CN101283905A - 一种眼震位移矢量的统计分析方法 - Google Patents

Abstract

本发明涉及一种基于位移统计图能量谱分析的眼动位移矢量的统计分析方法，包含的步骤是：对视频图像中的眼球定位；位移统计图；对位移统计图进行Gabor变换；分量分析；构造特征向量；由SVM训练获得弱分类器并进行分组；强分类器构造；建立分析模型并汇报结果。本发明提供的方法基于视频眼震图，针对眼动位移统计图进行能量谱分析，提取其显性和隐含的特征，获取中间分析结果，并以图形界面方式显示在计算机屏幕上，为医学提供有益的有关眼震视频图像特征的参考信息。

Description

一种眼震位移矢量的统计分析方法

技术领域

本发明涉及图形信息的统计分析方法，特别涉及一种以眼震位移统计图为对象，对其能量谱进行主分量分析，获取中间信息形态的眼震医学特征提取与分析方法。

背景技术

眼球震颤(Nystagmus)，简称眼震，是一种不自主的、有节律性的、往返摆动的眼球运动，常由视觉系统、眼外肌、内耳迷路及中枢神经系统的疾病引起。眼震症状与老年痴呆、帕金森综合症、癫痫、内耳与中枢神经疾病、眩晕症、平衡功能障碍等症状有着密切关系。在临床上由于神经类疾病缺乏科学的参考依据，往往被定位为疑难病症，主要取决于医生的主观判断，影响了对患者的有效治疗。近年来随着医学专家对眼震症状的深入研究，眼震检查方法为神经性疾病的治疗提供了一种新的参考信息，其主要意义在于：针对眼震疾病本身，通过对眼震的轨迹跟踪与信号分析，获取病理数据，作为医学上的有用信息。

对眼震的检查，主要采用视觉电生理和眼震电图(Electronystagmogram)分析方法。其中眼震电图描记法(Electronystagmography，ENG)采用传感器电极，通过采集眼球运动产生的电位差得到眼震电图，可以显示震频、震幅和震强，还可以显示有无休息眼位及其位置，眼震方向和类型，在临床检查中发挥了重要作用。但是，ENG试验有其固有缺陷：首先，不能检测旋转型眼震；其次，易受诸多外界因素影响，患者近期所服药物、测试期间的觉醒状态、其它生物信号干扰以及操作者的经验等均可影响检测结果的准确性；再次，电极性能及稳定性影响信号的采集，有学者曾经总结眼震电图所出现的故障95％是电极问题；此外，眼震电图检查内容繁琐，价格昂贵，目前国内仅在大医院中使用。

为有效抑制电磁场干扰，提高眼震检查的准确性与可靠性，国内外医学机构已逐渐应用视频眼震图(videonystagmography，VNG)分析系统。该系统淘汰了原有的电极，采用红外视频技术实时观察和记录分析各种眼震影像，不受任何电磁干扰和介质影响采集精度高，信号稳定。通过VNG可直观地从显示器观察到水平、垂直和旋转型眼震，计算出旋转型眼震的角度及角速度，为眼震在图像上的特征提供全新的信息。

随着视频成像与图像处理技术的进步，VNG已逐渐取代ENG应用到眼震的评测过程中。然而对VNG系统的研究还非常薄弱，除了应用ENG系统的已有成果外，主要集中在提取视频眼震图的直观时域和空域信息进行分析，存在主要问题：(1)眼震的时-空特性不足以充分反应各种疾病的病理特性及成因，注重对眼震现象直观参数的分析将忽略重要的微观信息，而这些信息极有可能蕴涵了重要的病理特性；(2)现有研究方法没有分析眼震能量分布特性，限制了医学特征的提取，从而失去一些重要的参考信息；(3)没有充分利用现有先进的目标分类与模式识别技术，针对眼震的病理分析与判别方法作深入、系统研究，造成系统鲁棒性差，操作不便，过分依赖医师的主观判断。

发明内容

本发明的目的是针对现有技术的不足，集合数学理论、信号分析理论、目标检测和模式识别技术，提供一种眼震位移矢量的统计分析方法可以对眼震信号进行综合处理和系统研究。在眼震视频图像基础上，针对眼震位移统计图进行能量谱分析，提取其显性和隐性的信息特征，并以直观友好的图形界面方式显示在计算机屏幕上，提供出医学上有益的参考信息。

