專利名稱：一種眼震位移矢量的統(tǒng)計分析方法
技術(shù)領域：
本發(fā)明涉及圖形信息的統(tǒng)計分析方法，特別涉及一種以眼震位移統(tǒng)計圖 為對象，對其能量譜進行主分量分析，獲取中間信息形態(tài)的眼震醫(yī)學特征提 取與分析方法。
背景技術(shù)：
眼球震顫(Nystagmus),簡稱眼震，是一種不自主的、有節(jié)律性的、往返 擺動的眼球運動，常由-見覺系統(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 響了對患者的有效治療。近年來隨著醫(yī)學專家對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 針對眼震疾病本身，通過對眼震的軌跡跟蹤與信號分析，獲取病理數(shù)據(jù)，作 為醫(yī)學上的有用信息。對眼震的^r查，主要采用一見覺電生理和眼震電圖(Electronystagmogram) 分析方法。其中眼震電圖描記法(Electronystagmography, ENG)采用傳感器 電極，通過采集眼球運動產(chǎn)生的電位差得到眼震電圖，可以顯示震頻、震幅 和震強，還可以顯示有無休息眼位及其位置，眼震方向和類型，在臨床檢查 中發(fā)揮了重要作用。但是，ENG試驗有其固有缺陷首先，不能^r測旋轉(zhuǎn)型眼 震；其次，易受諸多外界因素影響，患者近期所服藥物、測試期間的覺醒狀 態(tài)、其它生物信號干擾以及操作者的經(jīng)驗等均可影響檢測結(jié)果的準確性；再 次，電極性能及穩(wěn)定性影響信號的采集，有學者曾經(jīng)總結(jié)眼震電圖所出現(xiàn)的故障95°/。是電極問題；此外，眼震電圖檢查內(nèi)容繁瑣，價格昂貴，目前國內(nèi)僅 在大醫(yī)院中使用。為有效抑制電磁場干擾，提高眼震檢查的準確性與可靠性，國內(nèi)外醫(yī)學 機構(gòu)已逐漸應用視頻眼震圖(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)實時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，信號穩(wěn)定。通過VNG可直觀地從 顯示器觀察到水平、垂直和旋轉(zhuǎn)型眼震，計算出旋轉(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)的進步，VNG已逐漸取代ENG應用到眼震的 評測過程中。然而對VNG系統(tǒng)的研究還非常薄弱，除了應用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域和空域信息進行分析，存在 主要問題(1)眼震的時-空特性不足以充分反應各種疾病的病理特性及成因， 注重對眼震現(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 能蘊涵了重要的病理特性；(2)現(xiàn)有研究方法沒有分析眼震能量分布特性，限 制了醫(yī)學特征的提取，從而失去一些重要的參考信息；(3)沒有充分利用現(xiàn)有 先進的目標分類與模式識別技術(shù)，針對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)明的目的是針對現(xiàn)有技術(shù)的不足，集合數(shù)學理論、信號分析理論、 目標檢測和模式識別技術(shù)，提供一種眼震位移矢量的統(tǒng)計分析方法可以對眼 震信號進行綜合處理和系統(tǒng)研究。在眼震視頻圖像基礎上，針對眼震位移統(tǒng) 計圖進行能量譜分析，提取其顯性和隱性的信息特征，并以直觀友好的圖形 界面方式顯示在計算機屏幕上，提供出醫(yī)學上有益的參考信息。本發(fā)明涉及包含以下步驟a)對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 球視頻圖像按幀進行中值濾波消除噪點，然后進行腐蝕運算，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上述瞳 孔輪廓線進行檢測，并用圓心坐標作為眼球的位置(、，乂)并記錄；上述眼震視頻信號圖像，可以由安裝在PC機上的圖像采集卡及所帶SDK開發(fā)包獲取。見 圖2。b) 位移統(tǒng)計圖將記錄的上述眼球位置進行逐幀差分運算，得到若干個 1/25秒等時間間隔的位移矢量(〃',')，<formula>formula see original document page 6</formula>為幀序號由于視頻采集幀率(每秒25幀)遠高于眼震頻率(每分鐘100-300次)，而 且?guī)g時間間隔固定，采用位置差分方式不會丟失眼震信息，而且有利于刻 畫眼震的細節(jié)，便于區(qū)分快相和慢相眼震特征。經(jīng)過前面的處理，可以得到幀間相對運動位置圖，見圖3。每個矢量反應 了相鄰幀之間的運動距離和方向。