專利名稱：一種眼震位移矢量的統(tǒng)計(jì)分析方法
技術(shù)領(lǐng)域：
本發(fā)明涉及圖形信息的統(tǒng)計(jì)分析方法，特別涉及一種以眼震位移統(tǒng)計(jì)圖 為對(duì)象，對(duì)其能量譜進(jìn)行主分量分析，獲取中間信息形態(tài)的眼震醫(yī)學(xué)特征提 取與分析方法。
背景技術(shù)：
眼球震顫(Nystagmus),簡(jiǎn)稱眼震，是一種不自主的、有節(jié)律性的、往返 擺動(dòng)的眼球運(yùn)動(dòng)，常由-見(jiàn)覺(jué)系統(tǒng)、眼外肌、內(nèi)耳迷路及中樞神經(jīng)系統(tǒng)的疾病 引起。眼震癥狀與老年癡呆、帕金森綜合癥、癲癇、內(nèi)耳與中樞神經(jīng)疾病、 眩暈癥、平衡功能障礙等癥狀有著密切關(guān)系。在臨床上由于神經(jīng)類疾病缺乏 科學(xué)的參考依據(jù)，往往被定位為疑難病癥，主要取決于醫(yī)生的主觀判斷，影 響了對(duì)患者的有效治療。近年來(lái)隨著醫(yī)學(xué)專家對(duì)眼震癥狀的深入研究，眼震 檢查方法為神經(jīng)性疾病的治療提供了一種新的參考信息，其主要意義在于 針對(duì)眼震疾病本身，通過(guò)對(duì)眼震的軌跡跟蹤與信號(hào)分析，獲取病理數(shù)據(jù)，作 為醫(yī)學(xué)上的有用信息。對(duì)眼震的^r查，主要采用一見(jiàn)覺(jué)電生理和眼震電圖(Electronystagmogram) 分析方法。其中眼震電圖描記法(Electronystagmography, ENG)采用傳感器 電極，通過(guò)采集眼球運(yùn)動(dòng)產(chǎn)生的電位差得到眼震電圖，可以顯示震頻、震幅 和震強(qiáng)，還可以顯示有無(wú)休息眼位及其位置，眼震方向和類型，在臨床檢查 中發(fā)揮了重要作用。但是，ENG試驗(yàn)有其固有缺陷首先，不能^r測(cè)旋轉(zhuǎn)型眼 震；其次，易受諸多外界因素影響，患者近期所服藥物、測(cè)試期間的覺(jué)醒狀 態(tài)、其它生物信號(hào)干擾以及操作者的經(jīng)驗(yàn)等均可影響檢測(cè)結(jié)果的準(zhǔn)確性；再 次，電極性能及穩(wěn)定性影響信號(hào)的采集，有學(xué)者曾經(jīng)總結(jié)眼震電圖所出現(xiàn)的故障95°/。是電極問(wèn)題；此外，眼震電圖檢查內(nèi)容繁瑣，價(jià)格昂貴，目前國(guó)內(nèi)僅 在大醫(yī)院中使用。為有效抑制電磁場(chǎng)干擾，提高眼震檢查的準(zhǔn)確性與可靠性，國(guó)內(nèi)外醫(yī)學(xué) 機(jī)構(gòu)已逐漸應(yīng)用視頻眼震圖(videonystagmography, VNG)分析系統(tǒng)。該系統(tǒng) 淘汰了原有的電極，采用紅外視頻技術(shù)實(shí)時(shí)觀察和記錄分析各種眼震影像， 不受任何電磁干擾和介質(zhì)影響采集精度高，信號(hào)穩(wěn)定。通過(guò)VNG可直觀地從 顯示器觀察到水平、垂直和旋轉(zhuǎn)型眼震，計(jì)算出旋轉(zhuǎn)型眼震的角度及角速度， 為眼震在圖像上的特征提供全新的信息。隨著視頻成像與圖像處理技術(shù)的進(jìn)步，VNG已逐漸取代ENG應(yīng)用到眼震的 評(píng)測(cè)過(guò)程中。