tiểu luận cảm biến và đo lường y sinh

Theo hiểu biết của chúng tôi, chưa có nghiên cứu điều tra rằng tốc độ của các khớp cử động cánh tay để phát hiện bất thường trong cử động cánh tay bằng cách sử dụng camera Kinect hoặc bấ

Mục lục

A Tóm tắt 2

1 Bối cảnh: 2

2 Phương pháp: 2

3 Kết quả: 2

4 Kết luận: 2

B Giới thiệu 2

C Dữ liệu và phương thức: 3

1 Nguyên tắc công bố: 3

2 Thu thập dữ liệu: 3

D Phương pháp: 6

1 Tiền xử lý: 7

2 Khai thác tính năng: 10

3 Phân loại: 11

E Kết quả và thảo luận: 12

G Hạn chế của nghiên cứu và công việc trong tương lai 16

H Kết luận 18

K Tài liệu tham khảo 19

hệ thần kinh rất phức tạp và quá trình sinh học có thể có khả năng được sử dụng để phát hiện các rối loạn thần kinh

2 Phương pháp:

Chúng tôi ghi lại sự vận động tay sử dụng Kinect camera từ 27 đối tượng khỏe mạnh (21 nam) với độ tuổi trung bình là 29 năm trải qua 3 tùy chọn khác nhau về tốc độ vận động cánh tay: nhanh, trung bình, và chậm

chính xác cực kỳ rẻ cho các chuyển động nhạy cảm theo dõi [4] Hơn nữa, các camera Kinect cũng được coi là một công cụ triển vọng cho các điều tra run và chậm đi trong chuyển động cánh tay [5] Theo hiểu biết của chúng tôi, chưa có nghiên cứu điều tra rằng tốc độ của các khớp cử động cánh tay để phát hiện bất thường trong cử động cánh tay bằng cách sử dụng camera Kinect hoặc bất kỳ máy ảnh độ sâu khác Tuy nhiên, một

số hệ thống nhận dạng cử động cánh tay đã coi là tốc độ như một tính năng Minetal [6] khẳng định rằng sự công nhận cử động cánh tay thường phụ thuộc vào quỹ đạo của chuyển động cánh tay, và rằng vị trí, tốc độ, và độ cong là tính năng hữu ích Campbell

et al [7] điều tra 10 tính năng khác nhau cho cánh tay nhận chuyển động sử dụng Hidden Markov Model Họ chỉ ra rằng các đặc tính tốc độ là vượt trội so với tính năng định vị Yoon et al [8] sử dụng tốc độ tay như là một tính năng quan trọng để nhận biết

dữ liệu Các tình nguyện viên đã nghiên cứu tại văn phòng của viện truyền thông sáng tạo, trường đại học công nghệ Nanyang, Singapore

2 Thu thập dữ liệu:

Hiện tại không có CSDL Kinect tiêu chuẩn cho việc phân tích chuyển động cánh tay có sẵn để đánh giá phát triển thuật toán của chúng tôi Tuy nhiên, tại viện truyền thông tiên tiến ở trường đại học công nghệ Nanyang đã có một CSDL chưa dữ liệu chuyển động cánh tay của 27 tình nguyện viên khỏe mạnh (6 nữ, 21 nam) với độ lệch tiêu chuẩn trung bình của tuổi là 29.7 ± 4.1 năm, chiều cao là 172.9 cm ± 9.3 cm, và chiều dài cánh tay là 71.3cm ± 5.2cm Hai trong số các tình nguyện viên đó là thuận tay trái

Trong cuộc thí nghiệm, cơ thể của đối tượng sẽ đối mặt với cảm biến với một góc 45°

về bên phải của cảm biến Kinect (như trong hình 1) Lý do đằng sau việc chọn góc 45°

là để ngăn ngừa các khớp xương cánh tay giao nhau với các khớp xương của cơ thể, như thể hiện trong hình 2 Điều này tạo ra chuyển động đáng tin cậy của cánh tay trong việc nghiên cứu tác động của từng khớp xương của cánh tay về tốc độ trên tổng thể toàn bộ chuyển động của cánh tay phải chính xác hơn Sự thu thập chuyển động cánh tay này được dùng làm điểm chuẩn cho phát hiện tốc độ hiệu quả của chuyển động cánh tay Các phép đo được thực hiện trên từng đối tượng đứng thẳng đứng, với vị trí ban đầu cả 2 cánh tay được duỗi thẳng dọc theo cơ thể Sau đó đối tượng được yêu cầu nâng cánh tay thuận của mình lên Mỗi đối tượng thực hiện 3 lần thử nghiệm : ‘chậm’,

