[发明专利]基于深度神经网络的帕金森病运动迟缓视频检测模型的构建方法

说明书

本发明公开了一种基于深度神经网络的帕金森病运动迟缓视频检测模型的构建方法，其结合了计算机视觉和深度学习技术，通过短视频对受测试者的运动模式进行评估，并判断存在运动迟缓症状的可能性。本发明同时考虑了运动行为和运动过程，提出了详细的数据采集方法和运动轨迹定义方法，并设计了三种新颖的度量指标和一种周期运动网络模型PMNet来处理运动迟缓症状判断问题。与传统方法不同，本发明具有可扩展性和可移植性的特点，基于卷积神经网络的关键点提取方法可以被其它更为精准的模型所替换，还可以添加更多特征来描述运动行为。此外，本发明能够胜任其它类似的周期性运动评估，如MDS‑UPDRS量表3.4项的手指敲击动作。

技术领域

本发明属于计算机视觉应用技术领域，具体涉及一种基于深度神经网络的帕金森病运动迟缓视频检测模型的构建方法。

背景技术

帕金森病是一种常见的中枢神经系统退行性疾病，主要影响人的运动系统，其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，同时患者可伴有抑郁、便秘和睡眠障碍等非运动症状。临床医生和相关学者针对这些临床症状设计了许多标准来帮助医生进行全面评估，如Hoehn-Yahr分级表、英国Queen Square脑库标准、蒙特利尔认知评估量表、统一帕金森氏病评分量表(UPDRS)等。目前，最常用的量表是由国际运动障碍协会(MDS)修订发布的UPDRS，即所谓的MDS-UPDRS。尽管帕金森病没有彻底治愈的方法，但如果患者得到早期诊断和早期治疗，其生活质量可以得到显著改善。

在MDS-UPDRS中，手部运动是运动迟缓诊断的临床评估方法之一，这个动作要求患者将手掌朝向临床评估专家，并尽可能快地重复完成张开-握紧动作，临床评估专家将根据MDS-UPDRS的评估标准判断患者是否出现运动迟缓。在评估过程中，三个主要因素可能会影响结果：①临床评估者的资历；②受测试者的动作过快，无法看清细节；③动作伴有其它症状。相对地，计算机辅助诊断系统具有处理快速和复杂环境的优点，该系统只关注重要的数据并排除其它噪声(例如并发的震颤)，这为医生提供了一种可靠稳定的辅助诊断方法。

许多现有产品都是基于可穿戴式传感器的解决方案(如陀螺仪、加速度计等)，这些传感器通常根据不同的任务固定在手指、手腕或腿上。研究人员利用传感器采集到的数据设计了许多不同的特征，如距离和角度、速度和加速度等，也包含了许多统计量，如均方根、互相关、标准差等；然后将提取的特征输入到机器学习模型中，如多任务学习、神经网络、决策树、支持向量机等，最后输出评估结果。

由于数据传输、电池供电和设备成本的问题，这类基于接触式传感器的解决方案限制了受测试者的活动范围，具有一定的局限性。随着智能手机的普及，拍摄视频对于每个人来说都非常方便，因此本发明通过拍摄视频的形式对运动迟缓提供一种辅助评估方法，这种方案简化了数据采集过程，弥补了现有方案的不足，适用范围更广：任何人可以很方便的拍摄一段视频并上传到云端，相应的辅助诊断服务通过计算然后反馈评估结果。这不但有助于帮助基层医生提高诊断的准确性，医疗水平不发达的偏远地区群众也将从中受益。

发明内容

鉴于上述，本发明提供了一种基于深度神经网络的帕金森病运动迟缓视频检测模型的构建方法，通过手机录制的重复抓握运动视频，模拟运动过程和量化的运动行为，用以判断是否有运动迟缓症状。

一种基于深度神经网络的帕金森病运动迟缓视频检测模型的构建方法，包括如下步骤：

(1)拍摄受试者手部连续周期性抓握动作的过程，将视频图像依次输入至模型HandSegNet和PoseNet中获得每帧图像中五个关键点的位置坐标，这五个关键点包括掌心以及除拇指外的其余四指的指尖；进而利用曼哈顿距离计算出每帧图像中四个指尖关键点与掌心关键点之间的相对距离，进而得到四组相对距离-图像帧的变化曲线；