陳平平+趙陽洋+陳麗蘭

摘要：為了根據(jù)不同中風(fēng)患者的康復(fù)情況制定相應(yīng)的中風(fēng)治療標(biāo)準(zhǔn)，對基于大數(shù)據(jù)改進中風(fēng)康復(fù)訓(xùn)練行為的識別進行了研究。首先，通過Kinect獲取人體20個骨骼關(guān)節(jié)點的數(shù)據(jù)信息，然后提取關(guān)節(jié)點極坐標(biāo)的位置信息，定義運動特征分類集合，完成樸素貝葉斯分類器設(shè)計。根據(jù)捕獲的各種人群數(shù)據(jù)信息，在云服務(wù)器上的數(shù)據(jù)分析系統(tǒng)加以量化和分析后進行閾值計算。基于此，可對中風(fēng)康復(fù)訓(xùn)練動作識別閾值進行偏差處理，從而設(shè)定不同的患者人群最合適的動作標(biāo)準(zhǔn)。

關(guān)鍵詞：大數(shù)據(jù)；樸素貝葉斯分類器；Kinect；中風(fēng)治療

DOIDOI：10.11907/rjdk.171060

中圖分類號：TP319

文獻標(biāo)識碼：A 文章編號：1672-7800（2017）006-0124-03

0 引言

在醫(yī)療康復(fù)領(lǐng)域，基于Kinect的體感技術(shù)發(fā)展十分迅猛[1]。隨著Kinect for Windows 傳感器的發(fā)布，Kinect的3D體感攝影機和語音識別技術(shù)在國外已廣泛應(yīng)用于康復(fù)治療的研究當(dāng)中。但在國內(nèi)把Kinect應(yīng)用到醫(yī)學(xué)領(lǐng)域的研究幾乎處于空白狀態(tài)，特別是康復(fù)領(lǐng)域，主要由于人們?nèi)狈祻?fù)的認(rèn)識，對其重視程度不夠。因此，目前Kinect的市場潛能還未充分發(fā)揮出來。另外，在國內(nèi)的應(yīng)用尚未采用大數(shù)據(jù)分析協(xié)助中風(fēng)康復(fù)治療，所以將大數(shù)據(jù)與Kinect結(jié)合具有一定的開創(chuàng)性，其潛在市場較大。

國際上采取患者的三級平衡能力及Berg平衡（the Berg Balance Scale，BBS）評分評定中風(fēng)患者練習(xí)八段錦等動作的標(biāo)準(zhǔn)程度。Berg 評分是目前國際上常用的平衡量表，共包括14個項目，如獨立坐、由坐到站、由站到坐、獨立站立、床-椅轉(zhuǎn)移、閉眼站立、雙足并擾站立、站立位上肢前伸、站立位從地上拾物、轉(zhuǎn)身向后看、轉(zhuǎn)身一周、雙足交替踏臺階、雙足前后站立、單腿站立。每個項目最低得分為0分，最高得分為4分，總分56分。然而，在項目開展過程中發(fā)現(xiàn)，由于評定中風(fēng)患者恢復(fù)動作的標(biāo)準(zhǔn)是針對所有中風(fēng)患者制定的，并沒有解決由于人群差異，如中風(fēng)程度輕重，以及患者的高矮、胖瘦等可能導(dǎo)致評分誤差的問題，導(dǎo)致部分患者無法完成正確的訓(xùn)練動作，最終影響中風(fēng)康復(fù)治療的效果。因此，為中風(fēng)康復(fù)治療協(xié)助系統(tǒng)制定因人而異的更加細(xì)化的評分標(biāo)準(zhǔn)是非常必要的。

1 數(shù)據(jù)獲取

1.1 Kinect傳感器捕獲患者數(shù)據(jù)

Kinect傳感器是微軟公司開發(fā)的一種3D軟件體感攝像機，可以通過該設(shè)備的兩類攝像頭獲取彩色和深度圖像數(shù)據(jù)，并且支持實時的全身骨骼跟蹤來判別人體動作行為[2]。圖1為Kinect設(shè)備外觀圖，從左到右依次為麥克風(fēng)陣列、3D深度傳感器、彩色攝像頭。

