[发明专利]基于手指敲击时序特征的手指灵活性检测算法

说明书

本发明公开了一种基于手指敲击时序特征的手指灵活性检测算法，首先选取普通受试者和手部运动功能受损受试者作为被拍摄者，设计特定的模拟场景，采集手指敲击键盘的时间以及视频开始采集的时间；然后以手指敲击键盘的时间点序列为基础，提取手指敲击的时序特征；对时序特征数据中的冗余数据进行去除，对其余数据进行处理使得每一个时间数据序列中的样本个数相同；在SVM中引入CNN特征提取模块，构建CNN‑SVM模型，并使用CNN‑SVM模型对经过处理后的时序特征数据进行分类。本发明解决了现有技术中存在的手指灵活性检测方法不够精确的问题。

技术领域

本发明属于计算机数字图像处理技术领域，具体涉及一种基于手指敲击时序特征的手指灵活性检测算法。

背景技术

手指灵活性是评价手部运动能力的重要方面，对人们正常的生活产生着重大影响。提前筛查出手指灵活性受损的人群，使其尽早进行康复训练治疗显得尤为重要。因此，手指灵活性检测具有重大意义。有研究证明手指敲击所需的时间可以评估手指灵活性，但手指敲击所需的时间不够精确。且目前已有的方法只能对手部整体的灵活性进行检测，未能提供手部单个手指的灵活性检测方法。

发明内容

本发明的目的是提供一种基于手指敲击时序特征的手指灵活性检测算法，解决了现有技术中存在的手指灵活性检测方法不够精确的问题。

本发明所采用的技术方案是，基于手指敲击时序特征的手指灵活性检测算法，具体按照以下步骤实施：

步骤1、选取普通受试者和手部运动功能受损受试者作为被拍摄者，设计特定的模拟场景，采集手指敲击键盘的时间以及视频开始采集的时间；

步骤2、以步骤1得到的手指敲击键盘的时间点序列为基础，提取手指敲击的时序特征；

步骤3、对步骤2提取到的时序特征数据中的冗余数据进行去除，对其余数据进行处理使得每一个时间数据序列中的样本个数相同；

步骤4、在SVM中引入CNN特征提取模块，构建CNN-SVM模型，并使用CNN-SVM模型对步骤3中经过处理后的时序特征数据进行分类。

本发明的特点还在于，

步骤1具体按照以下步骤实施：

选用分辨率为1080P的高清摄像头置于键盘的正上方拍摄受试者在模拟场景中敲击键盘的手部运动视频，即键盘平放在桌面上，键盘上的字母区属于手部运动区域；显示器放在键盘前方，其中显示一个模拟场景，在场景画面中会随机分布一些字母标志；摄像头被放置在键盘正上方，摄像头高度高于显示器，方便对键盘进行垂直拍摄的同时不妨碍受试者看清显示器屏幕，并且拍摄的区域能完全覆盖手部运动区域，实际拍摄时，受试者会根据模拟场景的提示在手部运动区域中敲击键盘，在敲击键盘过程中将每个手指敲击键盘的时间以及视频开始采集的时间存储到数据库。

参与的志愿者分为普通受试者和手部运动功能受损受试者，普通受试者近期体检指标正常，手部运动功能受损受试者近期进行过外科手术，出现过手指不灵活、手部僵硬和无法快速运动的症状。所有志愿者在参与实验之前表示自愿参加，且每个参与的志愿者都将使用数字编号代替。

步骤2具体按照以下步骤实施：

步骤2.1、采用手指敲击的时间数据序列TDSFT特征，并使用时间数据序列TDSF评估手指灵活性，时间数据序列TDSF由手指每次敲击所需的时间组成，用公式(1)表示：

T＝(t₁，t₂，t₃，...，t_n)＝(Δt₁，Δt₂，Δt₃，...，Δt_n)   (1)