本发明涉及包含以下步骤：

a)对眼震视频图像中的眼球定位：将在850nm红外光源照射下获得的眼球视频图像按帧进行中值滤波消除噪点，然后进行腐蚀运算，并将每帧腐蚀前的图像与腐蚀图像求差，得到瞳孔轮廓线，采用可变形圆形模板对上述瞳孔轮廓线进行检测，并用圆心坐标作为眼球的位置(x_i，y_i)并记录；上述眼震视频信号图像，可以由安装在PC机上的图像采集卡及所带SDK开发包获取。见图2。

b)位移统计图：将记录的上述眼球位置进行逐帧差分运算，得到若干个1/25秒等时间间隔的位移矢量(μ_i，v_i)，

μ_i＝x_i-x_i-1    v_i＝y_i-y_i-1     i为帧序号

由于视频采集帧率(每秒25帧)远高于眼震频率(每分钟100-300次)，而且帧间时间间隔固定，采用位置差分方式不会丢失眼震信息，而且有利于刻画眼震的细节，便于区分快相和慢相眼震特征。

经过前面的处理，可以得到帧间相对运动位置图，见图3。每个矢量反应了相邻帧之间的运动距离和方向。这些在时间上离散、空间上孤立的单点信息不利于后续处理，同时，由于定位误差和其它偶然因素干扰，会使单个运动矢量产生偏差，由此得到的振幅、震频等信息可靠性降低。此外，为了与具体的视点运动轨迹相结合，更需要对采集时间段内的所有位移矢量联合处理。为此本发明提出了位移统计图(Statistical Diagram of Displacement，SDD)的思想，将采集时间段内所有位移动矢量进行频度统计，得到一幅二维空间图像f(u，v)，见图4。(μ，v)为平面坐标：

$f(\mathrm{\μ},v)=\underset{i=1}{\overset{L}{\mathrm{\Σ}}}{k}_i$ 其中

L为位移矢量个数

f(μ，v)图像实际是反应了眼球位移统计包络，它既保留了眼震信号的振幅、频率、方向等信息，还隐含了眼球运动过程中的微观信息。另一方面，作为一幅二维图像，非常适合用现有的图像处理与模式识别算法进行分析处理，从而提取其医学特征。

c)对步骤b)获得的位移统计图进行Gabor变换：采用10种尺度和8个方向得到80个滤波器，Gabor变换得到的是由实部和虚部组成的复数，取其幅值作为特征系数；

理论研究和实验分析表明，SDD图像具有Gabor小波的一些固有特性，对其进行Gabor变换，其能量分布具有集中特性，同时变换参数能够反应眼震的性质：

Gabor变换的公式：

$\mathrm{\ψ}(x,y)=\frac{\mathrm{\α\β}}{\mathrm{\π}}{e}^{-({\mathrm{\α}}^2{x}^{\′2}+{\mathrm{\β}}^2{y}^{\′2})}{e}^{j2\mathrm{\π}{f}_0{x}^{\′}}$

x′＝xcosθ+ysinθ

y′＝-xsinθ+ycosθ

ψ(x，y)为Gabor小波函数，α，β为高斯包络的方向参数，f₀为正弦波的频率，θ为正弦波在二维平面上的空间分布方向。利用这些参数的变化以及变换系数的能量集中特性，可以对眼震信息进行详尽分析，提取其宏观和微观特征，从而进行医学分析，见图5。

d)主分量分析：用于对Gabor特征降维，根据步骤c)获得的Gabor特征系数分布的集中特性，先进行区域搜索，然后对同类样本进行主分量分析(EPCA)，获得特征值，从大到小选取若干个特征值对应的特征向量构成新的特征空间，然后，针对指定的滤波器，通过K-L变换得到各个样本在新的特征空间的投影值；

e)构造特征向量：采用f₀、θ、Gabor特征系数均值、方差以及步骤d)获得的投影值组成含特征向量；特征向量能够完备描述眼震的各种特征，同时其维数不高，一般不超过20个元素。重要的是这80个特征向量对不同的眼震具有很好的聚类特性，非常适合于分类识别，可用于构建有效的眼震分类器。

f)由SVM训练获得弱分类器并进行分组：依据步骤e)获得的不同滤波器对应的80个特征向量组成80组，每一组采用SVM方法加入训练集中分别参与训练，对包括训练集中样本的所有特征向量进行分组训练得到80个弱分类器，并对弱分类器进行分组：由选择出的用训练集中某类样本进行测试时分类效果好的若干个弱分类器分为一组；