這些在時間上離散、空間上孤立的單點信 息不利于后續(xù)處理，同時，由于定位誤差和其它偶然因素干擾，會使單個運 動矢量產(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 具體的視點運動軌跡相結(jié)合，更需要對采集時間段內(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)計圖(Statistical Diagram of Displacement, SDD)的思想，將采集時間段內(nèi)所有位移動矢量進行頻度統(tǒng)計，得到一幅二維 空間圖像/(w，力，見圖4。 ( )為平面坐標<formula>formula see original document page 6</formula>圖像實際是反應了眼球位移統(tǒng)計包絡，它既保留了眼震信號的振 幅、頻率、方向等信息，還隱含了眼球運動過程中的微觀信息。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別算法進行分析處 理，從而提取其醫(yī)學特征。c) 對步驟b)獲得的位移統(tǒng)計圖進行Gabor變換采用IO種尺度和8個方 向得到80個濾波器，Gabor變換得到的是由實部和虛部組成的復數(shù)，取其幅 值作為特征系數(shù)；理論研究和實驗分析表明，SDD圖像具有Gabor小波的一些固有特性，對 其進行Gabor變換，其能量分布具有集中特性，同時變換參數(shù)能夠反應眼震 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，可以對眼震信息進行詳盡分析，提取其宏觀和微觀特 征，從而進行醫(yī)學分析，見圖5。d) 主分量分析用于對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，先進行區(qū)域搜索，然后對同類樣本進行主分量分析(EPCA)，獲得特征值，從大到小選取若干個特征值對應的特征向量構(gòu)成新的 特征空間，然后，針對指定的濾波器，通過K-L變換得到各個樣本在新的特 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 其維數(shù)不高， 一般不超過20個元素。重要的是這80個特征向量對不同的眼 震具有很好的聚類特性，非常適合于分類識別，可用于構(gòu)建有效的眼震分類 器。f) 由SVM訓練獲得弱分類器并進行分組依據(jù)步驟e)獲得的不同濾波器 對應的80個特征向量組成80組，每一組采用SVM方法加入訓練集中分別參 與訓練，對包括訓練集中樣本的所有特征向量進行分組訓練得到8 Q個弱分類 器，并對弱分類器進行分組由選擇出的用訓練集中某類樣本進行測試時分 類效果好的若干個弱分類器分為 一組；各種不同類型眼震對特征向量的參數(shù)具有明顯的選擇性，從這些特性中 還可以預見目前尚不明確的病理特征，為進一步深入研究提供依據(jù)。采用基 于統(tǒng)計學理論的支撐向量機(SVM)方法構(gòu)造的弱分類器，其預定的分類結(jié)果 既包括目前已被了解和公認的各種眼震類別，還包括在訓練過程中發(fā)現(xiàn)的具 有聚類特性的不明眼震類別，保留在未來深入研究中的泛化能力。對訓練過程中產(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)學含義，同時結(jié)合不同濾波器變換結(jié)果中，這些元素的變化趨勢，為醫(yī)學專家提供參考依據(jù)。g) 強分類器構(gòu)造將每組的弱分類器依據(jù)AdaBoost方法進行加權(quán)組合， 其權(quán)值在該組所有弱分類器組合迭代過程中依據(jù)分類效果自適應調(diào)整，從而 得到強分類器；每個強分類器所包含的所有弱分類器對應的特征向量適合于 描述訓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，每個分類器依托于一個特定的Gabor 濾波器。步驟g)中對這些弱分類進行分組，分組的原則是考察弱分類器對訓 練樣本的判決結(jié)果，將那些對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，同時設定一個分類判決閾值，如果某個分類 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，對眼震分類沒有價值； (2)樣本規(guī)劃不科學，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。由于對所有特征向量的構(gòu) 造是具有醫(yī)學意義的，因此對這些分類器的研究同樣具有價值，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結(jié)果將步驟g)得到的各強分類器組織成瀑布型 (Cascade)分析模型，得到視頻圖像所屬類別、對應的特征向量、同類特征向量均值，并以圖形方式顯示出來，對被強分類器拒識的信息進行存儲或打 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 平臺上編程實現(xiàn)。