然而對(duì)VNG系統(tǒng)的研究還非常薄弱，除了應(yīng)用ENG系統(tǒng)的已有 成果外，主要集中在提取視頻眼震圖的直觀時(shí)域和空域信息進(jìn)行分析，存在 主要問(wèn)題(1)眼震的時(shí)-空特性不足以充分反應(yīng)各種疾病的病理特性及成因， 注重對(duì)眼震現(xiàn)象直觀參數(shù)的分析將忽略重要的微觀信息，而這些信息極有可 能蘊(yùn)涵了重要的病理特性；(2)現(xiàn)有研究方法沒(méi)有分析眼震能量分布特性，限 制了醫(yī)學(xué)特征的提取，從而失去一些重要的參考信息；(3)沒(méi)有充分利用現(xiàn)有 先進(jìn)的目標(biāo)分類與模式識(shí)別技術(shù)，針對(duì)眼震的病理分析與判別方法作深入、 系統(tǒng)研究，造成系統(tǒng)魯棒性差，操作不便，過(guò)分依賴醫(yī)師的主觀判斷。發(fā)明內(nèi)容本發(fā)明的目的是針對(duì)現(xiàn)有技術(shù)的不足，集合數(shù)學(xué)理論、信號(hào)分析理論、 目標(biāo)檢測(cè)和模式識(shí)別技術(shù)，提供一種眼震位移矢量的統(tǒng)計(jì)分析方法可以對(duì)眼 震信號(hào)進(jìn)行綜合處理和系統(tǒng)研究。在眼震視頻圖像基礎(chǔ)上，針對(duì)眼震位移統(tǒng) 計(jì)圖進(jìn)行能量譜分析，提取其顯性和隱性的信息特征，并以直觀友好的圖形 界面方式顯示在計(jì)算機(jī)屏幕上，提供出醫(yī)學(xué)上有益的參考信息。本發(fā)明涉及包含以下步驟a)對(duì)眼震視頻圖像中的眼球定位將在850nm紅外光源照射下獲得的眼 球視頻圖像按幀進(jìn)行中值濾波消除噪點(diǎn)，然后進(jìn)行腐蝕運(yùn)算，并將每幀腐蝕 前的圖像與腐蝕圖像求差，得到瞳孔輪廓線，采用可變形圓形模板對(duì)上述瞳 孔輪廓線進(jìn)行檢測(cè)，并用圓心坐標(biāo)作為眼球的位置(、，乂)并記錄；上述眼震視頻信號(hào)圖像，可以由安裝在PC機(jī)上的圖像采集卡及所帶SDK開(kāi)發(fā)包獲取。見(jiàn) 圖2。b) 位移統(tǒng)計(jì)圖將記錄的上述眼球位置進(jìn)行逐幀差分運(yùn)算，得到若干個(gè) 1/25秒等時(shí)間間隔的位移矢量(〃',')，<formula>formula see original document page 6</formula>為幀序號(hào)由于視頻采集幀率(每秒25幀)遠(yuǎn)高于眼震頻率(每分鐘100-300次)，而 且?guī)g時(shí)間間隔固定，采用位置差分方式不會(huì)丟失眼震信息，而且有利于刻 畫(huà)眼震的細(xì)節(jié)，便于區(qū)分快相和慢相眼震特征。經(jīng)過(guò)前面的處理，可以得到幀間相對(duì)運(yùn)動(dòng)位置圖，見(jiàn)圖3。每個(gè)矢量反應(yīng) 了相鄰幀之間的運(yùn)動(dòng)距離和方向。這些在時(shí)間上離散、空間上孤立的單點(diǎn)信 息不利于后續(xù)處理，同時(shí)，由于定位誤差和其它偶然因素干擾，會(huì)使單個(gè)運(yùn) 動(dòng)矢量產(chǎn)生偏差，由此得到的振幅、震頻等信息可靠性降低。此外，為了與 具體的視點(diǎn)運(yùn)動(dòng)軌跡相結(jié)合，更需要對(duì)采集時(shí)間段內(nèi)的所有位移矢量聯(lián)合處 理。為此本發(fā)明提出了位移統(tǒng)計(jì)圖(Statistical Diagram of Displacement, SDD)的思想，將采集時(shí)間段內(nèi)所有位移動(dòng)矢量進(jìn)行頻度統(tǒng)計(jì)，得到一幅二維 空間圖像/(w，力，見(jiàn)圖4。 ( )為平面坐標(biāo)<formula>formula see original document page 6</formula>圖像實(shí)際是反應(yīng)了眼球位移統(tǒng)計(jì)包絡(luò)，它既保留了眼震信號(hào)的振 幅、頻率、方向等信息，還隱含了眼球運(yùn)動(dòng)過(guò)程中的微觀信息。