大数据在基于Kinect的中风康复训练中的应用_免费论文全文下载

申明:本网站内容仅用于学术交流，如有侵犯您的权益，请及时告知我们，本站将立即删除有关内容。

摘要：为了根据不同中风患者的康复情况制定相应的中风治疗标准，对基于大数据改进中风康复训练行为的识别进行了研究。首先，通过Kinect获取人体20个骨骼关节点的数据信息，然后提取关节点极坐标的位置信息，定义运动特征分类集合，完成朴素贝叶斯分类器设计。根据捕获的各种人群数据信息，在云服务器上的数据分析系统加以量化和分析后进行阈值计算。基于此，可对中风康复训练动作识别阈值进行偏差处理，从而设定不同的患者人群最合适的动作标准。

关键词：大数据；朴素贝叶斯分类器；Kinect；中风治疗
DOIDOI：10.11907/rjdk.171060
中图分类号：TP319
文献标识码：A 文章编号：1672-7800（2017）006-0124-03
0 引言
在医疗康复领域，基于Kinect的体感技术发展十分迅猛[1]。随着Kinect for Windows 传感器的发布，Kinect的3D体感摄影机和语音识别技术在国外已广泛应用于康复治疗的研究当中。但在国内把Kinect应用到医学领域的研究几乎处于空白状态，特别是康复领域，主要由于人们缺乏对康复的认识，对其重视程度不够。因此，目前Kinect的市场潜能还未充分发挥出来。另外，在国内的应用尚未采用大数据分析协助中风康复治疗，所以将大数据与Kinect结合具有一定的开创性，其潜在市场较大。
国际上采取患者的三级平衡能力及Berg平衡（the Berg Balance Scale，BBS）评分评定中风患者练习八段锦等动作的标准程度。Berg 评分是目前国际上常用的平衡量表，共包括14个项目，如独立坐、由坐到站、由站到坐、独立站立、床-椅转移、闭眼站立、双足并扰站立、站立位上肢前伸、站立位从地上拾物、转身向后看、转身一周、双足交替踏台阶、双足前后站立、单腿站立。每个项目最低得分为0分，最高得分为4分，总分56分。然而，在项目开展过程中发现，由于评定中风患者恢复动作的标准是针对所有中风患者制定的，并没有解决由于人群差异，如中风程度轻重，以及患者的高矮、胖瘦等可能导致评分误差的问题，导致部分患者无法完成正确的训练动作，最终影响中风康复治疗的效果。因此，为中风康复治疗协助系统制定因人而异的更加细化的评分标准是非常必要的。
1 数据获取
1.1 Kinect传感器捕获患者数据
Kinect传感器是微软公司开发的一种3D软件体感摄像机，可以通过该设备的两类摄像头获取彩色和深度图像数据，并且支持实时的全身骨骼跟踪来判别人体动作行为[2]。图1为Kinect设备外观图，从左到右依次为麦克风阵列、3D深度传感器、彩色摄像头。
开启Kinect骨骼数据流后，Kinect可以检测出视野范围内的人体并实时跟踪人体骨骼。Kinect首先获取相对于Kinect骨骼坐标系的三维坐标数据的20个人体关节点，然后根据坐标变换将骨骼三维坐标变换到屏幕的二维坐标系，最后根据人体骨骼拓扑结构构建人体骨骼，使其可视化。传感器以30帧/秒的速度生成骨骼图像流，实时重现人体的运动状态[3]。
由于患者为中风，可能存在动作不�B贯或由于基于Kinect的人际体感交互采用影像辨识，使得Kinect会由于获取的运动信息不平滑，导致交互不能被准确辨识。因此，在基于动态时间规整（Dynamic Time Warping，DTW）识别[4]的基础上，可对需要识别的手势进行运动平滑，消除骨骼运动的抖动，在视觉上获得比较平滑的运动效果，从而达到更好的交互效果。
1.2 特征提取与分类
将Kinect传感器获取的患者信息输入数据库，这些保存的患者信息可以用于康复训练程度的识别和新的个人专属训练计划制定。特征提取的原则为：①选取能够有效表达个体间骨骼差异的特征；②在能够区分个体间骨骼差异的前提下，特征向量的维度越低越好，可降低数据运算量[5]。
通过对Kinect获取的患者人体骨骼关节点进行分类，为了降低特征数据位数和提高计算效率，因此选取一些特征明显、受衣着干扰较小的节点，并将其分为3类：①躯干关节点。主要包括头、左右肩、脊椎、左右髋等8个关节点（如图2中用1标记的关节点）。患者某些康复动作的特征兴趣点部分由此类判别；②身高。包括从头节点到左右脚节点的垂直距离，患者的直立、坐立等动作的特征兴趣点部分由此类判别（如图2的红色垂直线）；③四肢关节点。包括左右肘、左右腕、左右膝、左右踝8个关节点（如图2中用3标记的关节点）。患者的大部分动作，例如拳击、上举等动作主要是靠四肢表达。这类关节点包含了大量人体运动和姿势的特征信息。
由于受衣着干扰较大，提取不太稳定，因此在分类中去除了左右手、左右脚4个关节点。 这种特征选取的方法可以避免在建库时人体站立姿态的微小差别对识别造成的影响，骨骼节点之间的相对距离不会因姿态的微小变化而改变[5]。
1.3 大数据分析