各种不同类型眼震对特征向量的参数具有明显的选择性，从这些特性中还可以预见目前尚不明确的病理特征，为进一步深入研究提供依据。采用基于统计学理论的支撑向量机(SVM)方法构造的弱分类器，其预定的分类结果既包括目前已被了解和公认的各种眼震类别，还包括在训练过程中发现的具有聚类特性的不明眼震类别，保留在未来深入研究中的泛化能力。

对训练过程中产生的新的聚类现象，分析软件将考察其在特征向量中的敏感元素，分析这些元素所隐含的医学含义，同时结合不同滤波器变换结果中，这些元素的变化趋势，为医学专家提供参考依据。

g)强分类器构造：将每组的弱分类器依据AdaBoost方法进行加权组合，其权值在该组所有弱分类器组合迭代过程中依据分类效果自适应调整，从而得到强分类器；每个强分类器所包含的所有弱分类器对应的特征向量适合于描述训练集中某特定类样本的特征，因而划归为与该类样本相同或相近似的类别；

在步骤f)中，得到了若干弱分类器，每个分类器依托于一个特定的Gabor滤波器。步骤g)中对这些弱分类进行分组，分组的原则是考察弱分类器对训练样本的判决结果，将那些对已知样本中某一类眼震与其它类之间具有最佳分类效果的分类器划分为一组，同时设定一个分类判决阈值，如果某个分类器的最佳分类结果低于判决阈值，则将其归为待定组。待定组中的分类器存在两种可能：(1)该分类器的特征向量选择不合理，对眼震分类没有价值；(2)样本规划不科学，也就是可能存在新的样本划分，如果找到适合于该分类器的新的划分方法，就能发现隐含的病理信息。由于对所有特征向量的构造是具有医学意义的，因此对这些分类器的研究同样具有价值，有助于提升眼震分析方法的泛化能力。

h)建立分析模型并汇报结果：将步骤g)得到的各强分类器组织成瀑布型(Cascade)分析模型，得到视频图像所属类别、对应的特征向量、同类特征向量均值，并以图形方式显示出来，对被强分类器拒识的信息进行存储或打印。

上述步骤a)～步骤h)中涉及的所有算法均可由Visual C++在Windows XP平台上编程实现。

f)中所述的训练集中的样本由已知类别的眼球视频图像，通过上述步骤a)～e)获得其对应的80个特征向量组；训练集中包括至少由一个类别的眼球视频图像获得的特征向量组；训练集中包括：由已知斜视、帕金森综合症、老年痴呆、眩晕、癫痫及中枢神经疾病患者的眼球视频图像提取的特征向量组作为样本。

上述训练样本的眼震视频图像除了可以通过医院的临床病例得到外，还可以通过一些发达国家的眼震网络得到，如英国莱切斯特的眼震网络(UKNystagmus Network)和美国眼震网络(American Nystagmus Network，ANN)是近年来由眼震患者个人和家庭自发成立的非盈利组织，包括数千名志愿者，致力于患者间相互帮助与信息交流，同时为眼震疾病研究人员提供病理信息和临床试验依据。由于本发明中首先将眼震数字视频存入计算机再进行单独处理，不存在实时性要求，可以接受所涉及分析算法的计算复杂度。软件系统将眼震信息的分析结果形象地显示在计算机屏幕上，还能随时回放视频画面。

本发明带来的有益效果是非常明显的，即通过对获得的眼震视频图像的处理及分析，获得：(1)眼震的能量域特征，包含了更多的病理信息；(2)震动过程的细节信息，比常规方法更为完备；(3)眼震分类特征，作为医学上进一步分析的重要参考依据。

附图说明

图1是本发明的眼震信号处理流程图

图2眼震轨迹图

图3帧间眼震位移矢量分布图

图4是眼震位移统计图(SDD)