另一方面， 作為一幅二維圖像，非常適合用現(xiàn)有的圖像處理與模式識(shí)別算法進(jìn)行分析處 理，從而提取其醫(yī)學(xué)特征。c) 對(duì)步驟b)獲得的位移統(tǒng)計(jì)圖進(jìn)行Gabor變換采用IO種尺度和8個(gè)方 向得到80個(gè)濾波器，Gabor變換得到的是由實(shí)部和虛部組成的復(fù)數(shù)，取其幅 值作為特征系數(shù)；理論研究和實(shí)驗(yàn)分析表明，SDD圖像具有Gabor小波的一些固有特性，對(duì) 其進(jìn)行Gabor變換，其能量分布具有集中特性，同時(shí)變換參數(shù)能夠反應(yīng)眼震 的性質(zhì)Gabor變換的公式3/ = —x sin 6 + y cos 6y(jc，力為Gabor小波函數(shù)，a,/ 為高斯包絡(luò)的方向參凄史，,為正弦波的頻 率，0為正弦波在二維平面上的空間分布方向。利用這些參數(shù)的變化以及變換 系數(shù)的能量集中特性，可以對(duì)眼震信息進(jìn)行詳盡分析，提取其宏觀和微觀特 征，從而進(jìn)行醫(yī)學(xué)分析，見(jiàn)圖5。d) 主分量分析用于對(duì)Gabor特征降維，根據(jù)步驟c)獲得的Gabor特征 系數(shù)分布的集中特性，先進(jìn)行區(qū)域搜索，然后對(duì)同類樣本進(jìn)行主分量分析(EPCA)，獲得特征值，從大到小選取若干個(gè)特征值對(duì)應(yīng)的特征向量構(gòu)成新的 特征空間，然后，針對(duì)指定的濾波器，通過(guò)K-L變換得到各個(gè)樣本在新的特 征空間的投影值；e) 構(gòu)造特征向量采用乂、 0、 Gabor特征系數(shù)均值、方差以及步驟d)獲 得的投影值組成含特征向量；特征向量能夠完備描述眼震的各種特征，同時(shí) 其維數(shù)不高， 一般不超過(guò)20個(gè)元素。重要的是這80個(gè)特征向量對(duì)不同的眼 震具有很好的聚類特性，非常適合于分類識(shí)別，可用于構(gòu)建有效的眼震分類 器。f) 由SVM訓(xùn)練獲得弱分類器并進(jìn)行分組依據(jù)步驟e)獲得的不同濾波器 對(duì)應(yīng)的80個(gè)特征向量組成80組，每一組采用SVM方法加入訓(xùn)練集中分別參 與訓(xùn)練，對(duì)包括訓(xùn)練集中樣本的所有特征向量進(jìn)行分組訓(xùn)練得到8 Q個(gè)弱分類 器，并對(duì)弱分類器進(jìn)行分組由選擇出的用訓(xùn)練集中某類樣本進(jìn)行測(cè)試時(shí)分 類效果好的若干個(gè)弱分類器分為 一組；各種不同類型眼震對(duì)特征向量的參數(shù)具有明顯的選擇性，從這些特性中 還可以預(yù)見(jiàn)目前尚不明確的病理特征，為進(jìn)一步深入研究提供依據(jù)。采用基 于統(tǒng)計(jì)學(xué)理論的支撐向量機(jī)(SVM)方法構(gòu)造的弱分類器，其預(yù)定的分類結(jié)果 既包括目前已被了解和公認(rèn)的各種眼震類別，還包括在訓(xùn)練過(guò)程中發(fā)現(xiàn)的具 有聚類特性的不明眼震類別，保留在未來(lái)深入研究中的泛化能力。對(duì)訓(xùn)練過(guò)程中產(chǎn)生的新的聚類現(xiàn)象，分析軟件將考察其在特征向量中的 敏感元素，分析這些元素所隱含的醫(yī)學(xué)含義，同時(shí)結(jié)合不同濾波器變換結(jié)果中，這些元素的變化趨勢(shì)，為醫(yī)學(xué)專家提供參考依據(jù)。