李智倩，張茜倩，崔 婭，張 晗，李元媛，何 凌

(1.四川大學(xué) 生物醫(yī)學(xué)工程學(xué)院，四川 成都 610065； 2.四川大學(xué) 華西心理衛(wèi)生中心，四川 成都 610041)

0 引 言

注意缺陷與多動障礙(attention deficit and hyperactivity disorder，ADHD)，是一種常見的關(guān)于神經(jīng)發(fā)育問題的行為障礙，會導(dǎo)致健忘、沖動、不安等病理行為；有時還伴隨過度的軀體運(yùn)動[1,2]。ADHD主要發(fā)生在兒童期，影響了3%～7%的學(xué)齡前兒童[3-9]。

活動過動是ADHD的主要癥狀[10]，臨床上主要通過量表來診斷ADHD[11,12]：包含了監(jiān)護(hù)人和教師的問卷反饋，該方法簡單，能快速收集數(shù)據(jù)，但存在人為因素的干擾。并且量表中只包含了ADHD患者可能的運(yùn)動頻率和定性的運(yùn)動描述，缺乏客觀定量的生物學(xué)指標(biāo)。

針對ADHD兒童活動過動的問題，已經(jīng)展開了一些研究。Narus等[13,14]用活動感應(yīng)器檢測ADHD兒童的運(yùn)動，但是由于活動感應(yīng)器佩戴在受試者手腕上，會妨礙ADHD患者的自然運(yùn)動。此外，活動感應(yīng)器只能監(jiān)測整個身體的活動，不能定位身體部位的運(yùn)動。

近年來部分學(xué)者基于視頻圖像對ADHD患者的行為模式、身體運(yùn)動進(jìn)行了研究。Bautista等[15]提出了一種基于Kinect深度圖像檢測ADHD行為模式的姿勢識別系統(tǒng)，利用該系統(tǒng)對ADHD兒童深度圖像數(shù)據(jù)測試，測試結(jié)果能夠支持臨床醫(yī)生進(jìn)行ADHD兒童模式診斷。Jaiswal等[16]從ADHD患者和健康對照人群的深度圖像數(shù)據(jù)和RGB數(shù)據(jù)中提取面部表情、頭部運(yùn)動、聽覺姿態(tài)等特征，分析這些特征對診斷ADHD疾病的潛在作用。Schwichtenberg等[17]利用視頻圖像處理分析ADHD兒童睡眠時的身體運(yùn)動，利用視頻圖像中像素的變化來表征ADHD兒童的運(yùn)動變化，統(tǒng)計(jì)了ADHD兒童睡眠期間的軀體運(yùn)動時間及休息時間。以上主要對ADHD兒童的行為模式、運(yùn)動姿勢分類進(jìn)行研究，缺少對ADHD兒童運(yùn)動的量化。臨床上表明[18]，運(yùn)動量化有助于對ADHD兒童的活動過動癥狀研究，對臨床醫(yī)生診斷ADHD有一定的參考價值。

本文基于Kinect2.0[19]采集的ADHD患者深度視頻，提出了一種自動量化ADHD兒童運(yùn)動的算法。首先利用DSST算法跟蹤ADHD兒童目標(biāo)區(qū)域，然后提出基于NLGD(noise location distribution information and gray distribution information)的去噪算法去除目標(biāo)區(qū)域的噪聲，并利用等值線算法分割出ADHD兒童的身體區(qū)域。最后提出運(yùn)動時長特征，統(tǒng)計(jì)ADHD兒童身體隨時間的運(yùn)動變化，輔助臨床醫(yī)師對ADHD活動過動癥狀進(jìn)行診斷。

1 本文提出的ADHD兒童運(yùn)動的自動量化算法

為了量化ADHD兒童的運(yùn)動，輔助臨床醫(yī)師對ADHD進(jìn)行診斷，本文提出了ADHD兒童運(yùn)動的自動量化算法。該算法主要包括ADHD兒童目標(biāo)區(qū)域的實(shí)時跟蹤、ADHD兒童目標(biāo)區(qū)域去噪以及分割、ADHD兒童運(yùn)動量化3部分。首先基于DSST算法對ADHD兒童目標(biāo)區(qū)域進(jìn)行位置跟蹤，然后基于目標(biāo)區(qū)域的噪聲特點(diǎn)，提出基于NLGD的去噪算法處理目標(biāo)區(qū)域的噪聲。并結(jié)合等值線算法提取出ADHD兒童的身體區(qū)域。最后根據(jù)ADHD兒童活動過動癥狀，提出了基于CoM(center-of-mass)的運(yùn)動時長特征，用于量化ADHD兒童的運(yùn)動。該ADHD兒童運(yùn)動的自動量化算法的總流程如圖1所示。