‘bình thường’, và ‘nhanh’; với 5 chuyển động cánh tay cho mỗi lần Vì thế, số lượng chuyển động ghi lại được là 405 (27 đối tượng × 5 chuyển động × 3 tốc độ)

phía phải của cảm biến

Đối với chuyển động chậm, đối tượng đã được chỉ dẫn để giơ một cánh tay lên như thể có một vật nặng đang được nâng lên Trong khi 3 loại tốc độ trong nghiên cứu này phần lớn là tùy ý, mục đích đơn thuần chỉ là chứng minh chúng tôi có thể đạt được phân loại tự động của các lớp tùy ý thông qua hệ thống Kinect Nếu các loại tốc độ tùy

ý có thể phân biệt thành công, khi đó các nghiên cứu trong tương lai mà phân loại chuyển động của đối tượng khỏe mạnh (nhanh) so với một đối tượng rối loạn, chẳng hạn như vận động chậm (chậm), có thể hợp lý được thực hiện bằng việc sử dụng hệ thống Kinect

Hình 2: Mặt trước và mặt bên của đối tượng được tính toán từ dữ liệu cảm biến Kinect

Sự thu thập chuyển động cánh tay được thực hiện thủ công Nói cách khác, các đối tượng chờ đợi một tín hiệu từ người ghi nhận để bắt đầu chuyển động của họ và sau đó

họ giữ cánh tay của họ ở vị trí lên cho đến khi họ nhận được tín hiệu để quay trở về cánh tay ở vị trí ban đầu Mỗi lưu trữ được phát lại, kiểm tra, và chú thích như là trong

1 của 3 loại ‘chậm’, ‘bình thường’, hoặc ‘nhanh’ Hai chú thích độc lập quyết định đến loại tốc độ của mỗi lưu trữ chuyển động; khi 2 chú thích không đồng ý, kết quả được loại bỏ và đối tượng được yêu cầu lặp lại thí nghiệm Các chú thích được lưu trữ trong một tệp tin được so sánh tự động sau này với các đặc tính tốc độ sẽ được thảo luận ở phần tiếp theo

D Phương pháp:

Các đề xuất phân loại chuyển động cánh tay bao gồm 3 giai đoạn chính: tiền xử lý (kết quả của phối hợp vận tốc tức thời và bộ lọc thông thấp), tính năng mở rộng (tính toán

Hình 3: Lưu đồ hệ thống cho phân loại chuyển động cánh tay

Trong hình 2, tọa độ x, y và z là véc tơ vị trí của một khớp xương đặc biệt nào đó thay đổi từ 0 đến n, với n là số khung hình trong chuyển động sử dụng Vận tốc tức thời của chuyển động cho một chi tiết khớp xương là tính toán như kết quả của vị trí x, y, và z trên tất cả khung hình biểu diễn một chuyển động Vận tốc tức thời (U inst) cho một chuyển động 3D được tính toán như sau:

Trong đó T là khoảng thời gian lấy mẫu và bằng nghịch đảo của tần số lấy mẫu và n là

số lượng các điểm dữ liệu chuyển động

Như đã trình bày trong hình 4, phần nhiều thông tin của chuyển động nằm bên dưới 6

Hz cho tất cả khớp xương với các kiểu tốc độ khác nhau Vì vậy bộ lọc thông thấp được áp dụng Trong lần đầu tiên, không có pha 2 chiều, thiết bị lọc thông thấp với tần

số cắt là 6 Hz đã được triển khai Hình 5 cho thấy ví dụ về vận tốc tức thời (𝑈 ) của

dữ liệu ban đầu ở trên đỉnh trái và dữ liệu đã lọc (𝑉 ) ở đỉnh phải với pha không bị méo Lưu ý rằng tần số thấp đóng một vai trò chính trong việc xác định tốc độ chuyển