g) 強(qiáng)分類器構(gòu)造將每組的弱分類器依據(jù)AdaBoost方法進(jìn)行加權(quán)組合， 其權(quán)值在該組所有弱分類器組合迭代過(guò)程中依據(jù)分類效果自適應(yīng)調(diào)整，從而 得到強(qiáng)分類器；每個(gè)強(qiáng)分類器所包含的所有弱分類器對(duì)應(yīng)的特征向量適合于 描述訓(xùn)練集中某特定類樣本的特征，因而劃歸為與該類樣本相同或相近似的 類別；在步驟f)中，得到了若干弱分類器，每個(gè)分類器依托于一個(gè)特定的Gabor 濾波器。步驟g)中對(duì)這些弱分類進(jìn)行分組，分組的原則是考察弱分類器對(duì)訓(xùn) 練樣本的判決結(jié)果，將那些對(duì)已知樣本中某一類眼震與其它類之間具有最佳 分類效果的分類器劃分為一組，同時(shí)設(shè)定一個(gè)分類判決閾值，如果某個(gè)分類 器的最佳分類結(jié)果低于判決閾值，則將其歸為待定組。待定組中的分類器存 在兩種可能(1)該分類器的特征向量選擇不合理，對(duì)眼震分類沒(méi)有價(jià)值； (2)樣本規(guī)劃不科學(xué)，也就是可能存在新的樣本劃分，如果找到適合于該分 類器的新的劃分方法，就能發(fā)現(xiàn)隱含的病理信息。由于對(duì)所有特征向量的構(gòu) 造是具有醫(yī)學(xué)意義的，因此對(duì)這些分類器的研究同樣具有價(jià)值，有助于提升 眼震分析方法的泛化能力。h) 建立分析模型并匯報(bào)結(jié)果將步驟g)得到的各強(qiáng)分類器組織成瀑布型 (Cascade)分析模型，得到視頻圖像所屬類別、對(duì)應(yīng)的特征向量、同類特征向量均值，并以圖形方式顯示出來(lái)，對(duì)被強(qiáng)分類器拒識(shí)的信息進(jìn)行存儲(chǔ)或打 印。上述步驟a) ~步驟h)中涉及的所有算法均可由Visual C+十在Windows XP 平臺(tái)上編程實(shí)現(xiàn)。f)中所述的訓(xùn)練集中的樣本由已知類別的眼球視頻圖像，通過(guò)上述步驟 a) e)獲得其對(duì)應(yīng)的80個(gè)特征向量組；訓(xùn)練集中包括至少由一個(gè)類別的眼球 視頻圖像獲得的特征向量組；訓(xùn)練集中包括由已知斜視、帕金森綜合癥、 老年癡呆、眩暈、癲癇及中樞神經(jīng)疾病患者的眼球視頻圖像提取的特征向量 組作為樣本。上述訓(xùn)練樣本的眼震視頻圖像除了可以通過(guò)醫(yī)院的臨床病例得到外，還 可以通過(guò)一些發(fā)達(dá)國(guó)家的眼震網(wǎng)絡(luò)得到，如英國(guó)萊切斯特的眼震網(wǎng)絡(luò)(UK Nystagmus Network)和美國(guó)目艮震網(wǎng)絡(luò)(American Nystagmus Network, ANN)是近年來(lái)由眼震患者個(gè)人和家庭自發(fā)成立的非盈利組織，包括數(shù)千名志愿者， 致力于患者間相互幫助與信息交流，同時(shí)為眼震疾病研究人員提供病理信息 和臨床試驗(yàn)依據(jù)。由于本發(fā)明中首先將眼震數(shù)字視頻存入計(jì)算機(jī)再進(jìn)行單獨(dú) 處理，不存在實(shí)時(shí)性要求，可以接受所涉及分析算法的計(jì)算復(fù)雜度。軟件系 統(tǒng)將眼震信息的分析結(jié)果形象地顯示在計(jì)算機(jī)屏幕上，還能隨時(shí)回放視頻畫(huà) 面。本發(fā)明帶來(lái)的有益效果是非常明顯的，即通過(guò)對(duì)獲得的眼震視頻圖像的處理及分析，獲得(l)眼震的能量域特征，包含了更多的病理信息；(2)震 動(dòng)過(guò)程的細(xì)節(jié)信息，比常規(guī)方法更為完備；(3)眼震分類特征，作為醫(yī)學(xué)上進(jìn) 一步分析的重要參考依據(jù)。