1.1 基于DSST算法的ADHD兒童目標(biāo)區(qū)域自動跟蹤

本文基于DSST[20](discriminative scale space tracker)目標(biāo)跟蹤算法，對深度視頻中的ADHD兒童目標(biāo)區(qū)域自動定位。DSST算法首先引入多特征融合機(jī)制，將HOG(histogram of oriented gradient)、CN(color names)、灰度特征進(jìn)行融合，對初始目標(biāo)進(jìn)行高斯建模，然后利用目標(biāo)的特征和高斯函數(shù)合成相關(guān)位置濾波器進(jìn)行跟蹤，得到目標(biāo)的位置。然后在下一幀將測試的圖像提取融合特征作為輸入，經(jīng)過尺度濾波器處理，得到響應(yīng)值最大的候選目標(biāo)，在目標(biāo)位置的基礎(chǔ)上通過調(diào)整跟蹤框的比例來找到響應(yīng)值最大的尺度，從而在小范圍內(nèi)實(shí)現(xiàn)尺度自適應(yīng)。

1.2 本文提出的ADHD兒童身體區(qū)域分割算法

本文提出了基于NLGD的去噪算法，去除ADHD兒童目標(biāo)區(qū)域的干擾噪聲，并且利用等值線算法，提取ADHD兒童身體邊緣信息，分割得到ADHD兒童的深度身體區(qū)域。具體的處理過程如下：

1.2.1 ADHD兒童深度圖像中噪聲分布分析及計(jì)算

由于采集裝置，光源等影響，ADHD兒童周圍存在不同程度的噪聲干擾，主要是邊緣跳動噪聲和“空洞”噪聲[21]。

圖2表示的是ADHD兒童目標(biāo)區(qū)域的噪聲分布，圖2(a)表示ADHD兒童人體邊緣的噪聲，如果ADHD兒童離傳感器太遠(yuǎn)或近紅外在ADHD兒童表面發(fā)生多次反射，ADHD兒童人體邊緣會產(chǎn)生噪聲，它從背景到前景，頻繁地來回跳動。圖2(b)表示ADHD兒童雙腿下半部位存在明顯的波浪狀“空洞”區(qū)域，是由特殊的反射材料、快速移動、多孔表面和其它隨機(jī)效應(yīng)引起的灰度值為零的無效深度信息[2]。人體邊緣跳動的噪聲和波浪狀的“空洞”噪聲比實(shí)際運(yùn)動大很多倍[3]。

圖2 ADHD兒童目標(biāo)區(qū)域的噪聲分布

為了去除以上噪聲，本文提出了一種基于圖像熵[22]分布的噪聲區(qū)域估計(jì)方法，得到噪聲的分布信息。在檢測過程中，設(shè)置了4×4大小的移動模板，遍歷ADHD兒童目標(biāo)區(qū)域，對每個4×4小區(qū)域求熵值，計(jì)算過程如式(1)所示

(1)

其中，H(x) 表示4×4區(qū)域內(nèi)像素點(diǎn)計(jì)算得到的熵。P表示具有特定灰度值的元素在該區(qū)域內(nèi)的出現(xiàn)概率。ai表示每個像素點(diǎn)的灰度值。熵能反映一個區(qū)域內(nèi)的信息量和數(shù)據(jù)點(diǎn)分布的不確定性，可以用來檢測深度圖像中的噪聲。

圖3表示的是ADHD兒童目標(biāo)區(qū)域的噪聲分布計(jì)算過程，其中圖3(c)表示的是對ADHD兒童目標(biāo)區(qū)域分4×4大小計(jì)算熵值得到的熵分布圖，其中噪聲所在的區(qū)域熵值更高，在圖像中的表現(xiàn)與非噪聲區(qū)域存在明顯的差異。

圖3 ADHD兒童目標(biāo)區(qū)域的噪聲分布計(jì)算過程

1.2.2 本文提出的基于NLGD的去噪算法

由于深度成像過程中的異常反射、照明障礙或遮擋，深度圖像會受到噪聲的影響。圖4為ADHD兒童目標(biāo)深度區(qū)域噪聲分布的3D示意圖，其噪聲的表現(xiàn)為類地理分布特點(diǎn)，本文將噪聲灰度發(fā)生突變的區(qū)域定義為“孤峰”，噪聲中間存在“空洞”的區(qū)域定義為“盆地”。ADHD兒童主體區(qū)域灰度值變化緩慢，相對平坦，表現(xiàn)為“平原”特點(diǎn)。