Điều này đã được tiến hành theo kinh nghiệm để tìm một điều kiện mà các phần quan trọng của chuyển động được giữ gìn trong khi lỗi cảm biến đã được giảm Chúng tôi quyết định ghi lại các dữ liệu chưa xử lý, không sử dụng bộ lọc đã được xác định trước được cung cấp trong Kinect SDK Bằng cách đó, chúng tôi có thể điều khiển được việc

xử lý dữ liệu nhiều hơn Chúng tôi sau đó có quyền tự do kiểm tra hiệu ứng của bộ lọc trên tỷ lệ phân loại

2 Khai thác tính năng:

Trước khi tiếp tục các cuộc thảo luận về các tín hiệu khớp xương, điều quan trọng nhất

là phải biết các tính năng có thể khai thác từ chuyển động tay Ở trong tài liệu, vận tốc tức thời và sự tăng tốc được sử dụng trong chẩn đoán sự vận động cánh tay [15] Các kiểm tra các nhân mắc bệnh Parkinson’s thông qua việc phân tích chuyển động của chi trên tại các tần số chuyển động khác nhau và với các điều kiện định thời bên ngoài khác sử dụng vận tốc tức thời Tuy nhiên, nhiều người nghiên cứu sử dụng vận tốc tức thời và gia tốc góc cho nghiên cứu các chuyển động của ngón tay, khuỷu tay, và vai trải qua tốc độ chuyển động định hướng Trong bài báo này, hai đặc trưng được nghiên cứu

đó là: vận tốc tức thời và gia tốc góc Trong định nghĩa toán học, vận tốc thức thời (𝑈 ) trong chuyển động 3D được mô tả trong Eq.1, trong khi gia tốc góc tức thời được định nghĩa là:

Trong đó N là số tổng số mẫu trong quá trình xử lý chuyển động

Hình 5 giải thích (cho thấy) hình dạng tín hiệu 4 khớp xương khác nhau của một cử động cánh tay cơ bản dựa trên vận tốc tức thời và gia tốc Điều này đặc biệt thú vị như

nó khẳng định rằng các khớp của cùng chi có chức năng tương tự nhau, đặc biệt là cho tay và các tín hiệu cổ tay Sự thay đổi của tín hiệu khớp tay và tín hiệu khớp cổ tay là hơi cao so với tín hiệu khuỷu tay và vai, người ta kì vọng rằng tín hiệu tay và cổ tay có khả năng đạt độ chính xác cao hơn trong việc phân loại chuyển động của cánh tay

3 Phân loại:

Trong phần này, chúng tôi kiểm tra sự tách rời tuyến tính của các đặc trưng tính toán được thiết lập f = {f1, f2, f3, f4} trong cả hai tín hiệu được lọc và không lọc Các bước phân loại được mô tả trong đoạn văn sau đây

Đối với từng đối tượng sử dụng như là một bộ dữ liệu thử nghiệm, các ngưỡng và lỗi được báo cáo trong bảng 1 Trong bảng này chỉ có các kết quả từ các đặc trưng thích

hợp nhất được lựa chọn: giá trị trung bình và SD của vận tốc tức thời của bàn tay {f1, f2} Các kết quả trong bảng cho thấy rằng các ngưỡng là hoàn toàn tương tự cho các tập dữ liệu đào tạo khác nhau Ngoài ra còn một số đối tượng người mà lỗi phân loại khá là cao Những lỗi đến từ việc tách biệt nghiêm ngặt được cung cấp bởi các ngưỡng Việc phân loại đầu tiên là nhanh/ trung bình trái ngược với chậm (𝑇𝐻𝑅 ), trong khi việc phân loại thứ hai là nhanh trái ngược với trung bình/ chậm (𝑇𝐻𝑅 )

Hình 6 thể hiện việc xác định ngưỡng cho phân loại lớp tốc độ Hai thung lũng phản ánh các ngưỡng sẽ được dùng cho quá trình đào tạo tự động phát hiện tốc độ Trong ví

dụ, trong lớp phân loại tốc độ, tốc độ chậm – trung bình có ngưỡng là 0.58 trong khi tốc độ trung bình – nhanh ngưỡng là 1.50 trong điều kiện không lọc được mô tả trong hình 6 (trái)

E Kết quả và thảo luận:

