一种基于KINECT骨骼数据的帕金森病症计算机辅助判别方法技术

本发明专利技术公开了一种非接触式帕金森症检测的方法。解决了接触式可能带来的干扰被检测者正常行走的问题，降低了硬件成本与设备的复杂性。方法包括：通过kinect采集骨骼数据；提取中心点，对该点坐标序列作低通滤波，得到新序列；提取“行走周期人体最矮点”计算步行周期；计算运动学参数和步幅参数。对六组参数序列进行单因素方差分析，根据结果和箱线图选择可实验数据，获得被检测者步行常态数据。A.由新数据，计算左右脚相邻帧位移序列，计算相关系数判断对称性；若对称性符合PD即疑似PD；B.对中心点移步加速度序列，通过患者HMM模型参数计算观测序列出现的概率，判断是否为PD患者。A和B同时满足即确诊PD。

【技术实现步骤摘要】
一种基于KINECT骨骼数据的帕金森病症计算机辅助判别方法
本申请涉及医疗领域、力学领域、人体测量学领域、计算机视觉等领域，尤其涉及通过深度视觉信号监测判别帕金森症的方法。
技术介绍
帕金森病(PD)是一种中枢神经系统变性疾病，临床表现主要包括静止性震颤、运动迟缓、肌强直和姿势步态障碍，帕金森病的诊断主要依靠病史、临床症状及体征。通过监测被测试者行走步态体征，便可判断出该测试者是否患有PD。具体为通过监测老年人行走过程的运动学参数、时空参数等参数判断。监测帕金森症可以及时告知该病患者病情进展，督促患者及时就医，避免病情进一步恶化，保障患者生命安全。目前，对帕金森症的检测主要分为医疗研究方面和机器视觉研究两方面。医疗研究方面主要为生物检查：类似于脑CT、MRI检查等，检查脑萎缩等症状；在机器视觉研究方面，主要是集中在步态分析上。步态分析的方法及设备有很多，从步态参数分类来看，主要分为三大类:运动学参数检测、动力学参数检测、生理学参数检测。运动学参数主要采用：三维影像分析系统；动力学参数检测是用：多维测力台、压力分布测试仪、电子跑道；生理学参数检测是用：表面机电信号采集分析系统。综上所述，帕金森步态分析主要设备三类主要设备可以理解为:接触式、非接触式以及接触式和非接触式相结合。接触式和接触式与非接触式相结合两种帕金森症检测都有可能存在着干扰被监测这正常走路姿态的问题。
技术实现思路
本专利技术针对以上问题，提出一种基于kinect骨骼数据的帕金森病症计算机辅助判别方法，该方法既有其他两种方法的优点又能降低硬件成本。本专利技术提供了一种通过骨骼数据监测帕金森病的方法包括：1、通过kinect采集骨骼数据；2、提取中心点坐标序列，作该点y坐标变化曲线；3、对该点坐标序列进行‘rlowess’滤波，得到降噪后的序列，提取“每个步行周期人体最矮点”以计算出步行周期；4、根据周期和“最矮点”以及骨骼数据采集伴随的动态时间数据，分别计算出运动学参数和步幅参数。5、对几次实验所得参数序列进行单因素方差分析，根据分析结果和箱线图选择步长对称性较好和步幅较均匀的两项作为可实验数据，获得被检测者步行常态。6、取稳态数据序列所求步幅参数和运动学参数进行下述实验：(1)a.提取左右脚位移序列，计算皮尔逊相关系数为两序列的相关强度，作为跨步对称性指标。b.将返回值对比患者该值范围，判断是否为患者。(2)a.对收集到的PD患者的加速度和速度序列进行DBSCAN聚类算法进行标准化处理，得到聚类序列。b.使用Baum-Welch算法学习新序列的HMM模型λ＝(π,A,B)。c.使用前向算法计算收集到的规范化后的测试者加速度序列对于模型的概率值，判断该名测试者是否为患者。注：帕金森症步态方面临床表现，共为三种主要情况：(一)冻结步态和慌张步态的出现导致步态测试结果紊乱。(二)平衡障碍、步态变异性的增加即步态周期参数的变化、对称性降低。(三)肌僵直，并伴随单支撑相期的减少、双支撑相期的增加。在本专利技术中的应用为：A、对于“冻结步态和慌张步态”，由于测试为一人六次五米直线走实验，所以结果捕捉到的该现象的可能性较低；同时，由于摄像头提取数据时存在随机误差，例如测试者行走加速或减速难控，因此将此两种可能出现的步态状况归结为实验误差，不予考虑。并且通过单因素方差分析将几组数据进行对比，排除非常态。其中通过步长箱线图观测左右脚跨步稳定性，通过步幅箱线图观测被检测者行走步速稳定性。B、对于“步态变异性的增加，对称性降低”，我们提取两条腿各自相邻帧位移量组成序列，求出相关强度作为相似概率。将概率与患者不对称性范围对比，对比患病与否。C、对于“肌僵直，并伴随单支撑相期的减少、双支撑相期的增加”。我们推测并已由下述实验证明得出：帕金森患者加速度序列分布与常人具有一定的差异性，患者为了缩短单支撑相期会提高落地前的加速运动部分在迈腿过程中所占比例。因此我们采用DBSCAN聚类算法求解加速度分布序列，训练出患者的HMM模型参数，对比求出被测试者行走序列出现概率，判断患病与否。图1是本专利技术方法的流程图，下面结合流程图对本专利技术所提出的方法做进一步说明。进一步地，采集骨骼数据包括确定Kinect可视范围，使用kinect自带SDK记录步态骨骼数据并记录，同时记录动态时间。所记录骨骼数据为实验过程中全身25个点的空间三维坐标。进一步地，取Spine_Base点作为中心点，得到该点在kinect坐标系下y值变化序列，做y随时间、y随点序号变化曲线，选取稳定变化序列。对稳态变化序列进行低通滤波，计算每一点的瞬时变化率，取每次循环最低点作为“行走过程中单位跨步人体最矮点”，(后面简称最矮点)。并根据两次“最矮点”的时间间隔算出周期。进一步地，根据算出的周期和“最矮点”，加上提取骨骼数据时采集的时间数据，计算步态参数：步幅参数、运动学参数。a、运动学参数为：加速度和速度；b、步幅参数为：步长、步幅。进一步地，对步幅序列做单因素方差分析，并通过绘制箱线图，对比各组图形。筛除组内数据波动较大的序列，获取步行稳定常态序列。进一步地，将每次行走左右脚位移序列进行对比，计算皮尔逊相关系数，得到左右脚位移相似度，将被监测者数值与患者数值范围相比较，若在范围之内即可认为患病。进一步地，使用DBSCAN聚类算法对PD患者的加速度序列标准化处理，得到标准化后的加速度分布序列。对于该序列，建立HMM模型，并运用Baum-Welch算法学习模型λ＝(π,A,B)，前向算法计算被测试者加速度序列对于λ的概率，判断是否有可能患有帕金森症。由于采用了上述技术方案，本专利技术提供的基于kinect骨骼数据的计算机辅助判别的方法具有以下优势：1)通过行走时人体中心点三维坐标的变化序列，结合人体测量学提取周期的方法简单易处理，降低了算法的复杂度。2)与接触式设备例如携带注明关节点设备相比，做到了非接触且保证被监测者的正常行为活动。3)与目前较流行同时利用压力传感器和摄像设备相结合的方法计算人体步态活动参数的方法相比。本方法采用Kinect摄像头降低了硬件成本，同时也能保证一定的准确率。4)本方法采用两种方法分别对帕金森可能出现的两种症状进行的分析，更能保证一定的检测准确度，对帕金森症进行了更全面的监控。附图说明为了更清楚的说明本专利技术的实施或现有的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做一简单的介绍。显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来说，在不付出任何创造性劳动的前提下，还可以根据这些附图获得其他的附图。A、实验专利技术流程图图1描述专利技术方法流程图图2专利技术实例中检测帕金森症算法流程图B、硬件效果图图3专利技术实施例中采用的Kinect骨骼帧示意图图4专利技术实例中kinect自带坐标系示意图C、实验图图5专利技术实施例中摄像头放置以及采集被监测者步态数据示意图图6人体测量学中人体行走过程分解示意图图7行走过程中步态术语定义示意图图8专利技术实施例中正采集被监测者步态数据的场景图图9Spine_Base点y坐标随序号变化曲线图10实施例中Spine_Base点y坐标随时间变化曲线图11实施例中Spine_Base点y坐标随序号变化曲线图12进行低通滤波后的新曲线图13新曲线上原有点本文档来自技高网...