圖4 ADHD兒童目標(biāo)深度區(qū)域噪聲分布的3D示意圖

基于本文ADHD兒童深度圖像中噪聲灰度信息及分布特征信息，提出了基于NLGD的去噪算法，該算法提出了基平面的概念，計(jì)算了反映“盆地”噪聲灰度信息的內(nèi)點(diǎn)M1和反映“孤立峰”灰度信息的外點(diǎn)M2，使ADHD兒童深度圖像中的“孤立峰”和“盆地”背景化。然后為了進(jìn)一步去除“孤立峰”，根據(jù)其分布特點(diǎn)，提出了一種MPD(minimum potential difference)參數(shù)，M1、M2和MPD這3個參數(shù)反映了噪聲區(qū)域和待分割的ADHD兒童區(qū)域之間的主體差異。最后，基于這3個參數(shù)，用k均值聚類法算法對不同的區(qū)塊進(jìn)行聚類，將噪聲區(qū)域背景化，達(dá)到ADHD兒童深度圖像去噪的目的。算法過程如圖5所示。

(1)內(nèi)點(diǎn)和外點(diǎn)的計(jì)算

將“孤峰”和“盆地”去除是提取ADHD兒童人體完整邊緣的關(guān)鍵。由于“孤立峰”和“盆地”在灰度分布上存在差異，因此基于灰度建立基平面來區(qū)分“孤峰”和“盆地”，設(shè)置了4×4大小的移動模板，遍歷ADHD兒童目標(biāo)區(qū)域，對每一個4×4大小的區(qū)域計(jì)算基平面，計(jì)算過程如式(2)所示

(2)

其中，Bm是基平面的值,N表示ADHD兒童目標(biāo)區(qū)域中的像素點(diǎn)數(shù)，G表示每個像素的灰度值。

然后對4×4區(qū)域的像素值進(jìn)行判斷，設(shè)灰度值低于Bm的像素點(diǎn)為內(nèi)點(diǎn)，灰度值高于Bm的像素點(diǎn)為外點(diǎn)。分別計(jì)算內(nèi)點(diǎn)和外點(diǎn)的平均值，如式(3)～式(4)所示

(3)

(4)

其中，Inliers表示內(nèi)點(diǎn)，outliers表示外點(diǎn)，M1和M2分別表示內(nèi)點(diǎn)和外點(diǎn)的平均值，N1和N2分別表示內(nèi)點(diǎn)和外點(diǎn)的個數(shù)。圖6給出了兩個基平面的示例。

如圖6所示，4×4區(qū)域中的像素點(diǎn)被區(qū)分為內(nèi)點(diǎn)和外點(diǎn)，外點(diǎn)用“×”表示，內(nèi)點(diǎn)用“·”表示，當(dāng)內(nèi)點(diǎn)和外點(diǎn)灰度值存在差異時，基平面能夠區(qū)分內(nèi)點(diǎn)和外點(diǎn)，即能區(qū)分“盆地”和“孤立峰”。

圖6 不同灰度水平的基平面

(2)本文提出的MPD參數(shù)

內(nèi)點(diǎn)和外點(diǎn)是從灰度層面來反映噪聲區(qū)域的特征，本文為了評估“孤峰”的離散分布，提出了一個新的參數(shù)MPD。MPD的計(jì)算過程如下：

1)計(jì)算外點(diǎn)權(quán)重：對于每一個外點(diǎn)，若它周圍的像素點(diǎn)是內(nèi)點(diǎn)，則假設(shè)它是一個孤立點(diǎn)。該外點(diǎn)周圍的孤立程度可用其周圍的8個像素點(diǎn)來評估。基于上述基平面的4×4移動模板，將所有外點(diǎn)標(biāo)記為邏輯值0，將所有內(nèi)點(diǎn)標(biāo)記為邏輯值1。外點(diǎn)的孤立程度由其八鄰域計(jì)算得到，計(jì)算過程如式(5)所示

(5)

其中，W是計(jì)算的點(diǎn)權(quán)重，ai,m是外點(diǎn)周圍的像素,當(dāng)外點(diǎn)在4×4移動模板的邊緣時，ai,m取4×4移動模板內(nèi)的點(diǎn)。

2)最小位置匹配度的計(jì)算：點(diǎn)權(quán)重反映了每個外點(diǎn)的孤立程度，但不能反映所有外點(diǎn)的位置分布關(guān)系。因此定義最小位置匹配度參數(shù)，用于反映所有外點(diǎn)間的位置分布關(guān)系，計(jì)算過程如式(6)所示