f)中所述的訓練集中的樣本由已知類別的眼球視頻圖像，通過上述步驟 a) e)獲得其對應的80個特征向量組；訓練集中包括至少由一個類別的眼球 視頻圖像獲得的特征向量組；訓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。上述訓練樣本的眼震視頻圖像除了可以通過醫(yī)院的臨床病例得到外，還 可以通過一些發(fā)達國家的眼震網(wǎng)絡得到，如英國萊切斯特的眼震網(wǎng)絡(UK Nystagmus Network)和美國目艮震網(wǎng)絡(American Nystagmus Network, ANN)是近年來由眼震患者個人和家庭自發(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，同時為眼震疾病研究人員提供病理信息 和臨床試驗依據(jù)。由于本發(fā)明中首先將眼震數(shù)字視頻存入計算機再進行單獨 處理，不存在實時性要求，可以接受所涉及分析算法的計算復雜度。軟件系 統(tǒng)將眼震信息的分析結(jié)果形象地顯示在計算機屏幕上，還能隨時回放視頻畫 面。本發(fā)明帶來的有益效果是非常明顯的，即通過對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 動過程的細節(jié)信息，比常規(guī)方法更為完備；(3)眼震分類特征，作為醫(yī)學上進 一步分析的重要參考依據(jù)。


圖l是本發(fā)明的眼震信號處理流程2眼震軌跡3幀間眼震位移矢量分布4是眼震位移統(tǒng)計圖(SDD)圖5是Gabor系數(shù)分布6是匯報分析結(jié)果組成圖具體實施方式
下面結(jié)合一個非限定性的實施例對本發(fā)明作進一步的說明 參見圖1,圖2，圖3本發(fā)明的算法采用Visual C十+在Windows平臺上編程實現(xiàn)，依據(jù)技術(shù)方 案流程完成所有模塊設計，以圖形界面方式實現(xiàn)用戶交互。用戶界面包括眼 震視頻信息的動態(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)設定采用菜單操作方式實 現(xiàn)。主要模塊內(nèi)容介紹如下(1)在視頻圖像中對眼球定位由于瞳孔和虹膜對紅外光吸收率的顯著 差別，采用850nm紅外LED作為照明光源，通過對瞳孔的定位獲得眼球的位置信息。先對視頻圖像進行中值濾波消除噪點，然后進行腐蝕運算，再將原 圖像與腐蝕圖像求差，得到瞳孔輪廓信息?？紤]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瞳孔進行檢測，并用圓心坐標作為眼 球的位置并記錄。(2 )位移統(tǒng)計圖將眼球位置進行逐幀差分運算，得到等時間間隔的 位移分布情況，再對所考察時間段內(nèi)的所有位移矢量進行統(tǒng)計，得到一幅描 繪位移頻度的二維圖像，稱為位移統(tǒng)計圖(SDD)。(3)對步驟(2)獲得的位移統(tǒng)計圖進行Gabor變換本發(fā)明的實現(xiàn)實例 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變換得到的是由實部和虛部組成的復數(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，因而通常認為不適合作為圖像特征描述。幅值的變化相對平滑而穩(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個方 向得到80個濾波器，并分別計算圖像的Gabor幅度特征。(4) 主分量分析由于Gabor變換是巻積運算，維數(shù)增加，需要進行特 征提取。根據(jù)Gabor特征系數(shù)分布的集中特性，我們先進行區(qū)域選擇，然后 對同類樣本進行主分量分析(EPCA),提取特征向量。相對于樣本，特征向量 的個數(shù)大大減少，在實施例中我們選取最大的12個特征值對應的特征向量構(gòu) 成新的特征空間。然后，針對指定的濾波器，通過K-L變換得到各個樣本在 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;/ = 一x sin P +少cos P特征向量構(gòu)建時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個投影系數(shù)組成 含16個元素的特征向量。(6) 由SVM訓練獲得弱分類器并進行分組每個病例樣本產(chǎn)生8Q個從 不同角度描述的特征向量，為得到強有力的分類方式，采用SVM方法分別進 行訓練，選擇對樣本分類效果好的8個特征分為一組，各組之間特征向量不 同時出現(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)各訓練樣本的先驗病理特征分組完成后(分為8組)，將剩下樣本歸為待定 組。