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，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，它可以靈活應變群體內部及搜索環(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個常用的經典測試函數為測試集，包含單模、多模和復合函數，全面地對所提出的算法進行了評估，并將其結果與原始BSO算法以及經典的PSO算法和差分進化（Differential Evolution，DE）算法進行比較，結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，還可以實現運動周期的自動計數和運動強度估計。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，結果表明運動識別的準確率高達92.5％;針對運動的計數，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，實現了運動的自動計數，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生的機械能為依據，提出了根據速度場計算運動過程所產生機械能的方法，進一步根據機械能估測運動強度，并將估測結果與Oxycon Mobile系統(tǒng)測得的標準數據進行了比較，實驗結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據進行建模，其訓練過程是識別效果的關鍵。HMM的訓練過程是不斷調整各參數使得輸出觀測序列數據的概率最大的