图5是Gabor系数分布图

图6是汇报分析结果组成图

具体实施方式

下面结合一个非限定性的实施例对本发明作进一步的说明

参见图1，图2，图3

本发明的算法采用Visual C++在Windows平台上编程实现，依据技术方案流程完成所有模块设计，以图形界面方式实现用户交互。用户界面包括眼震视频信息的动态显示与回放，眼震的振幅、震频、速度、方向信息，眼震的特征向量列表，眼震的分类结果等。轨迹等参数设定采用菜单操作方式实现。

主要模块内容介绍如下：

(1)在视频图像中对眼球定位：由于瞳孔和虹膜对红外光吸收率的显著差别，采用850nm红外LED作为照明光源，通过对瞳孔的定位获得眼球的位置信息。先对视频图像进行中值滤波消除噪点，然后进行腐蚀运算，再将原图像与腐蚀图像求差，得到瞳孔轮廓信息。考虑到瞳孔近似圆形，而且不易被遮挡，可以采用可变形的圆形模板对瞳孔进行检测，并用圆心坐标作为眼球的位置并记录。

(2)位移统计图::将眼球位置进行逐帧差分运算，得到等时间间隔的位移分布情况，再对所考察时间段内的所有位移矢量进行统计，得到一幅描绘位移频度的二维图像，称为位移统计图(SDD)。

(3)对步骤(2)获得的位移统计图进行Gabor变换：本发明的实现实例采用Gabor变换的滤波器为：

$\mathrm{\ψ}(x,y)=\frac{\mathrm{\α\β}}{\mathrm{\π}}{e}^{-({\mathrm{\α}}^2{x}^{\′2}+{\mathrm{\β}}^2{y}^{\′2})}{e}^{j2\mathrm{\π}{f}_0{x}^{\′}}$

x′＝xcosθ+ysinθ

y′＝-xsinθ+ycosθ

SDD的Gabor特征采用原图像与Gabor滤波器的卷积得到。令f(x，y)为SDD图像的灰度分布，则Gabor特征G(x，y)定义为：

G(x，y)＝f(x，y)*ψ(x，y)

Gabor变换得到的是由实部和虚部组成的复数，包含幅值和相位谱。其中，相位谱随着空间位置呈周期性变化，因而通常认为不适合作为图像特征描述。幅值的变化相对平滑而稳定，因此，我们仅用变换后的幅值作为特征的描述。α，β，f₀，θ为滤波器参数，我们定义以下约束条件：

$\mathrm{\α}=\sqrt{0.9025\mathrm{\π}}{f}_0$ $\mathrm{\β}=\sqrt{0.5870\mathrm{\π}}{f}_0$

此时可由f₀，θ代表滤波器的尺度和方向参数。我们采用10种尺度和8个方向得到80个滤波器，并分别计算图像的Gabor幅度特征。

(4)主分量分析：由于Gabor变换是卷积运算，维数增加，需要进行特征提取。根据Gabor特征系数分布的集中特性，我们先进行区域选择，然后对同类样本进行主分量分析(EPCA)，提取特征向量。相对于样本，特征向量的个数大大减少，在实施例中我们选取最大的12个特征值对应的特征向量构成新的特征空间。然后，针对指定的滤波器，通过K-L变换得到各个样本在新的特征空间的投影。

(5)构造特征向量：由于样本的投影值是与滤波器相关的，所以在医学特征向量构建时需要考虑滤波器参数。这里的特征向量是综合考虑各种特征后用于描述患者眼震特征的数据集合，不同于主分量分析中所提取的中间特征向量。我们采用f₀、θ、Gabor特征系数均值、方差以及12个投影系数组成含16个元素的特征向量。

(6)由SVM训练获得弱分类器并进行分组：每个病例样本产生80个从不同角度描述的特征向量，为得到强有力的分类方式，采用SVM方法分别进行训练，选择对样本分类效果好的8个特征分为一组，各组之间特征向量不同时出现，如果某特征向量被多组选择，则归为分类效果最好的一组。在依据各训练样本的先验病理特征分组完成后(分为8组)，将剩下样本归为待定组。对各组依据该组的特征向量由训练样本构造8个SVM分类器，称为弱分类器。