PM=min{(|m-xi|+|n-yi|),i=1,2,…N}

(6)

其中，PM表示最小位置匹配度； (m,n) 表示當(dāng)前外點(diǎn)的坐標(biāo)。 (xi,yi) 表示 (m,n) 以外的所有外點(diǎn)坐標(biāo)，N表示外點(diǎn)的個數(shù)。

3)MPD值的計(jì)算：MPD參數(shù)是一種位置參數(shù)，用來評估像素點(diǎn)在高灰度水平上的分布。對于每一個外點(diǎn)，在式(5)和式(6)中定義了它的點(diǎn)權(quán)重w(i) 和最小匹配度PM(i)。 基于這兩個參數(shù)，計(jì)算MPD參數(shù)，如式(7)所示

(7)

其中，N是外點(diǎn)的個數(shù)，MPD參數(shù)能夠評估外點(diǎn)的孤立度以及分布特點(diǎn)，幫助區(qū)分外點(diǎn)，圖7為MPD的計(jì)算過程的示例。

如圖7(a)和圖7(b)所示,外點(diǎn)和內(nèi)點(diǎn)之間形成明顯邊界，體現(xiàn)了噪聲與人體邊緣連接的關(guān)系，MPD參數(shù)包含邊緣信息。圖7(c)和圖7(d)的外點(diǎn)孤立分布，反映了人體區(qū)域出現(xiàn)的孤點(diǎn)噪聲，MPD參數(shù)包含孤點(diǎn)噪聲的分布特性。利用MPD參數(shù)，可以根據(jù)像素點(diǎn)的分布特性估計(jì)當(dāng)前的局部區(qū)域是否為噪聲區(qū)域。

圖7 MPD的計(jì)算示例

(3)基于K-均值聚類算法的ADHD兒童目標(biāo)區(qū)域去噪處理

本文提出M1、M2、MPD特征參數(shù)，描述噪聲區(qū)域的灰度以及分布特點(diǎn)。將ADHD兒童的噪聲區(qū)域分成4×4大小的區(qū)塊，并計(jì)算每個4×4區(qū)塊的MPD、M1和M2特征參數(shù)。

參與計(jì)算的各區(qū)塊可分為3種類型：低灰度范圍的“盆地”、高灰度突變的“孤峰”和具有相對平坦表面的“平原”，利用k-均值聚類方法[23]對所有區(qū)塊進(jìn)行聚類，得到3種聚類結(jié)果。ADHD兒童主體的深度信息區(qū)域大部分是“平原”。

根據(jù)聚類結(jié)果，將“盆地”區(qū)塊和“孤峰”區(qū)塊替換為平坦背景，保留檢測到的“平原”區(qū)域。由此去除了ADHD兒童目標(biāo)區(qū)域的干擾噪聲，保留了人體邊緣信息。

1.2.3 基于等值線的ADHD兒童目標(biāo)區(qū)域分割算法

Kinect2.0傳感器通過計(jì)算發(fā)射和接收近紅外光線的時間差得到ADHD兒童的深度信息，如果ADHD兒童離傳感器太遠(yuǎn)或近紅外在ADHD兒童表面發(fā)生多次反射，ADHD兒童人體邊緣會產(chǎn)生噪聲，它從背景到前景，頻繁地來回跳動，造成ADHD兒童人體的邊緣存在許多斷點(diǎn)[21]，影響ADHD兒童人體的分割。在本研究中，采用等值線算法[24]來提取ADHD兒童人體邊緣，在等值線的計(jì)算中，采用線性插值來保持人體邊緣的連續(xù)性和完整性。

圖8是ADHD兒童目標(biāo)區(qū)域的提取算法流程圖，圖8(a)是利用本文提出的去噪算法處理后的ADHD兒童目標(biāo)區(qū)域圖，圖8(b)是利用等值線算法提取得到的ADHD人體邊緣。然后用邏輯值1填充ADHD兒童人體邊緣之間的區(qū)域，用邏輯值0填充邊緣之外的其它區(qū)域，得到ADHD兒童人體的二值圖像，填充后的結(jié)果如圖8(c)所示。最后將深度圖像圖8(a)和填充圖像圖8(c)相乘，得到去除噪聲后的ADHD兒童人體的深度區(qū)域，結(jié)果如圖8(d)所示。

圖8 ADHD兒童身體區(qū)域的提取算法流程

1.3 ADHD兒童運(yùn)動的自動量化評估算法

根據(jù)精神障礙診斷和統(tǒng)計(jì)手冊(DSM-IV)定義[26]，ADHD分為3個亞型：注意力不集中、多動、混合注意力不集中和多動。ADHD患者的行為不受控制，做任務(wù)的過程中會亂動和扭動，統(tǒng)計(jì)ADHD兒童隨時間的運(yùn)動變化有利于臨床醫(yī)師對ADHD兒童的多動程度進(jìn)行診斷。