大数据是指需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力来适应海量、高增长率和多样化的信息资产[6]。利用大数据技术，能够在成本可承受的条件下，在较短的时间内，将按中风程度轻重，患者的高矮、胖瘦等分好类别的不同人群患者在康复治疗中练习八段锦的相关数据采集到数据仓库中，用分布式技术框架对采集的非关系型数据进行异质性处理，并通过数据挖掘与分析，从大量化、多类别的数据中提取价值，从而细化上述提到的评定中风患者练习八段锦等动作的标准程度。
大数据最大的优点是主要针对传统手段捕捉到的数据之外的非结构化数据，意味着不能保证输入的数据是完整的、清洗过和没有错误的。这使其更具有挑战性，但同时提供了在数据中获得更多洞察力的范围[7]。大数据的研究与传统数据挖掘方法有密切联系又有根本不同。它的研究主要是将其作为一种研究方法或一种发现新知识的工具，而不是把数据本身当成研究目标。因此，想要改进并细化因群体而异的中风康复系统标准在技术上是完全可行的。 2 康复训练行为识别
2.1 中风患者康复动作数据分析
由中国脑卒中组织内的23家医院提供的病例进行数据统计分析发现，近年来中国中风发病的年轻化趋势越来越明显。目前利用中医进行中风病治疗的手段已在我国大范围使用，并取得了较好疗效。目前对于中风治疗的研究主要依据临床经验、临床调查或文献挖掘，医疗大数据及复杂网络分析为其研究提供了新的手段。
本文通过云计算的分析应用，制定和改进中风康复治疗系统的标准。如今医疗数据可以在云计算进行存储和处理，云计算还可以大大提高对医疗大数据的挖掘能力[8]。经过分析发现，影响患者康复行为的因素主要有中风程度轻重、患者的胖瘦等。因此，如果患者中风程度较重或患者体型偏胖时，将通过阈值进行动作的偏差处理，从而制定相应的评定标准。
2.2 改进的朴素贝叶斯分类器
通过Kinect 获取人体骨骼关节点的坐标信息，而动作识别的准确性是通过设置空间位置关节点的位置阈值来实现的。传统的动作识别都是在分类前对动作阈值进行选择，但是这种阈值选择方式只适用于一般人群，而进行中风康复训练的是中风患者，患者差异可能导致识别误差，使患者无法完成正确的训练动作，最终影响康复治疗效果。因此，一般的阈值选择方法并不能很好地体现患者的康复效果。本文在传统朴素贝叶斯算法的基础上，根据康复训练动作进行数据分析，并根据分析结果对不同人群进行阈值计算[9]。通过Kinect捕捉康复训练动作骨骼关节的坐标点，在康复者进行训练后，在动作关节点的阈值误差范围内进行计算和处理，以提高动作识别的准确率，使其能适应不同的患者人群。
本文基于朴素贝叶斯算法提出一种阈值计算方法。首先根据患者的数据分析将可能影响康复效果的因素设置一个概率阈值，当发现患者动作的坐标值为某一动作的概率大于该阈值时，则将动作添加到预测集合中，最终同朴素贝叶斯算法相结合，确定患者所做的动作。算法流程如图3所示。
3 实验结果分析
布置好测试程序所需的环境后，根据人体部位活动角度（见表1），由4名实验人员在引进大数据后的Kinect（1号）面前和未改进的Kinect（2号）面前分别做前屈、后伸、左侧屈、右侧屈等多次测试，具体成功率数据如表2所示。
从表2中可以得出，经过多名实验人员的测试，改进后的Kinect（1号）的动作识别准确率比未改进的Kinect（2号）高，且有更好的交互体验。由于参与实验的人员数量限制，分别挑选的高矮胖瘦人员并不能代表所有人，但应能满足大多数人的需求。
4 结语
本文搭建了适合不同人群的中风康复远程治疗协助系统，该系统可随时收集患者治疗的各种信息并存储，增加数据量，不断完善和改进治疗方案。详细数据可上传PC机进行各种处理，还可将其远程传送给医生。医生可以对这些数据进行分析，藉此为患者制定出个人专属训练计划。实验结果表明，经过大数据改进后的基于Kinect的康复治疗系统能令多数人有更好的体验。
参考文献：
[1]丁晨，王军译，等.Kinect体感交互技术及其在医疗康复领域的应用[J].中国康复理论与时间，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��刚，曹林.基于Kinect传感器骨骼信息的人体动作识别[J].计算机仿真，2014，31（12）：329-345.
[4]何晓鹏.基于Kinect的人体交互关键技术研究[D].厦门：厦门大学软件学院，2013.
[5]李恒.基于Kinect骨骼跟踪功能的骨骼识别系统研究[D].西安：西安电子科技大学，2013.
[6]陶雪娇，胡晓峰，刘洋.大数据研究综述[J].系统仿真学报，2013（S1）：142-146.
[7]李国杰.大数据研究的科学价值[J].中国计算机学会通信，2012，8（9）： 8-15.
[8]王达明，崔晓燕.基于云计算与医疗大数据的Apriori 算法的优化研究[J].北京： 北京邮电大学，2015.
[9]张毅，黄聪，等.基于改进朴素朴素贝叶斯分类器的康复训练行为识别方法[J].计算机应用，2013，33（11）：3187-3189，3251.
（责任编辑：黄 健）

本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系，我们将在24小时内删除。QQ:522-52-5970