Sự tiến bộ trong hệ thống điện tử y tế cho phép đo lường các giá trị về vận tốc, vị trí,

và gia tốc góc bằng việc cho phép các bộ cảm biến chi phí thấp, gia tốc, và con quay hồi chuyển Những cảm biến này được sử dụng để phân tích các rối loạn chuyển động cánh tay

Trong tài liệu, đặc trưng chủ yếu của sự run là có tần số 4 – 8 Hz khi nó được đánh giá bởi hệ thống vi cơ điện tử, chẳng hạn như máy đo gia tốc [19]; tuy nhiên, các phân tích của chúng tôi cho thấy tần số nằm dưới 6Hz có nhiều thông tin hơn để đánh giá tốc độ cánh tay sử dụng camera Kinect

Các thống kê Kruskal-Wallis và phân tích phương sai (ANOVA) cho phép chúng ta kiểm tra, nghiên cứu xem đặc trưng tốc độ chuyển động tay có giá trị khác nhau giữa 3 loại tốc độ hay không Trong trường hợp phân tích giữa các loại không cho lọc/ lọc f1,

p < 0.00001 được định mức bởi thử nghiệm ANOVA, trong khi kiểm tra các Wallis đã cho thấy tầm quan trọng với p < 0.01 Mặt khác, để phân tích giữa các loại cho lọc f2, p < 0.000001 được định mức bởi thử nghiệm ANOVA, trong khi thử nghiệm Kruskal-Wallis cho thấy tầm quan trọng với p < 0.01

Trong trường hợp phân tích giữa các loại tốc độ, giá trị p thấp (p < 0.00000001) đã được định mức cho cả hai cuộc thnghiemecho, trong đó cho thấy một sự khác biệt lớn trong giá trị trung bình và trung vị của 3 loại tốc độ Cả hai thử nghiệm phát hiện ra rằng 3 tốc độ chuyển động tay là khác nhau đáng kể trong trường hợp có lọc và không

có lọc Giá trị p rất nhỏ chỉ ra sự khác biệt giữa 3 loại tốc độ là rất đáng kể

Trong bảng 2, như mong đợi, khớp tay được phân loại thành công dựa vào các loại tốc

độ khác nhau với tỷ lệ lỗi thấp nhất (0.49% cho nội phân loại và 5.13% cho liên phân loại) Kết quả này khẳng định sự quan sát, thể hiện trong hình 5, giá trị trung bình của vận tốc tức thời cho các chuyển động tay chứa nhiều thông tin so sánh cho 3 khớp khác trong cả 2 trường hợp dữ liệu được lọc và không lọc Như vậy, khớp tay là tin cậy nhất

để phát hiện tốc độ trong cử động của cánh tay

Bảng 1:

Hình 6: Mức ngưỡng của phân loại

Bảng 2: Tỷ lệ lỗi của tín hiệu chuyển động cánh tay không qua lọc và qua lọc

Điều thú vị là kết quả của tín hiệu khớp tay khi lọc và không lọc tương đối gần nhau Tuy nhiên kết quả tín hiệu khớp tay qua lọc ghi lại được mỗi lần phân loại lỗi thấp hơn

so với tín hiệu không qua lọc

Có thể dự đoán các loại tốc độ trước khi kết thúc một chuyển động bàn tay đầy đủ? Trả lời câu này, chúng tôi khảo sát tỷ lệ phần trăm của các cử động tay từ khi bắt đầu

các chuyển động đó góp nhiều nhất cho các lỗi phân loại Các kết quả điều tra này được thể hiện trong hình 7 Đối với các liên phân loại, 50% đầu tiên của các tính năng f2 cung cấp một phân loại lỗi 8,8% Trong khi phân loại lớp tốc độ, tỷ lệ ghi được lỗi trong 60% lần đầu là 4.4% sử dụng đặc tính f1 Điều thú vị là 50% đầu tiên của chuyển động cung cấp phân loại lỗi thấp và tương đối gần về hiệu suất cho toàn bộ chuyển động Khi biết thực tế này có thể dẫn tới một hiệu quả dự đoán, nó có thể được thực hiện trong thời gian thực mà không cần chờ đợi cho toàn bộ chuyển động được hoàn thành Phần gì của một tín hiệu vận động tay góp phần nhiều nhất cho sự lỗi phân loại? Trong đó 10% phần của tín hiệu của chuyển động chứa thông tin nhất để phân biệt các loại tốc độ?