本研究嚴(yán)格遵循DSM-IV所描述的癥狀，提出了基于CoM的運(yùn)動時長檢測算法，對ADHD兒童的運(yùn)動變化進(jìn)行統(tǒng)計(jì)。該特征統(tǒng)計(jì)了ADHD兒童的在完成既定任務(wù)時的運(yùn)動時長，反映ADHD的多動癥狀?；贑oM的運(yùn)動時長特征檢測算法首先分割肢體，然后根據(jù)身體部位的運(yùn)動情況判斷ADHD兒童整體的運(yùn)動變化。

1.3.1 身體部位分割算法

利用1.2節(jié)算法提取得到的ADHD兒童目標(biāo)區(qū)域深度圖像，①通過人體比例將頭部定位出來，然后將ADHD兒童目標(biāo)區(qū)域深度圖像的頭部區(qū)域像素值設(shè)置為零。②計(jì)算除頭部以外的身體的三維質(zhì)心(CoM)，計(jì)算過程如式(8)～式(10)所示

(8)

(9)

(10)

其中，Mx,My,Mz分別為計(jì)算的連通域的質(zhì)心橫坐標(biāo)、縱坐標(biāo)和Z軸坐標(biāo)，N為連通域的像素點(diǎn)總和,i，j，m分別為橫坐標(biāo)、縱坐標(biāo)和Z軸坐標(biāo)的序列號，L(i,j,m)x為連通域的所有橫坐標(biāo)，L(i,j,m)y為連通域的所有縱坐標(biāo)，L(i,j,m)z為連通域的所有Z軸坐標(biāo)。

根據(jù)質(zhì)心坐標(biāo) (Mx,My) 的位置，將身體區(qū)域劃分為4個部分。將Mx行和My列中的像素設(shè)置為0，就可以將除頭部以外的人體區(qū)域分割為4個部分，ADHD兒童的身體最終被分為頭部，左右上部，左右下部5個部分。

1.3.2 基于CoM的ADHD兒童運(yùn)動時長特征提取算法

本文提出基于CoM的運(yùn)動時長特征算法，用于檢測ADHD兒童在完成既定任務(wù)時發(fā)生運(yùn)動變化所包含的圖像幀數(shù)，該特征算法以開始測試的第一幀圖像為基準(zhǔn)，將后一幀圖像與前一幀圖像作對比，若任意一個身體部位發(fā)生了運(yùn)動則表示ADHD兒童發(fā)生了運(yùn)動變化。統(tǒng)計(jì)所有發(fā)生運(yùn)動變化的圖像幀數(shù)，用來表示ADHD兒童的運(yùn)動時長，計(jì)算過程如下：

設(shè)式(11)表示ADHD兒童身體部位的CoM,利用ADHD兒童的CoM追蹤身體部位的運(yùn)動

Bcomin=(xin,yin,zin)

(11)

其中，i=h,sr,sl,lr,ll分別表示ADHD兒童的頭部、左右上部、左右下部等5個身體部位。n表示ADHD兒童的圖像幀數(shù)，當(dāng)n=0時，Bcomi0=(xi0,yi0,zi0) 表示ADHD兒童身體部位的基點(diǎn)CoM。

計(jì)算ADHD身體部位前后幀圖像的CoM距離差值Lin， 如式(12)所示

(12)

理論上如果當(dāng)前幀圖像身體部位的CoM與上一幀身體部位的CoM的距離差值Ln≠0， 則表示身體部位發(fā)生了運(yùn)動變化，設(shè)fin表示各身體部位當(dāng)前幀圖像的值,當(dāng)前幀圖像發(fā)生運(yùn)動變化時，令fin=1， 如式(13)所示

fin=1,(Lin≠0)

(13)

若任意身體部位發(fā)生運(yùn)動變化則表示ADHD兒童發(fā)生了運(yùn)動變化。統(tǒng)計(jì)所有存在變化的圖像幀，即得到特征運(yùn)動時長T，如式(14)所示

(14)

2 實(shí)驗(yàn)結(jié)果與分析

2.1 實(shí)驗(yàn)數(shù)據(jù)

