[发明专利]一种基于多示例学习的颈椎健康评分装置及其应用

权利要求书

1.一种颈椎健康评分方法，基于多示例学习的颈椎健康评分装置实现，该装置包括与计算机连接的Kinect2；所述Kinect2包括彩色摄像头和深度摄像头；其特征在于，包括步骤如下：

1)在预处理阶段，通过Kinect2连续采集不同坐姿下的视频序列，包括彩色图序列和深度图序列；

1.1)使用彩色图序列和深度图序列，通过头部姿态估计算法实时计算每一帧的6自由度头部姿态，包括三个位置参数和三个旋转参数；

1.2)通过相邻两帧计算每一帧对应的6自由度头部姿态的速度；

1.3)将6自由度头部姿态和6自由度头部姿态的速度作为帧的12维特征；12维特征为帧的原始数据特征；

1.4)将30分钟的连续视频序列及其包含所有帧的原始数据特征作为一个包并进行标注，标注分值为C_n分制；

2)聚类和示例划分；

2.1)将所有包内所有帧的原始数据特征作为输入，通过Meanshift聚类算法进行聚类，得到N个类及相应的类中心点；

2.2)包中的每一帧从属于一个类；划分示例时，将包中所有帧所属的类号排列成一个数组；如果有连续超过f₁个帧属于同一类，则生成一个示例，说明该状态持续了f₁个帧以上；

如果一个示例超过f₂个帧，则将其拆分成多个示例，使每个示例包含的帧数不超过f₂；每个示例的特征为其从属类的类中心点；每个示例从属的类为示例中包含的帧从属的类；至此包与示例准备完成；

3)将多值输入分值模型划分为多个二值输入分值模型；

3.1)分别以1，2,3…C_n-1为划分阈值，将多值输入模型划分为C_n-1个二值输入模型；每种划分构造一个子分类器h_k(x)，k∈[1,C_n-1]；x是输入数据，即预处理阶段准备的包数据；

3.2)通过子分类器求得示例的预测分值i表示第i个包，j表示第i个包中的第j个示例，k表示子分类器的序号；将C_n-1个子分类器组合为一个多值输入的分类器：

优化方程:

其中，S_i表示第i个包的分值；s_ij表示第i个包中第j个示例的实际分值；x_ij表示第i个包中第j个示例的特征；w和b共同表示SVM中的超平面，用于划分示例；ξ_ij为松弛变量，用于放宽多示例学习模型的假设条件；C为权重系数；

则示例的最终预测分值：

5)使用高斯模型融合，得到最终示例分值；

公式(1)改写为公式(4)：

g(x)表示高斯分布函数；

示例的最终预测分值为：

6)在线阶段，通过Kinect2拍摄用户的视频序列，并输入计算机；

7)将视频序列按照步骤1.1)-1.3)的方法求得每一帧的12维特征，根据该特征匹配欧式距离最近的类，即该帧与所选类具有最相近的特征，然后按照步骤2)中的方法划分示例并得到示例特征，即每个颈椎子状态的特征；

8)根据颈椎子状态的特征将颈椎子状态与预处理阶段的示例分值匹配，得到当前每个颈椎子状态的颈椎健康分值；匹配方式同步骤7)，找到与该颈椎子状态特征欧氏距离最近的示例特征，用该示例的分值表示该颈椎子状态的分值；

9)根据颈椎健康得分机制，计算整体颈椎健康状态分值；

公式(6)为颈椎健康得分机制，为整体颈椎健康评分：

其中，m_i表示第i个包中示例的数量，表示第i个包的分值；X_ib表示包B_i中的病态示例，即分值小于α的示例；N_i表示B_i中X_ib的数量；l_i表示X_ib在B_i中出现的位置，std为标准差函数；β和γ为权重系数；N_i的计算由公式(7)给出；

其中，sum表示求和函数，sgn表示阶跃函数。