對各組依據(jù)該組的特征向量由訓練樣本構(gòu)造8個SVM分類器，稱為弱分 類器。(7) 強分類器構(gòu)造將弱分類器依據(jù)AdaBoost方法進行加權(quán)組合，其 權(quán)值在所有弱分類器組合迭代過程中依據(jù)分類效果自適應調(diào)整，從而得到該 眼震類型的強分類器。(8 )建立分析模型并匯報結(jié)果將前面得到的8個分類器組織成瀑布型 (Cascade)病理分析模型，對每個眼震病例匯報分類結(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 視點軌跡、眼震的頻率、振幅、方向、所屬類別、對應的特征向量、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，則考察歸為待定組的特征向量，并 與歷史病例比對，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，計算新病例對應于該特征的特征向量；b) 求得這些特征向量的均值；c) 計算該特征向量與均值的幾何距離；d) 重復前面步驟計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、均值與偏差匯報給用戶。
權(quán)利要求
1. 一種眼震位移矢量的統(tǒng)計分析方法，包含以下步驟a)對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行中值濾波消除噪點，然后進行腐蝕運算，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上述瞳孔輪廓線進行檢測，并用圓心坐標作為眼球的位置(xi，yi)并記錄；b)位移統(tǒng)計圖將記錄的上述眼球位置進行逐幀差分運算，得到若干個1/25秒等時間間隔的位移矢量(μi，vi)，再對所有位移矢量進行統(tǒng)計，得到一幅描繪位移頻度的位移統(tǒng)計圖；c)對步驟b)獲得的位移統(tǒng)計圖進行Gabor變換采用10種尺度和8個方向得到80個濾波器，Gabor變換得到的是由實部和虛部組成的復數(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)閾值進行區(qū)域限定，然后對同類樣本進行主分量分析(EPCA)，獲得特征值，從大到小選取若干個特征值對應的特征向量構(gòu)成新的特征空間，然后，針對指定的濾波器，通過K-L變換得到各個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訓練獲得弱分類器并進行分組依據(jù)步驟e)獲得的不同濾波器對應的80個特征向量組成80組，每一組采用SVM方法加入訓練集中分別參與訓練，對訓練集中樣本的所有特征向量進行分組訓練得到80個弱分類器，并對弱分類器進行分組由選擇出的用訓練集中某類樣本進行測試時分類效果好的若干個弱分類器分為一組；g)強分類器構(gòu)造將每組的弱分類器依據(jù)AdaBoost方法進行加權(quán)組合，其權(quán)值在該組所有弱分類器組合迭代過程中依據(jù)分類效果自適應調(diào)整，從而得到強分類器；每個強分類器所包含的所有弱分類器對應的特征向量適合于描述訓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結(jié)果將步驟g)得到的各強分類器組織成瀑布型(Cascade)分析模型，得到視頻圖像所屬類別、對應的特征向量、同類特征向量均值，并以圖形方式顯示出來，對被強分類器拒識的信息進行存儲或打印。
2、根據(jù)權(quán)利要求1所述的一種眼震位移矢量的統(tǒng)計分析方法，其特征是 步驟f)中所述的訓練集中的樣本由已知類別的眼球視頻圖像，通過上述步驟 a) e)獲得其對應的80個特征向量組；訓練集中包括至少由一個類別的眼球 視頻圖像獲得的特征向量組；訓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)計圖能量譜分析的眼動位移矢量的統(tǒng)計分析方法，包含的步驟是對視頻圖像中的眼球定位；位移統(tǒng)計圖；對位移統(tǒng)計圖進行Gabor變換；分量分析；構(gòu)造特征向量；由SVM訓練獲得弱分類器并進行分組；強分類器構(gòu)造；建立分析模型并匯報結(jié)果。本發(fā)明提供的方法基于視頻眼震圖，針對眼動位移統(tǒng)計圖進行能量譜分析，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算機屏幕上，為醫(yī)學提供有益的有關(guān)眼震視頻圖像特征的參考信息。
文檔編號G06F19/00GK101283905SQ20081006972
公開日2008年10月15日 申請日期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 申請人:重慶大學