本實(shí)驗(yàn)使用的ADHD兒童視頻數(shù)據(jù)來自四川大學(xué)華西心理衛(wèi)生中心精神科，四川大學(xué)華西心理衛(wèi)生中心精神科是我國四大精神衛(wèi)生機(jī)構(gòu)之一。華西心理衛(wèi)生中心精神科專家參照DSM-V標(biāo)準(zhǔn)，選取符合標(biāo)準(zhǔn)的ADHD兒童參與實(shí)驗(yàn)數(shù)據(jù)錄制。

在數(shù)據(jù)收集前，所有參與者及其法定監(jiān)護(hù)人都同意參加研究，法定監(jiān)護(hù)人在知情同意表上簽字。數(shù)據(jù)錄制過程中，每個ADHD兒童被要求站著觀看一段華西心理衛(wèi)生中心精神科專家選取的動畫片，同時使用kinect2.0設(shè)備對ADHD兒童的活動進(jìn)行錄制。

本文實(shí)驗(yàn)的研究數(shù)據(jù)共10人，每個ADHD兒童的視頻平均時長為2 min，數(shù)據(jù)集中的圖片總幀數(shù)為36 000。

2.2 ADHD兒童運(yùn)動量化的實(shí)驗(yàn)結(jié)果與分析

本文提出基于CoM的運(yùn)動時長特征參數(shù)自動量化ADHD兒童的運(yùn)動。利用基于CoM的運(yùn)動時長特征算法對實(shí)驗(yàn)數(shù)據(jù)進(jìn)行測試，得到自動的ADHD兒童運(yùn)動時長，將自動的運(yùn)動時長結(jié)果與人工標(biāo)定的金標(biāo)準(zhǔn)進(jìn)行對比分析。

2.2.1 基于CoM的運(yùn)動時長檢測結(jié)果與分析

自動檢測的ADHD兒童運(yùn)動時長用T0～Tn表示，T0表示起始幀，Tn表示結(jié)束幀。金標(biāo)準(zhǔn)的ADHD兒童運(yùn)動時長用T′0～T′n表示，T′0表示起始幀，T′n表示結(jié)束幀。圖9是T0～Tn和T′0～T′n的示意。在一個ADHD兒童視頻幀序列中，會存在沒有運(yùn)動變化的圖像幀，ADHD兒童的運(yùn)動變化是多段式的，則會存在i個T0～Tn和T′0～T′n。

圖9 自動檢測的運(yùn)動時長與金標(biāo)準(zhǔn)人工標(biāo)注的運(yùn)動時長

自動檢測出的ADHD兒童運(yùn)動時長與金標(biāo)準(zhǔn)存在差異，需要評估本文提出的基于CoM的運(yùn)動時長自動檢測算法的正確率。設(shè)Ui表示Ti0～Tin與T′i0～T′in的交集，ADHD兒童每一段運(yùn)動變化的正確率Aci求解如式(15)所示

(15)

一個視頻幀序列的正確率Ac由各段運(yùn)動變化的正確率求平均，如式(16)所示

(16)

分別將10個ADHD兒童的金標(biāo)準(zhǔn)運(yùn)動時長和自動檢測的運(yùn)動時長代入式(16)進(jìn)行正確率的計(jì)算，得到的實(shí)驗(yàn)結(jié)果見表1。

表1 基于CoM的ADHD兒童運(yùn)動時長檢測結(jié)果正確率

表1展示了ADHD兒童運(yùn)動時長的正確率，兒童1～兒童10的正確率在88.00%以上，實(shí)驗(yàn)結(jié)果表明，本文提出的基于CoM的運(yùn)動時長參數(shù)能夠在一定程度上反映ADHD兒童實(shí)際的運(yùn)動時長，統(tǒng)計(jì)了ADHD兒童在做任務(wù)時的運(yùn)動特征表現(xiàn)，能夠輔助臨床醫(yī)師對ADHD兒童的活動過動癥狀進(jìn)行檢測。

2.2.2 基于CoM的ADHD兒童運(yùn)動變化分析

本文提出基于CoM的運(yùn)動時長特征，對每一幀圖像中的身體部位運(yùn)動進(jìn)行判斷，若任意一個身體部位發(fā)生運(yùn)動變化則表示ADHD兒童發(fā)生了運(yùn)動變化。

圖10是10個ADHD兒童的隨時間發(fā)生的運(yùn)動變化示意，橫坐標(biāo)表示的是時間，縱坐標(biāo)表示的是ADHD兒童的運(yùn)動變化。“0”表示ADHD兒童當(dāng)前幀圖像未發(fā)生運(yùn)動變化，“1”表示ADHD兒童當(dāng)前幀圖像發(fā)生了運(yùn)動變化。