開啟Kinect骨骼數(shù)據(jù)流后，Kinect可以檢測出視野范圍內(nèi)的人體并實時跟蹤人體骨骼。Kinect首先獲取相對于Kinect骨骼坐標(biāo)系的三維坐標(biāo)數(shù)據(jù)的20個人體關(guān)節(jié)點，然后根據(jù)坐標(biāo)變換將骨骼三維坐標(biāo)變換到屏幕的二維坐標(biāo)系，最后根據(jù)人體骨骼拓?fù)浣Y(jié)構(gòu)構(gòu)建人體骨骼，使其可視化。傳感器以30幀/秒的速度生成骨骼圖像流，實時重現(xiàn)人體的運動狀態(tài)[3]。

由于患者為中風(fēng)，可能存在動作不連貫或由于基于Kinect的人際體感交互采用影像辨識，使得Kinect會由于獲取的運動信息不平滑，導(dǎo)致交互不能被準(zhǔn)確辨識。因此，在基于動態(tài)時間規(guī)整（Dynamic Time Warping，DTW）識別[4]的基礎(chǔ)上，可對需要識別的手勢進行運動平滑，消除骨骼運動的抖動，在視覺上獲得比較平滑的運動效果，從而達(dá)到更好的交互效果。

1.2 特征提取與分類

將Kinect傳感器獲取的患者信息輸入數(shù)據(jù)庫，這些保存的患者信息可以用于康復(fù)訓(xùn)練程度的識別和新的個人專屬訓(xùn)練計劃制定。特征提取的原則為：①選取能夠有效表達(dá)個體間骨骼差異的特征；②在能夠區(qū)分個體間骨骼差異的前提下，特征向量的維度越低越好，可降低數(shù)據(jù)運算量[5]。

通過對Kinect獲取的患者人體骨骼關(guān)節(jié)點進行分類，為了降低特征數(shù)據(jù)位數(shù)和提高計算效率，因此選取一些特征明顯、受衣著干擾較小的節(jié)點，并將其分為3類：①軀干關(guān)節(jié)點。主要包括頭、左右肩、脊椎、左右髖等8個關(guān)節(jié)點（如圖2中用1標(biāo)記的關(guān)節(jié)點）。患者某些康復(fù)動作的特征興趣點部分由此類判別；②身高。包括從頭節(jié)點到左右腳節(jié)點的垂直距離，患者的直立、坐立等動作的特征興趣點部分由此類判別（如圖2的紅色垂直線）；③四肢關(guān)節(jié)點。包括左右肘、左右腕、左右膝、左右踝8個關(guān)節(jié)點（如圖2中用3標(biāo)記的關(guān)節(jié)點）?；颊叩拇蟛糠謩幼?，例如拳擊、上舉等動作主要是靠四肢表達(dá)。這類關(guān)節(jié)點包含了大量人體運動和姿勢的特征信息。

由于受衣著干擾較大，提取不太穩(wěn)定，因此在分類中去除了左右手、左右腳4個關(guān)節(jié)點。 這種特征選取的方法可以避免在建庫時人體站立姿態(tài)的微小差別對識別造成的影響，骨骼節(jié)點之間的相對距離不會因姿態(tài)的微小變化而改變[5]。

1.3 大數(shù)據(jù)分析

大數(shù)據(jù)是指需要新處理模式才能具有更強的決策力、洞察發(fā)現(xiàn)力和流程優(yōu)化能力來適應(yīng)海量、高增長率和多樣化的信息資產(chǎn)[6]。利用大數(shù)據(jù)技術(shù)，能夠在成本可承受的條件下，在較短的時間內(nèi)，將按中風(fēng)程度輕重，患者的高矮、胖瘦等分好類別的不同人群患者在康復(fù)治療中練習(xí)八段錦的相關(guān)數(shù)據(jù)采集到數(shù)據(jù)倉庫中，用分布式技術(shù)框架對采集的非關(guān)系型數(shù)據(jù)進行異質(zhì)性處理，并通過數(shù)據(jù)挖掘與分析，從大量化、多類別的數(shù)據(jù)中提取價值，從而細(xì)化上述提到的評定中風(fēng)患者練習(xí)八段錦等動作的標(biāo)準(zhǔn)程度。