Hình 8 cho thấy tỷ lệ lỗi cho một tuần tự 10% của các tín hiệu chuyển động Nó có thể được nhìn thấy là trong trường hợp phân loại lớp tốc độ, phần đó là 50-60% trung bình của vận tốc tức thời tay cung cấp tỷ lệ lỗi thấp nhất là 6,4% Đây là trực quan, đầu chuyển động là giai đoạn mà từng đối tượng đạt một tư thế nhất định Ngoài ra, trong lớp phân tích cho thấy một tỷ lệ lỗi 0% có thể đạt được nếu các phần 50-60% giá trị trung bình của vận tốc tức thời được sử dụng thay vì toàn bộ vận động tay Điều này khẳng định là các các đặc tính chính của một vận động được xác định trong phạm vi 50-60% và có thể được sử dụng để phân tích hoặc/và dự đoán

Nghiên cứu khảo sát các mối quan hệ tốc độ lớn trong những người có bệnh Parkinson

đề nghị rằng đối với bất kỳ biên độ di chuyển nhất định, vận tốc giảm [21-23] Như vậy, biên độ của các đại diện miền thời gian được sử dụng để chỉ ra chuyển động bất thường [24] Điều thú vị là kết quả như vậy là sự phụ thuộc năng lượng tần số của tốc

độ của các nỗ lực tự nguyện nhanh nhất; năng lượng tần số càng lớn, nhanh hơn các cơn co thắt, như thể hiện trong hình 4, trong đó các đường liền nét đề cập đến một năng lượng tần số lớn liên quan với khớp chuyển động nhanh Điều này cho thấy một chỉ số mới cho các bất thường, chẳng hạn như chậm vận động hoặc Parkinson, và hệ thống Kinect là đủ nhạy để cung cấp phân loại một tốc độ chung

G Hạn chế của nghiên cứu và công việc trong tương lai

Trong nghiên cứu này, bắt chước chuyển động không khỏe mạnh cung cấp xác nhận ban đầu của các hệ thống này là một bước cần thiết trước khi đánh giá các bệnh nhân

thực tế tại một bệnh viện / phòng khám Vì vậy, chúng tôi khuyến nghị rằng công việc trong tương lai của chúng tôi xem xét phương pháp trên bệnh nhân bị run tay như mức ngưỡng tính toán trong nghiên cứu này được dựa trên những người khỏe mạnh Một kích thước mẫu lớn và một tập hợp đa dạng của các chuyển động run là cần thiết để khai các kết quả của nghiên cứu này Theo hiểu biết của chúng tôi, không có cơ sở dữ liệu Kinect có sẵn với các phép đo từ các bệnh nhân run tay Trong các nghiên cứu trong tương lai nó có thể được khuyến khích để kiểm tra tối ưu khoảng cách cho việc định vị các máy ảnh Kinect như đôi khi đối tượng không thể phát hiện nếu họ là tương đối gần với máy ảnh Nó cũng có thể có ích để biết làm thế nào chính xác camera Kinect có thể ước tính tốc độ của một cử động cánh tay so với tốc độ của một chuyển động cánh tay với một tiêu chuẩn đánh dấu (chẳng hạn như một hệ thống phân tích 3D,

ví dụ như, Vicon, Optitrak, vv) Có lẽ kết hợp tất cả các tính năng với nhau để xây dựng một bộ phân loại duy nhất để lớp tốc độ riêng biệt có thể được thực hiện trong tương lai

Hình 9 cho thấy rằng tỷ lệ lấy mẫu của máy ảnh Kinect là tương đối ổn định; nó dao động từ 26,95 Hz và 33,67 Hz chứ không phải lấy mẫu dữ liệu tại một tần số phù hợp

30 Hz Kết quả cho thấy rằng đây không phải là một vấn đề trừ khi phân tích tần số cao

là cần thiết, mà không phải là mối quan tâm chính của nghiên cứu của chúng tôi Tuy nhiên, việc sử dụng làm mịn kỹ thuật làm giảm tác động của cảm biến không ổn định Trong trường hợp sự ổn định nơi lấy mẫu lớn hơn được yêu cầu, các nghiên cứu trong tương lai có thể xem xét sửa đổi phần cứng với một ổn định hơn nguồn tần số