圖10 ADHD兒童隨時間的運(yùn)動變化

當(dāng)ADHD兒童的下一幀圖像與當(dāng)前幀的圖像對比發(fā)生運(yùn)動變化差異，則會出現(xiàn)曲線波動。10個ADHD兒童在要求靜站觀看同一個動畫片時，發(fā)生的運(yùn)動變化不同，體現(xiàn)了個體的差異性。但是隨著時間的變化，ADHD兒童會隨著時間發(fā)生不同頻率的運(yùn)動變化，只有少數(shù)時間能夠保持靜止。

臨床醫(yī)師可通過變化曲線觀察ADHD兒童的運(yùn)動頻率，評估ADHD兒童的多動程度，對ADHD兒童的活動過動癥狀進(jìn)行診斷。

2.3 基于DSST算法的人體目標(biāo)區(qū)域自動檢測結(jié)果與分析

本文使用DSST算法對ADHD兒童的視頻數(shù)據(jù)進(jìn)行目標(biāo)區(qū)域定位跟蹤，得到ADHD兒童目標(biāo)區(qū)域的跟蹤結(jié)果。圖11展示了利用DSST算法跟蹤ADHD兒童目標(biāo)區(qū)域的結(jié)果，ADHD兒童目標(biāo)區(qū)域用矩形框框出。

圖11 基于DSST算法的ADHD兒童目標(biāo)區(qū)域定位檢測

圖11(a)是兒童2第172幀的檢測結(jié)果，圖11(b)是兒童2第1155幀的檢測結(jié)果，該兒童在完成指定任務(wù)時，身體上半部位發(fā)生了運(yùn)動變化，他將雙手舉到頭頂且往左偏。DSST算法的跟蹤框也隨著左偏，實(shí)時跟蹤ADHD兒童目標(biāo)區(qū)域。隨著ADHD兒童運(yùn)動的變化，DSST算法能夠調(diào)整跟蹤框的比例來檢測ADHD兒童的目標(biāo)區(qū)域。

為了對ADHD兒童目標(biāo)區(qū)域的自動檢測效果進(jìn)行評估，采取人工標(biāo)記的方式，將圖像中ADHD兒童的邊界范圍以坐標(biāo)點(diǎn)形式進(jìn)行存儲作為金標(biāo)準(zhǔn)。通過對比基于DSST算法自動檢測的ADHD兒童目標(biāo)區(qū)域的中心點(diǎn)坐標(biāo)與該ADHD兒童目標(biāo)區(qū)域的金標(biāo)準(zhǔn)中心點(diǎn)坐標(biāo)，對該算法自動檢測結(jié)果進(jìn)行判定，最終得到ADHD兒童目標(biāo)區(qū)域的跟蹤正確率。

假設(shè)原始圖像上的ADHD兒童目標(biāo)區(qū)域金標(biāo)準(zhǔn)坐標(biāo)是 (xi,yi)， 其i=1,2,3,4。 則得出式(17)的中心點(diǎn)坐標(biāo)

(17)

基于DSST算法在原始圖像上自動檢測出ADHD兒童目標(biāo)區(qū)域的標(biāo)記框，用相同的方法計(jì)算出中心點(diǎn)坐標(biāo)O′(u′,v′)， 若基于DSST自動檢測算法標(biāo)記產(chǎn)生的O′(u′,v′) 與金標(biāo)準(zhǔn)坐標(biāo)O(u,v) 的中心點(diǎn)距離滿足關(guān)系式(18),則基于DSST算法的自動標(biāo)記結(jié)果正確，不滿足式(18)則為標(biāo)記有誤

(18)

式中：d表示中心點(diǎn)距離，L是判定中心點(diǎn)距離是否符合規(guī)范的閾值。在本實(shí)驗(yàn)中，L取值5。本實(shí)驗(yàn)對10個ADHD兒童視頻數(shù)據(jù)進(jìn)行了目標(biāo)區(qū)域自動檢測，同時對10個兒童的自動檢測結(jié)果進(jìn)行了評估，評估結(jié)果見表2。

表2 基于DSST算法的人體目標(biāo)區(qū)域自動檢測結(jié)果正確率

由表2可知，由于每個ADHD兒童視頻數(shù)據(jù)存在差異，自動檢測的正確率不相同。但是每個ADHD兒童目標(biāo)區(qū)域的自動檢測正確率大于90%，具有較高的準(zhǔn)確性，說明本文利用DSST算法能夠有效跟蹤本實(shí)驗(yàn)的ADHD兒童目標(biāo)區(qū)域。