【技术保护点】
一种基于kinect骨骼数据的帕金森症计算机辅助判别方法，包括以下步骤：通过kinect获取步行一次人体骨骼数据三维坐标序列；选择Mid‑Center点，对数据进行低通滤波；对新序列每一点计算瞬时变化率，得变化序列，根据序列变化曲线求每个循环最低值为“行走周期内人体最矮点”和并计算周期；根据周期计算出步幅参数序列和运动学参数序列；对步幅参数序列，1)使用单因素方差分析筛选出行走常态数据。2)根据稳态数据分别计算左右脚位移序列。3)计算两个序列的皮尔逊相关系数作为相关程度，对比左右脚对称性。4)作出结论：对称系数小于正常人，即极有可能患有PD。对于运动学参数，1)对收集的PD症患者加速度序列进行DBSCAN聚类，聚类结果作为HMM观察序列。2)运用Baum‑Welch算法学习模型参数。3)根据模型参数，用前向算法计算观测序列出现的概率，大于阈值则极有可能患有PD症。

【技术特征摘要】
1.一种基于kinect骨骼数据的帕金森症计算机辅助判别方法，包括以下步骤：通过kinect获取步行一次人体骨骼数据三维坐标序列；选择Mid-Center点，对数据进行低通滤波；对新序列每一点计算瞬时变化率，得变化序列，根据序列变化曲线求每个循环最低值为“行走周期内人体最矮点”和并计算周期；根据周期计算出步幅参数序列和运动学参数序列；对步幅参数序列，1)使用单因素方差分析筛选出行走常态数据。2)根据稳态数据分别计算左右脚位移序列。3)计算两个序列的皮尔逊相关系数作为相关程度，对比左右脚对称性。4)作出结论：对称系数小于正常人，即极有可能患有PD。对于运动学参数，1)对收集的PD症患者加速度序列进行DBSCAN聚类，聚类结果作为HMM观察序列。2)运用Baum-Welch算法学习模型参数。3)根据模型参数，用前向算法计算观测序列出现的概率，大于阈值则极有可能患有PD症。2.如权利要求1所述的一种基于kinect骨骼数据的帕金森症计算机辅助判别方法中，其特征在于，所述的选择Mid-Center点，对数据进行低通滤波得到y方向变化新序列包括：为了观察方便，选择Spine_Base点作为Mid-Center点。将行走过程中上半身看作刚体，对该点的y值序列进行rlowess滤波，得到新序列。3.如权利要求1所述的一种基于kinect骨骼数据的帕金森症计算机辅助判别方法中，其特征在在于，所述的对新序列每一点计算瞬时变化率，得变化序列，根据序列变化曲线...

【专利技术属性】
技术研发人员：侯振杰，张幼安，朱亚洲，时晓婷，宋毅，石怡杰，
申请(专利权)人：常州大学，
类型：发明
国别省市：江苏,32