頭腦風暴優(yōu)化算法與基于視頻的非接觸式運動定量分析方法研究.pdf

1、醫(yī)學圖像作為重要的醫(yī)學信息和診斷依據(jù)，對它的處理和分析，一直是生物醫(yī)學領域的重要課題。醫(yī)學圖像處理領域存在著大量的優(yōu)化問題，如圖像的分割、配準、融合、壓縮、重建等等，因此，優(yōu)異的優(yōu)化算法在醫(yī)學圖像處理領域起著至關重要的作用。
　　群體智能算法是一種基于隨機機制的優(yōu)化算法，它可以靈活應變?nèi)后w內(nèi)部及搜索環(huán)境的變化，在解決優(yōu)化問題上具有獨特的優(yōu)勢。近年來，經(jīng)典的群體智能算法，如粒子群算法（Particle Swarm Optimizat

2、ion，PSO），受低等自然生物群體的社會性行為啟發(fā)所產(chǎn)生，受到廣泛研究，并成功應用于圖像處理領域多方面的優(yōu)化問題中，但實際應用中仍然存在著收斂速度慢和早熟收斂等問題。人類作為世界上最高等的社會性動物，基于人類的社會性行為啟發(fā)的優(yōu)化算法極有可能解決這些問題，最近提出的頭腦風暴算法（Brain Storm Optimization，BSO）是目前僅有的少數(shù)這類算法之一。為此，本論文以人類頭腦風暴過程為啟發(fā)，提出了基于討論機制的頭腦風暴優(yōu)化

3、算(Discussion Mechanism based BSO，DMBSO)，并進一步修正和完善該討論機制，引入了差分步長策略，改善算法的自適應能力，大大提高了算法的收斂速度。實驗以20個常用的經(jīng)典測試函數(shù)為測試集，包含單模、多模和復合函數(shù)，全面地對所提出的算法進行了評估，并將其結(jié)果與原始BSO算法以及經(jīng)典的PSO算法和差分進化（Differential Evolution，DE）算法進行比較，結(jié)果表明該算法在最優(yōu)值搜索和收斂速度上均

4、具有非常大的優(yōu)勢。
　　隨著移動設備的發(fā)展，除了傳統(tǒng)的生物醫(yī)學課題，如醫(yī)療儀器、醫(yī)學圖像分析技術等，移動醫(yī)療(Mobile Health)成為生物醫(yī)學領域的又一熱門課題。本論文另一研究內(nèi)容為基于視頻圖像的非接觸式運動定量分析方法研究，并提出將BSO算法應用于運動分析領域。
　　運動的客觀定量評價一直是移動健康領域的研究熱點。一方面，它可以客觀地衡量一個人的運動進程，督促他/她堅持定期定量的鍛煉，改變一個人的行為習慣;另一方面

5、，它還可以為研究人員和健康專家提供更為科學的研究手段。目前，運動的客觀定量評價均需要佩戴額外的設備，不但價格昂貴，也給人們的使用帶來了諸多不便，而且還會由于佩戴錯誤導致測量不準確。本論文提出了一種全新的基于視頻的非接觸式運動定量分析方法，不僅可以進行運動的識別，還可以實現(xiàn)運動周期的自動計數(shù)和運動強度估計。該方法以光流場為基礎，通過線性標定對實際運動的速度場進行估測，而速度場包含了豐富的運動信息。實驗以仰臥起坐、俯臥撐、開合跳及深蹲起四種

6、常見的室內(nèi)運動為研究對象。具體來說，運動的識別以光流場方向統(tǒng)計直方圖為特征、以隱馬爾可夫模型(Hidden MarkovModel，HMM)為分類器，利用Youtube上的視頻組成的測試集進行了測試，結(jié)果表明運動識別的準確率高達92.5％;針對運動的計數(shù)，本論文提出了主光流的概念，利用其記錄身體在整體運動過程中的速度幅值變化，并進一步通過分析主光流的極值點，實現(xiàn)了運動的自動計數(shù)，實驗表明了該方法的有效性和準確性;而對于運動強度的估測，本

7、論文以運動過程中產(chǎn)生的機械能為依據(jù)，提出了根據(jù)速度場計算運動過程所產(chǎn)生機械能的方法，進一步根據(jù)機械能估測運動強度，并將估測結(jié)果與Oxycon Mobile系統(tǒng)測得的標準數(shù)據(jù)進行了比較，實驗結(jié)果表明了該方法可以準確反映運動強度。
　　最后，本論文進一步將BSO算法應用于基于視頻圖像的運動識別中。隱馬爾科夫模型可以有效地對時間序列數(shù)據(jù)進行建模，其訓練過程是識別效果的關鍵。HMM的訓練過程是不斷調(diào)整各參數(shù)使得輸出觀測序列數(shù)據(jù)的概率最大的