大數(shù)據(jù)最大的優(yōu)點是主要針對傳統(tǒng)手段捕捉到的數(shù)據(jù)之外的非結(jié)構(gòu)化數(shù)據(jù)，意味著不能保證輸入的數(shù)據(jù)是完整的、清洗過和沒有錯誤的。這使其更具有挑戰(zhàn)性，但同時提供了在數(shù)據(jù)中獲得更多洞察力的范圍[7]。大數(shù)據(jù)的研究與傳統(tǒng)數(shù)據(jù)挖掘方法有密切聯(lián)系又有根本不同。它的研究主要是將其作為一種研究方法或一種發(fā)現(xiàn)新知識的工具，而不是把數(shù)據(jù)本身當(dāng)成研究目標(biāo)。因此，想要改進并細(xì)化因群體而異的中風(fēng)康復(fù)系統(tǒng)標(biāo)準(zhǔn)在技術(shù)上是完全可行的。

2 康復(fù)訓(xùn)練行為識別

2.1 中風(fēng)患者康復(fù)動作數(shù)據(jù)分析

由中國腦卒中組織內(nèi)的23家醫(yī)院提供的病例進行數(shù)據(jù)統(tǒng)計分析發(fā)現(xiàn)，近年來中國中風(fēng)發(fā)病的年輕化趨勢越來越明顯。目前利用中醫(yī)進行中風(fēng)病治療的手段已在我國大范圍使用，并取得了較好療效。目前對于中風(fēng)治療的研究主要依據(jù)臨床經(jīng)驗、臨床調(diào)查或文獻挖掘，醫(yī)療大數(shù)據(jù)及復(fù)雜網(wǎng)絡(luò)分析為其研究提供了新的手段。

本文通過云計算的分析應(yīng)用，制定和改進中風(fēng)康復(fù)治療系統(tǒng)的標(biāo)準(zhǔn)。如今醫(yī)療數(shù)據(jù)可以在云計算進行存儲和處理，云計算還可以大大提高對醫(yī)療大數(shù)據(jù)的挖掘能力[8]。經(jīng)過分析發(fā)現(xiàn)，影響患者康復(fù)行為的因素主要有中風(fēng)程度輕重、患者的胖瘦等。因此，如果患者中風(fēng)程度較重或患者體型偏胖時，將通過閾值進行動作的偏差處理，從而制定相應(yīng)的評定標(biāo)準(zhǔn)。

2.2 改進的樸素貝葉斯分類器

通過Kinect 獲取人體骨骼關(guān)節(jié)點的坐標(biāo)信息，而動作識別的準(zhǔn)確性是通過設(shè)置空間位置關(guān)節(jié)點的位置閾值來實現(xiàn)的。傳統(tǒng)的動作識別都是在分類前對動作閾值進行選擇，但是這種閾值選擇方式只適用于一般人群，而進行中風(fēng)康復(fù)訓(xùn)練的是中風(fēng)患者，患者差異可能導(dǎo)致識別誤差，使患者無法完成正確的訓(xùn)練動作，最終影響康復(fù)治療效果。因此，一般的閾值選擇方法并不能很好地體現(xiàn)患者的康復(fù)效果。本文在傳統(tǒng)樸素貝葉斯算法的基礎(chǔ)上，根據(jù)康復(fù)訓(xùn)練動作進行數(shù)據(jù)分析，并根據(jù)分析結(jié)果對不同人群進行閾值計算[9]。通過Kinect捕捉康復(fù)訓(xùn)練動作骨骼關(guān)節(jié)的坐標(biāo)點，在康復(fù)者進行訓(xùn)練后，在動作關(guān)節(jié)點的閾值誤差范圍內(nèi)進行計算和處理，以提高動作識別的準(zhǔn)確率，使其能適應(yīng)不同的患者人群。

