大數據在基于Kinect的中風康復訓練中的應用

陳平平+趙陽洋+陳麗蘭

摘要：為了根據不同中風患者的康復情況制定相應的中風治療標準，對基于大數據改進中風康復訓練行為的識別進行了研究。首先，通過Kinect獲取人體20個骨骼關節點的數據信息，然后提取關節點極坐標的位置信息，定義運動特征分類集合，完成樸素貝葉斯分類器設計。根據捕獲的各種人群數據信息，在云服務器上的數據分析系統加以量化和分析后進行閾值計算。基于此，可對中風康復訓練動作識別閾值進行偏差處理，從而設定不同的患者人群最合適的動作標準。

關鍵詞：大數據；樸素貝葉斯分類器；Kinect；中風治療

DOIDOI：10.11907/rjdk.171060

中圖分類號：TP319

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

0 引言

在醫療康復領域，基于Kinect的體感技術發展十分迅猛[1]。隨著Kinect for Windows 傳感器的發布，Kinect的3D體感攝影機和語音識別技術在國外已廣泛應用于康復治療的研究當中。但在國內把Kinect應用到醫學領域的研究幾乎處于空白狀態，特別是康復領域，主要由于人們缺乏對康復的認識，對其重視程度不夠。因此，目前Kinect的市場潛能還未充分發揮出來。另外，在國內的應用尚未采用大數據分析協助中風康復治療，所以將大數據與Kinect結合具有一定的開創性，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）評分評定中風患者練習八段錦等動作的標準程度。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、轉身向后看、轉身一周、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現，由于評定中風患者恢復動作的標準是針對所有中風患者制定的，并沒有解決由于人群差異，如中風程度輕重，以及患者的高矮、胖瘦等可能導致評分誤差的問題，導致部分患者無法完成正確的訓練動作，最終影響中風康復治療的效果。因此，為中風康復治療協助系統制定因人而異的更加細化的評分標準是非常必要的。

1 數據獲取

1.1 Kinect傳感器捕獲患者數據

Kinect傳感器是微軟公司開發的一種3D軟件體感攝像機，可以通過該設備的兩類攝像頭獲取彩色和深度圖像數據，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設備外觀圖，從左到右依次為麥克風陣列、3D深度傳感器、彩色攝像頭。

開啟Kinect骨骼數據流后，Kinect可以檢測出視野范圍內的人體并實時跟蹤人體骨骼。Kinect首先獲取相對于Kinect骨骼坐標系的三維坐標數據的20個人體關節點，然后根據坐標變換將骨骼三維坐標變換到屏幕的二維坐標系，最后根據人體骨骼拓撲結構構建人體骨骼，使其可視化。傳感器以30幀/秒的速度生成骨骼圖像流，實時重現人體的運動狀態[3]。

由于患者為中風，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，導致交互不能被準確辨識。因此，在基于動態時間規整（Dynamic Time Warping，DTW）識別[4]的基礎上，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據庫，這些保存的患者信息可以用于康復訓練程度的識別和新的個人專屬訓練計劃制定。特征提取的原則為：①選取能夠有效表達個體間骨骼差異的特征；②在能夠區分個體間骨骼差異的前提下，特征向量的維度越低越好，可降低數據運算量[5]。

通過對Kinect獲取的患者人體骨骼關節點進行分類，為了降低特征數據位數和提高計算效率，因此選取一些特征明顯、受衣著干擾較小的節點，并將其分為3類：①軀干關節點。主要包括頭、左右肩、脊椎、左右髖等8個關節點（如圖2中用1標記的關節點）。患者某些康復動作的特征興趣點部分由此類判別；②身高。包括從頭節點到左右腳節點的垂直距離，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）；③四肢關節點。包括左右肘、左右腕、左右膝、左右踝8個關節點（如圖2中用3標記的關節點）。患者的大部分動作，例如拳擊、上舉等動作主要是靠四肢表達。這類關節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，提取不太穩定，因此在分類中去除了左右手、左右腳4個關節點。 這種特征選取的方法可以避免在建庫時人體站立姿態的微小差別對識別造成的影響，骨骼節點之間的相對距離不會因姿態的微小變化而改變[5]。