圖l是本發(fā)明的眼震信號(hào)處理流程2眼震軌跡3幀間眼震位移矢量分布4是眼震位移統(tǒng)計(jì)圖(SDD)圖5是Gabor系數(shù)分布6是匯報(bào)分析結(jié)果組成圖具體實(shí)施方式
下面結(jié)合一個(gè)非限定性的實(shí)施例對(duì)本發(fā)明作進(jìn)一步的說(shuō)明 參見(jiàn)圖1,圖2，圖3本發(fā)明的算法采用Visual C十+在Windows平臺(tái)上編程實(shí)現(xiàn)，依據(jù)技術(shù)方 案流程完成所有模塊設(shè)計(jì)，以圖形界面方式實(shí)現(xiàn)用戶交互。用戶界面包括眼 震視頻信息的動(dòng)態(tài)顯示與回放，眼震的振幅、震頻、速度、方向信息，眼震 的特征向量列表，眼震的分類結(jié)果等。軌跡等參數(shù)設(shè)定采用菜單操作方式實(shí) 現(xiàn)。主要模塊內(nèi)容介紹如下(1)在視頻圖像中對(duì)眼球定位由于瞳孔和虹膜對(duì)紅外光吸收率的顯著 差別，采用850nm紅外LED作為照明光源，通過(guò)對(duì)瞳孔的定位獲得眼球的位置信息。先對(duì)視頻圖像進(jìn)行中值濾波消除噪點(diǎn)，然后進(jìn)行腐蝕運(yùn)算，再將原 圖像與腐蝕圖像求差，得到瞳孔輪廓信息。考慮到瞳孔近似圓形，而且不易 被遮擋，可以采用可變形的圓形模板對(duì)瞳孔進(jìn)行檢測(cè)，并用圓心坐標(biāo)作為眼 球的位置并記錄。(2 )位移統(tǒng)計(jì)圖將眼球位置進(jìn)行逐幀差分運(yùn)算，得到等時(shí)間間隔的 位移分布情況，再對(duì)所考察時(shí)間段內(nèi)的所有位移矢量進(jìn)行統(tǒng)計(jì)，得到一幅描 繪位移頻度的二維圖像，稱為位移統(tǒng)計(jì)圖(SDD)。(3)對(duì)步驟(2)獲得的位移統(tǒng)計(jì)圖進(jìn)行Gabor變換本發(fā)明的實(shí)現(xiàn)實(shí)例 采用Gabor變換的濾波器為SDD的Gabor特征釆用原圖像與Gabor濾波器的巻積得到。令/(xj)為SDD 圖像的灰度分布，則Gabor特征G(jc，力定義為 <^>，力=/(1，力*^(乂,力Gabor變換得到的是由實(shí)部和虛部組成的復(fù)數(shù)，包含幅值和相位譜。其中，相位譜隨著空間位置呈周期性變化，因而通常認(rèn)為不適合作為圖像特征描述。幅值的變化相對(duì)平滑而穩(wěn)定，因此，我們僅用變換后的幅值作為特征的描述。",A/o"為濾波器參數(shù)，我們定義以下約束條件 "=V0.9025;r/0 〃 = V。.5870;r/0此時(shí)可由/。^代表濾波器的尺度和方向參數(shù)。我們采用10種尺度和8個(gè)方 向得到80個(gè)濾波器，并分別計(jì)算圖像的Gabor幅度特征。(4) 主分量分析由于Gabor變換是巻積運(yùn)算，維數(shù)增加，需要進(jìn)行特 征提取。根據(jù)Gabor特征系數(shù)分布的集中特性，我們先進(jìn)行區(qū)域選擇，然后 對(duì)同類樣本進(jìn)行主分量分析(EPCA),提取特征向量。相對(duì)于樣本，特征向量 的個(gè)數(shù)大大減少，在實(shí)施例中我們選取最大的12個(gè)特征值對(duì)應(yīng)的特征向量構(gòu) 成新的特征空間。然后，針對(duì)指定的濾波器，通過(guò)K-L變換得到各個(gè)樣本在 新的特征空間的投影。