2.4 本文ADHD兒童身體分割結(jié)果分析

本文基于ADHD兒童深度圖像中噪聲灰度信息及分布特征信息，提出了基于NLGD的去噪算法。利用基于NLGD的去噪算法處理ADHD兒童的目標(biāo)區(qū)域，去除ADHD兒童周圍的噪聲，然后利用等值線算法提取連續(xù)完整的ADHD兒童身體邊緣，分割出ADHD兒童包含深度信息的身體區(qū)域。

圖12是本文的部分ADHD兒童目標(biāo)區(qū)域分割前后示意圖。分割前不同ADHD兒童深度圖像的噪聲分布位置及影響兒童主體程度不一致，但他們的噪聲總體分布特點(diǎn)相似。ADHD兒童深度圖像中的噪聲分為兩大類：一是身體下半部分存在的波浪狀的“空洞”噪聲，二是身體邊緣鋸齒狀的跳動噪聲，影響ADHD兒童身體區(qū)域的分割。ADHD兒童目標(biāo)區(qū)域經(jīng)本文分割算法處理后，可以看到ADHD兒童身體下半部分的“波浪狀”噪聲被去除，ADHD的身體邊緣被保留，包含深度信息的ADHD兒童身體被分割出來，用于運(yùn)動的量化。

圖12 本文的部分ADHD兒童目標(biāo)區(qū)域分割前后

為了評估本文提出的分割算法對ADHD身體區(qū)域的去噪性能，利用Dice系數(shù)[15](the dice similarity coefficient)、VOE系數(shù)(volumetric overlap error)、RVD系數(shù)(relative volume difference)作為評估ADHD兒童身體分割結(jié)果的指標(biāo)。

Dice系數(shù)表示兩個物體相交的面積占總面積的比值，對本文分割算法提取的ADHD兒童身體區(qū)域與多人標(biāo)記取平均標(biāo)記的身體區(qū)域的重疊部分進(jìn)行度量，代表本研究算法所提取身體區(qū)域與手動標(biāo)記結(jié)果的相似度，完美分割時Dice系數(shù)的值為1，其公式如式(19)所示

(19)

VOE系數(shù)是體素重疊誤差，即ADHD兒童目標(biāo)區(qū)域自動分割結(jié)果與標(biāo)準(zhǔn)分割結(jié)果差值與兩種結(jié)果總區(qū)域的比值，用來表示錯誤率，該值越小代表自動分割結(jié)果越好。其公式如式(20)所示

(20)

RVD系數(shù)是體素相對誤差，表示自動分割結(jié)果與手動標(biāo)記結(jié)果之間體素的差異，其公式如式(21)所示

(21)

式(19)～式(21)中RS為手動標(biāo)記的標(biāo)準(zhǔn)ADHD兒童身體區(qū)域結(jié)果，TS為本文分割算法處理得到的ADHD兒童身體區(qū)域結(jié)果。表3是對本研究的10個兒童視頻數(shù)據(jù)的測試結(jié)果。

由表3中參數(shù)可知，本文提出的分割算法對ADHD兒童身體區(qū)域分割結(jié)果的Dice系數(shù)在83.00%～92.72%的范圍內(nèi)，平均識別正確率為88.65%，本實(shí)驗(yàn)ADHD兒童身體區(qū)域的分割結(jié)果與手動標(biāo)記金標(biāo)準(zhǔn)相似度高，且過識別率和欠識別率較低，說明了提出算法所得結(jié)果誤差較小，適用于本實(shí)驗(yàn)不同兒童深度視頻數(shù)據(jù)的身體區(qū)域分割，利于對ADHD兒童進(jìn)行運(yùn)動量化。

表3 本文提出的去噪算法性能測試結(jié)果

3 結(jié)束語

本文基于Kinect采集的ADHD兒童深度視頻提出了一種基于NLGD的深度圖像去噪方法，去除影響ADHD兒童深度圖像身體區(qū)域的噪聲。并且基于等值線算法分割出ADHD兒童身體區(qū)域。然后提出基于CoM的運(yùn)動時長特征參數(shù)，自動量化ADHD兒童的運(yùn)動。實(shí)驗(yàn)對10個ADHD兒童的視頻數(shù)據(jù)進(jìn)行目標(biāo)自動跟蹤測試，去噪分割算法測試以及運(yùn)動時長特征測試。對比分析了本文算法測試的實(shí)驗(yàn)結(jié)果與金標(biāo)準(zhǔn)的差異，ADHD兒童目標(biāo)自動跟蹤測試的正確率為91.45%～99.94%，基于本文去噪分割算法的ADHD兒童身體目標(biāo)分割正確率為82.73%～93.77%，運(yùn)動時長的正確率均為88.00%以上。