1.3 大數據分析

大數據是指需要新處理模式才能具有更強的決策力、洞察發現力和流程優化能力來適應海量、高增長率和多樣化的信息資產[6]。利用大數據技術，能夠在成本可承受的條件下，在較短的時間內，將按中風程度輕重，患者的高矮、胖瘦等分好類別的不同人群患者在康復治療中練習八段錦的相關數據采集到數據倉庫中，用分布式技術框架對采集的非關系型數據進行異質性處理，并通過數據挖掘與分析，從大量化、多類別的數據中提取價值，從而細化上述提到的評定中風患者練習八段錦等動作的標準程度。

大數據最大的優點是主要針對傳統手段捕捉到的數據之外的非結構化數據，意味著不能保證輸入的數據是完整的、清洗過和沒有錯誤的。這使其更具有挑戰性，但同時提供了在數據中獲得更多洞察力的范圍[7]。大數據的研究與傳統數據挖掘方法有密切聯系又有根本不同。它的研究主要是將其作為一種研究方法或一種發現新知識的工具，而不是把數據本身當成研究目標。因此，想要改進并細化因群體而異的中風康復系統標準在技術上是完全可行的。

2 康復訓練行為識別

2.1 中風患者康復動作數據分析

由中國腦卒中組織內的23家醫院提供的病例進行數據統計分析發現，近年來中國中風發病的年輕化趨勢越來越明顯。目前利用中醫進行中風病治療的手段已在我國大范圍使用，并取得了較好療效。目前對于中風治療的研究主要依據臨床經驗、臨床調查或文獻挖掘，醫療大數據及復雜網絡分析為其研究提供了新的手段。

本文通過云計算的分析應用，制定和改進中風康復治療系統的標準。如今醫療數據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療大數據的挖掘能力[8]。經過分析發現，影響患者康復行為的因素主要有中風程度輕重、患者的胖瘦等。因此，如果患者中風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，從而制定相應的評定標準。

2.2 改進的樸素貝葉斯分類器

通過Kinect 獲取人體骨骼關節點的坐標信息，而動作識別的準確性是通過設置空間位置關節點的位置閾值來實現的。傳統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，而進行中風康復訓練的是中風患者，患者差異可能導致識別誤差，使患者無法完成正確的訓練動作，最終影響康復治療效果。因此，一般的閾值選擇方法并不能很好地體現患者的康復效果。本文在傳統樸素貝葉斯算法的基礎上，根據康復訓練動作進行數據分析，并根據分析結果對不同人群進行閾值計算[9]。通過Kinect捕捉康復訓練動作骨骼關節的坐標點，在康復者進行訓練后，在動作關節點的閾值誤差范圍內進行計算和處理，以提高動作識別的準確率，使其能適應不同的患者人群。

本文基于樸素貝葉斯算法提出一種閾值計算方法。首先根據患者的數據分析將可能影響康復效果的因素設置一個概率閾值，當發現患者動作的坐標值為某一動作的概率大于該閾值時，則將動作添加到預測集合中，最終同樸素貝葉斯算法相結合，確定患者所做的動作。算法流程如圖3所示。

3 實驗結果分析

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

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

4 結語

本文搭建了適合不同人群的中風康復遠程治療協助系統，該系統可隨時收集患者治療的各種信息并存儲，增加數據量，不斷完善和改進治療方案。詳細數據可上傳PC機進行各種處理，還可將其遠程傳送給醫生。醫生可以對這些數據進行分析，藉此為患者制定出個人專屬訓練計劃。實驗結果表明，經過大數據改進后的基于Kinect的康復治療系統能令多數人有更好的體驗。

參考文獻：

[1]丁晨，王軍譯，等.Kinect體感交互技術及其在醫療康復領域的應用[J].中國康復理論與時間，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的人體交互關鍵技術研究[D].廈門：廈門大學軟件學院，2013.

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

[6]陶雪嬌，胡曉峰，劉洋.大數據研究綜述[J].系統仿真學報，2013（S1）：142-146.

[7]李國杰.大數據研究的科學價值[J].中國計算機學會通信，2012，8（9）： 8-15.

[8]王達明，崔曉燕.基于云計算與醫療大數據的Apriori 算法的優化研究[J].北京： 北京郵電大學，2015.

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

（責任編輯：黃 健）