(7)强分类器构造：将弱分类器依据AdaBoost方法进行加权组合，其权值在所有弱分类器组合迭代过程中依据分类效果自适应调整，从而得到该眼震类型的强分类器。

(8)建立分析模型并汇报结果：将前面得到的8个分类器组织成瀑布型(Cascade)病理分析模型，对每个眼震病例汇报分类结果，并添加到该类历史信息文件中。分析结果以弹出窗口方式提供给用户，包括以下信息：所选视点轨迹、眼震的频率、振幅、方向、所属类别、对应的特征向量、同类特征向量均值，以图形方式显示偏差、该类眼震的医疗参考结论等。

若某眼震病例被前面的分类器据识，则考察归为待定组的特征向量，并与历史病例比对，采用下述方法研究新的聚类特性：

a)考察待定组的某特征向量，计算新病例对应于该特征的特征向量；

b)求得这些特征向量的均值；

c)计算该特征向量与均值的几何距离；

d)重复前面步骤计算与其它待定组特征向量均值的几何距离；

e)以几何距离最小为依据得到其归类；

f)成为该类的新成员进入历史信息文件；

g)将该类的相关特征、历史病例信息特征向量、均值与偏差汇报给用户。

Claims (2)

1、一种眼震位移矢量的统计分析方法，包含以下步骤：

a)对视频图像中的眼球定位：将在850nm红外光源照射下获得的眼球视频图像按帧进行中值滤波消除噪点，然后进行腐蚀运算，并将每帧腐蚀前的图像与腐蚀图像求差，得到瞳孔轮廓线，采用可变形圆形模板对上述瞳孔轮廓线进行检测，并用圆心坐标作为眼球的位置(x_i，y_i)并记录；

b)位移统计图：将记录的上述眼球位置进行逐帧差分运算，得到若干个1/25秒等时间间隔的位移矢量(μ_i，v_i)，再对所有位移矢量进行统计，得到一幅描绘位移频度的位移统计图；

c)对步骤b)获得的位移统计图进行Gabor变换：采用10种尺度和8个方向得到80个滤波器，Gabor变换得到的是由实部和虚部组成的复数，取其幅值作为特征系数；

d)主分量分析：根据步骤c)获得的Gabor特征系数分布的集中特性，先根据阈值进行区域限定，然后对同类样本进行主分量分析(EPCA)，获得特征值，从大到小选取若干个特征值对应的特征向量构成新的特征空间，然后，针对指定的滤波器，通过K-L变换得到各个样本在新的特征空间的投影值；

e)构造特征向量：采用频率f₀、θ、Gabor特征系数均值、方差以及步骤d)获得的投影值组成含特征向量；

f)由SVM训练获得弱分类器并进行分组：依据步骤e)获得的不同滤波器对应的80个特征向量组成80组，每一组采用SVM方法加入训练集中分别参与训练，对训练集中样本的所有特征向量进行分组训练得到80个弱分类器，并对弱分类器进行分组：由选择出的用训练集中某类样本进行测试时分类效果好的若干个弱分类器分为一组；

g)强分类器构造：将每组的弱分类器依据AdaBoost方法进行加权组合，其权值在该组所有弱分类器组合迭代过程中依据分类效果自适应调整，从而得到强分类器；每个强分类器所包含的所有弱分类器对应的特征向量适合于描述训练集中某特定类样本的特征，因而划归为与该类样本相同或相近似的类别；

h)建立分析模型并汇报结果：将步骤g)得到的各强分类器组织成瀑布型(Cascade)分析模型，得到视频图像所属类别、对应的特征向量、同类特征向量均值，并以图形方式显示出来，对被强分类器拒识的信息进行存储或打印。

2、根据权利要求1所述的一种眼震位移矢量的统计分析方法，其特征是：步骤f)中所述的训练集中的样本由已知类别的眼球视频图像，通过上述步骤a)～e)获得其对应的80个特征向量组；训练集中包括至少由一个类别的眼球视频图像获得的特征向量组；训练集中的样本包括：由已知斜视、帕金森综合症、老年痴呆、眩晕、癫痫及中枢神经疾病患者的眼球视频图像提取的特征向量。

Images