[发明专利]一种基于KINECT骨骼数据的帕金森病症计算机辅助判别方法

说明书

技术领域

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。

背景技术

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。

发明内容

本发明针对以上问题，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。

本发明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。

在本发明中的应用为：

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是本发明方法的流程图，下面结合流程图对本发明所提出的方法做进一步说明。