(5) 構(gòu)造特征向量由于樣本的投影值是與濾波器相關(guān)的，所以在醫(yī)學(xué);/ = 一x sin P +少cos P特征向量構(gòu)建時(shí)需要考慮濾波器參數(shù)。這里的特征向量是綜合考慮各種特征 后用于描述患者眼震特征的數(shù)據(jù)集合，不同于主分量分析中所提取的中間特征向量。我們采用/。、 0、 Gabor特征系數(shù)均值、方差以及12個(gè)投影系數(shù)組成 含16個(gè)元素的特征向量。(6) 由SVM訓(xùn)練獲得弱分類器并進(jìn)行分組每個(gè)病例樣本產(chǎn)生8Q個(gè)從 不同角度描述的特征向量，為得到強(qiáng)有力的分類方式，采用SVM方法分別進(jìn) 行訓(xùn)練，選擇對(duì)樣本分類效果好的8個(gè)特征分為一組，各組之間特征向量不 同時(shí)出現(xiàn)，如果某特征向量被多組選擇，則歸為分類效果最好的一組。在依 據(jù)各訓(xùn)練樣本的先驗(yàn)病理特征分組完成后(分為8組)，將剩下樣本歸為待定 組。對(duì)各組依據(jù)該組的特征向量由訓(xùn)練樣本構(gòu)造8個(gè)SVM分類器，稱為弱分 類器。(7) 強(qiáng)分類器構(gòu)造將弱分類器依據(jù)AdaBoost方法進(jìn)行加權(quán)組合，其 權(quán)值在所有弱分類器組合迭代過(guò)程中依據(jù)分類效果自適應(yīng)調(diào)整，從而得到該 眼震類型的強(qiáng)分類器。(8 )建立分析模型并匯報(bào)結(jié)果將前面得到的8個(gè)分類器組織成瀑布型 (Cascade)病理分析模型，對(duì)每個(gè)眼震病例匯報(bào)分類結(jié)果，并添加到該類歷 史信息文件中。分析結(jié)果以彈出窗口方式提供給用戶，包括以下信息所選 視點(diǎn)軌跡、眼震的頻率、振幅、方向、所屬類別、對(duì)應(yīng)的特征向量、同類特 征向量均值，以圖形方式顯示偏差、該類眼震的醫(yī)療參考結(jié)論等。若某眼震病例被前面的分類器據(jù)識(shí)，則考察歸為待定組的特征向量，并 與歷史病例比對(duì)，采用下述方法研究新的聚類特性a) 考察待定組的某特征向量，計(jì)算新病例對(duì)應(yīng)于該特征的特征向量；b) 求得這些特征向量的均值；c) 計(jì)算該特征向量與均值的幾何距離；d) 重復(fù)前面步驟計(jì)算與其它待定組特征向量均值的幾何距離；e) 以幾何距離最小為依據(jù)得到其歸類；f) 成為該類的新成員進(jìn)入歷史信息文件；g) 將該類的相關(guān)特征、歷史病例信息特征向量、均值與偏差匯報(bào)給用戶。
權(quán)利要求
1. 一種眼震位移矢量的統(tǒng)計(jì)分析方法，包含以下步驟a)對(duì)視頻圖像中的眼球定位將在850nm紅外光源照射下獲得的眼球視頻圖像按幀進(jìn)行中值濾波消除噪點(diǎn)，然后進(jìn)行腐蝕運(yùn)算，并將每幀腐蝕前的圖像與腐蝕圖像求差，得到瞳孔輪廓線，采用可變形圓形模板對(duì)上述瞳孔輪廓線進(jìn)行檢測(cè)，并用圓心坐標(biāo)作為眼球的位置(xi，yi)并記錄；b)位移統(tǒng)計(jì)圖將記錄的上述眼球位置進(jìn)行逐幀差分運(yùn)算，得到若干個(gè)1/25秒等時(shí)間間隔的位移矢量(μi，vi)，再對(duì)所有位移矢量進(jìn)行統(tǒng)計(jì)，得到一幅描繪位移頻度的位移統(tǒng)計(jì)圖；c)對(duì)步驟b)獲得的位移統(tǒng)計(jì)圖進(jìn)行Gabor變換采用10種尺度和8個(gè)方向得到80個(gè)濾波器，Gabor變換得到的是由實(shí)部和虛部組成的復(fù)數(shù)，取其幅值作為特征系數(shù)；d)主分量分析