本文基于樸素貝葉斯算法提出一種閾值計算方法。首先根據(jù)患者的數(shù)據(jù)分析將可能影響康復(fù)效果的因素設(shè)置一個概率閾值，當(dāng)發(fā)現(xiàn)患者動作的坐標(biāo)值為某一動作的概率大于該閾值時，則將動作添加到預(yù)測集合中，最終同樸素貝葉斯算法相結(jié)合，確定患者所做的動作。算法流程如圖3所示。

3 實驗結(jié)果分析

布置好測試程序所需的環(huán)境后，根據(jù)人體部位活動角度（見表1），由4名實驗人員在引進大數(shù)據(jù)后的Kinect（1號）面前和未改進的Kinect（2號）面前分別做前屈、后伸、左側(cè)屈、右側(cè)屈等多次測試，具體成功率數(shù)據(jù)如表2所示。

從表2中可以得出，經(jīng)過多名實驗人員的測試，改進后的Kinect（1號）的動作識別準(zhǔn)確率比未改進的Kinect（2號）高，且有更好的交互體驗。由于參與實驗的人員數(shù)量限制，分別挑選的高矮胖瘦人員并不能代表所有人，但應(yīng)能滿足大多數(shù)人的需求。

4 結(jié)語

本文搭建了適合不同人群的中風(fēng)康復(fù)遠(yuǎn)程治療協(xié)助系統(tǒng)，該系統(tǒng)可隨時收集患者治療的各種信息并存儲，增加數(shù)據(jù)量，不斷完善和改進治療方案。詳細(xì)數(shù)據(jù)可上傳PC機進行各種處理，還可將其遠(yuǎn)程傳送給醫(yī)生。醫(yī)生可以對這些數(shù)據(jù)進行分析，藉此為患者制定出個人專屬訓(xùn)練計劃。實驗結(jié)果表明，經(jīng)過大數(shù)據(jù)改進后的基于Kinect的康復(fù)治療系統(tǒng)能令多數(shù)人有更好的體驗。

參考文獻：

[1]丁晨，王軍譯，等.Kinect體感交互技術(shù)及其在醫(yī)療康復(fù)領(lǐng)域的應(yīng)用[J].中國康復(fù)理論與時間，2013，19（2）：136-138.

[2]BACKES M，MAFFEI M，UNRUH O.Zero-knowledge in the applied Pi-calculus and automated verification of the direct anonymous attestation protocol [C].Proceedings of the 29th IEEE Symposium on Security and Privacy.Washington，OC： IEEE Computer Society，2008： 202-215.

[3]朱國剛，曹林.基于Kinect傳感器骨骼信息的人體動作識別[J].計算機仿真，2014，31（12）：329-345.

[4]何曉鵬.基于Kinect的人體交互關(guān)鍵技術(shù)研究[D].廈門：廈門大學(xué)軟件學(xué)院，2013.

[5]李恒.基于Kinect骨骼跟蹤功能的骨骼識別系統(tǒng)研究[D].西安：西安電子科技大學(xué)，2013.

[6]陶雪嬌，胡曉峰，劉洋.大數(shù)據(jù)研究綜述[J].系統(tǒng)仿真學(xué)報，2013（S1）：142-146.

[7]李國杰.大數(shù)據(jù)研究的科學(xué)價值[J].中國計算機學(xué)會通信，2012，8（9）： 8-15.

[8]王達(dá)明，崔曉燕.基于云計算與醫(yī)療大數(shù)據(jù)的Apriori 算法的優(yōu)化研究[J].北京： 北京郵電大學(xué)，2015.

[9]張毅，黃聰，等.基于改進樸素樸素貝葉斯分類器的康復(fù)訓(xùn)練行為識別方法[J].計算機應(yīng)用，2013，33（11）：3187-3189，3251.

（責(zé)任編輯：黃 ?。?