士带来了额外的负担。因此，本研究提出了一种基于视频图像的非接触式新生儿警觉状态自动分类方法。该方法包括人脸感兴趣区域（ROI）位置归一化方法、方向梯度直方图（HOG）和基于梯度特征的特征提取方法，以及使用机器学习的新生儿警觉状态分类方法。使用7名新生儿受试者的14幅视频图像进行的对比实验表明，使用HOG特征和平均合并的加权支持向量机（w-SVM）取得了最高的分类性能（micro-F1为0.732）。在临床情况下，评估身体运动主要是为了对清醒状态进行分类。通过将清醒状态合并为一个类别，进行了额外的4个类别分类实验，结果表明，所提出的基于面部表情的分类适用于睡眠状态的详细分类。

1. [1] H.Blencowe、S.Cousens、M.Z.Oestegaard、D.Chou、A.B.Moller、R.Narwal、A.Adler、C.V.Garcia、S.Rohde、L.Say和J.E.Lawn，“2010年部分国家的国家、地区和全球早产率估计，以及1990年以来的时间趋势：系统分析和影响”，《柳叶刀》，第379卷，第9832号，第2162-2172页，2012年。
2. [2] 卫生、劳动和福利部，《日本人口动态统计——最新趋势》，2017年。
3. [3] S.Blackburn，“新生儿重症监护室对发育结果的环境影响”，《儿科护理杂志》，第13卷，第5期，第279-289页，1998年。
4. [4] H.Shinkoda、Y.Kinoshita、R.Mitsutake、F.Ueno、H.Arata、C.Kiyohara、Y.Suetsugu、Y.Koga、K.Anai、M.Shiramizu、M.Ochiai和T.Kaku，“新生儿重症监护室环境（照度、噪音）下早产儿/睡眠和生理反应的影响——从昼夜节律变化和昼夜对比来看——”，Mie Nursing J。，2015年第17卷第1期第35-44页（日语）。
5. [5] M.Shiramizu和H.Shinkoda，“研究早产儿最适合的照明环境的初步研究：使用Actigraph分析活动量和生理反应”，Mie Nursing J.，2016年第18卷第1期，第15-21页（日语）。
6. [6] T.B.Brazelton，“新生儿行为评估量表”，《空间医学国际出版物》，1973年。
7. [7] V.Ibáñez、J.Silva和O.Cauli，“睡眠评估方法调查”，PeerJ，第6卷，第e4849条，2018年。
8. [8] W.C.Orr，“多导睡眠图在睡眠障碍评估中的应用”，《北美临床医学》，第69卷，第6期，第1153-1167页，1985年。
9. [9] R.J.Cole、D.F.Kripke、W.Gruen、D.J.Mullaney和J.C.Gillin，《从腕部活动中自动识别睡眠/唤醒》，《睡眠》，第15卷第5期，第461-469页，1992年。
10. [10] M.Sung、T.M.Adamson和R.S.C.Horne，“确定早产儿睡眠和醒来的活动记录仪验证”，《儿科学报》，第98卷，第1期，第52-57页，2009年。
11. [11] E.Nakayama、H.Kobayashi和N.Yamamoto，“通过手腕动作识别睡懒人的基本研究”，《护理学石川杂志》，第3卷，第2期，第31-37页，2006年（日语）。
12. [12] S.Cabon、F.Porée、A.Simon、B.Met Montot、P.Pladys、O.Rosec、N.Nardi和G.Carrault，“基于音频和视频的新生儿重症监护室睡眠阶段估计”，生物医学信号处理与控制，第52卷，第362-370页，2019。
13. [13] H.F.R.Prechtl，“新生儿的行为状态（综述）”，《大脑研究》，第76卷，第2期，第185-212页，1974年。
14. [14] M.Hattori、K.Morita、T.Wakabayashi、H.Shinkoda、A.Matsumoto、Y.Noguchi和M.Shiramizu，“通过身体运动检测在新生儿重症监护室中估计新生儿睡眠状态”，计算机视觉前沿国际研讨会，2021年。
15. [15] F.Pedregosa、G.Varoquaux、A.Gramfort、V.Michel、B.Thirion、O.Grisel、M.Blondel、P.Prettenhofer、R.Weiss、V.Dubourg、J.Vanderplas、A.Passos、D.Cournapeau、M.Brucher、M.Perrot和E。Duchesnay，“Scikit-learn:Python中的机器学习”，机器学习研究杂志，第12卷，第2825-2830页，2011年。
16. [16] N.Dalal和T.Bill，“用于人类检测的定向梯度直方图”，2005年IEEE计算机学会计算机视觉和模式识别会议（CVPR'05），2005年第1卷。
17. [17] T.Wakabayashi、S.Tsuruoka、F.Kimura和Y.Miyake，“增加手写数字识别中的特征大小以提高准确性”，《日本的系统与计算机》，第26卷，第8期，第35-44页，1995年。
18. [18] M.Shi、Y.Fujisawa、T.Wakabayashi和F.Kimura，“利用灰度图像的梯度和曲率进行手写数字识别”，《模式识别》，第35卷，第10期，第2051-2059页，2002年。