根據(jù)步驟c)獲得的Gabor特征系數(shù)分布的集中特性，先根據(jù)閾值進(jìn)行區(qū)域限定，然后對(duì)同類樣本進(jìn)行主分量分析(EPCA)，獲得特征值，從大到小選取若干個(gè)特征值對(duì)應(yīng)的特征向量構(gòu)成新的特征空間，然后，針對(duì)指定的濾波器，通過(guò)K-L變換得到各個(gè)樣本在新的特征空間的投影值；e)構(gòu)造特征向量采用頻率f0、θ、Gabor特征系數(shù)均值、方差以及步驟d)獲得的投影值組成含特征向量；f)由SVM訓(xùn)練獲得弱分類器并進(jìn)行分組依據(jù)步驟e)獲得的不同濾波器對(duì)應(yīng)的80個(gè)特征向量組成80組，每一組采用SVM方法加入訓(xùn)練集中分別參與訓(xùn)練，對(duì)訓(xùn)練集中樣本的所有特征向量進(jìn)行分組訓(xùn)練得到80個(gè)弱分類器，并對(duì)弱分類器進(jìn)行分組由選擇出的用訓(xùn)練集中某類樣本進(jìn)行測(cè)試時(shí)分類效果好的若干個(gè)弱分類器分為一組；g)強(qiáng)分類器構(gòu)造將每組的弱分類器依據(jù)AdaBoost方法進(jìn)行加權(quán)組合，其權(quán)值在該組所有弱分類器組合迭代過(guò)程中依據(jù)分類效果自適應(yīng)調(diào)整，從而得到強(qiáng)分類器；每個(gè)強(qiáng)分類器所包含的所有弱分類器對(duì)應(yīng)的特征向量適合于描述訓(xùn)練集中某特定類樣本的特征，因而劃歸為與該類樣本相同或相近似的類別；h)建立分析模型并匯報(bào)結(jié)果將步驟g)得到的各強(qiáng)分類器組織成瀑布型(Cascade)分析模型，得到視頻圖像所屬類別、對(duì)應(yīng)的特征向量、同類特征向量均值，并以圖形方式顯示出來(lái)，對(duì)被強(qiáng)分類器拒識(shí)的信息進(jìn)行存儲(chǔ)或打印。
2、根據(jù)權(quán)利要求1所述的一種眼震位移矢量的統(tǒng)計(jì)分析方法，其特征是 步驟f)中所述的訓(xùn)練集中的樣本由已知類別的眼球視頻圖像，通過(guò)上述步驟 a) e)獲得其對(duì)應(yīng)的80個(gè)特征向量組；訓(xùn)練集中包括至少由一個(gè)類別的眼球 視頻圖像獲得的特征向量組；訓(xùn)練集中的樣本包括由已知斜視、帕金森綜 合癥、老年癡呆、眩暈、癲癇及中樞神經(jīng)疾病患者的眼球視頻圖像提取的特 征向量。
全文摘要
本發(fā)明涉及一種基于位移統(tǒng)計(jì)圖能量譜分析的眼動(dòng)位移矢量的統(tǒng)計(jì)分析方法，包含的步驟是對(duì)視頻圖像中的眼球定位；位移統(tǒng)計(jì)圖；對(duì)位移統(tǒng)計(jì)圖進(jìn)行Gabor變換；分量分析；構(gòu)造特征向量；由SVM訓(xùn)練獲得弱分類器并進(jìn)行分組；強(qiáng)分類器構(gòu)造；建立分析模型并匯報(bào)結(jié)果。本發(fā)明提供的方法基于視頻眼震圖，針對(duì)眼動(dòng)位移統(tǒng)計(jì)圖進(jìn)行能量譜分析，提取其顯性和隱含的特征，獲取中間分析結(jié)果，并以圖形界面方式顯示在計(jì)算機(jī)屏幕上，為醫(yī)學(xué)提供有益的有關(guān)眼震視頻圖像特征的參考信息。
文檔編號(hào)G06F19/00GK101283905SQ20081006972
公開(kāi)日2008年10月15日 申請(qǐng)日期2008年5月22日 優(yōu)先權(quán)日2008年5月22日
發(fā)明者為 何, 靜 周, 張占龍, 毛玉星, 肖冬萍 申請(qǐng)人:重慶大學(xué)