CN108720826A - 基于激光散斑的运动伤害预警方法 - Google Patents
基于激光散斑的运动伤害预警方法 Download PDFInfo
- Publication number
- CN108720826A CN108720826A CN201810232251.0A CN201810232251A CN108720826A CN 108720826 A CN108720826 A CN 108720826A CN 201810232251 A CN201810232251 A CN 201810232251A CN 108720826 A CN108720826 A CN 108720826A
- Authority
- CN
- China
- Prior art keywords
- matrix
- vector
- row
- value
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording for evaluating the cardiovascular system, e.g. pulse, heart rate, blood pressure or blood flow
- A61B5/026—Measuring blood flow
- A61B5/0261—Measuring blood flow using optical means, e.g. infrared light
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Cardiology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Hematology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Physiology (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于激光散斑的运动伤害预警方法，拍摄原始散斑图像，并进行消除抖动预处理；将静止状态下的散斑图像作为基准初始值，减少测量过程中噪声等其他不确定因素引起的变化；计算散斑图像的衬比值，并在一个时间序列下进行比较分析；计算出被测组织的血液动力指标，并预警过量运动。基于快速激光散斑图像处理算法，在一个时间序列中得到的信息相关性强，能够有效监测局部身体组织的血液动力指标，客观评估运动员局部肌肉群状态，相对于现有的运动监测工具，更加注重局部身体部位的血管，肌肉状态监测。本方法具有实时性好，安全性好，评估效果准确，操作方式简单等优点。
Description
技术领域
本发明涉及一种图像处理及应用方法，特别涉及一种基于激光散斑的运动伤害预警方法。
背景技术
在运动训练的过程中，如何判断运动员的身体指标对科学安排训练量有很高的价值。不合理的运动量，会使运动效果大打折扣，甚而对运动员的身体健康产生伤害。现有的运动监控系统及方法有使用数据采集器采集运动体征数据信息再进行相关分析，如：“一种运动监控系统及方法”(中国发明专利CN107670262A)。但是接触式的监控方式会对正常的运动训练带来不便，并且传统的监控方式主要针对全身的心肺功能。
激光散斑血流成像技术是近年来新出现的血流检测方法，具有非接触，安全，快速等优点，可监测身体某一部分静脉血管在运动过程中的血液动力指标，为不同的肌群训练提供参考。
目前激光散斑图像的处理分析主要有空间衬比分析(Laser Speckle SpatialContrast Analysis，LSSCA)和时间衬比分析(Laser Speckle Temporal ContrastAnalysis，LSTCA)，如：“一种激光散斑血流成像分析方法”(中国发明专利CN101485565)，“一种激光散斑血流成像处理系统及方法”(中国发明专利CN102357033)，“一种激光散斑血流成像衬比分析方法”(中国发明专利CN102429650)等，但是上述这些方法都是针对静态对象进行检测，不适合运动过程的监测。
发明内容
本发明是针对目前激光散斑图像应用于运动监测的问题，提出了一种基于激光散斑的运动伤害预警方法，基于快速激光散斑图像处理算法，在一个时间序列中得到的信息相关性强，能够有效监测局部身体组织的血液动力指标，客观评估运动员局部肌肉群状态，有一定的抗噪声能力，用在运动检测领域，对科学安排运动员训练量很有帮助。
本发明的技术方案为：一种基于激光散斑的运动伤害预警方法，具体包括如下步骤：
1)搭建测试系统，拍摄原始散斑图像：将半导体激光器作为光源，激光光束经扩束镜扩束后均匀照在被测者待测静脉血管上方，图像采集系统为加装有滤光片的近红外CCD相机，CCD相机将数据送计算机进行实时处理；
2)对采集的原始散斑图像进行配准预处理，消除图像抖动并进行消除抖动预处理；
3)计算时间序列下散斑图像的衬比值；
4)步骤3)所得时间序列下散斑图像的衬比值矩阵进行归一化和伪彩色图处理后提取兴趣点，再考虑目标血管的权值和被试者身高体重指标下，计算时间序列下被测组织的血液动力指标，计算未进行运动前静止状态下的血液动力指标与之的变化比例值；
5)根据被测者的性别，年龄，运动基础设置不同的阈值，阈值与步骤4)所得变化比例值进行比较，对风险进行预警。
所述步骤2)具体方法：使用一个3*3的卷积核与原始散斑图像进行卷积，以获得每个像素的空间标准差；使用归一化的相关度量函数对卷积处理后的图像进行迭代优化；最后利用计算得到的配准参数和三次B样条插值方法完成原始散斑图像配准。
所述步骤3)具体方法：
3.1)预处理之后的图像尺寸为m*n，将图像中每一个像素点灰度值存入二维矩阵F(x，y)，再建立一个矩阵Fsq(x，y)，存放原始散斑图像中每一个像素点灰度值的平方，即Fsq(x，y)中每一个值都是F(x，y)对应位置中数值的平方；
Fsq(x，y)＝F(x，y)*F(x，y) (1)
3.2)将F(x，y)的前w行的数据做向量累加，得到一个初始化的累加和向量Srow，Srow中每一个元素都对应F(x，y)中同一列中的w个像素相加的值；按照同样的方式得到一个初始化的累加平方和向量Srow_sq，Srow_sq中每一个元素都对应矩阵Fsq(x，y)中同一列中的w个元素相加的值；
3.3)建立一个新的二维矩阵N(x，y)，将步骤四产生的累加和向量Srow作为该矩阵的第一行即N(1，：)；N(1，：)加上原始散斑图像中第w+1行向量F(w+1，：)，再减去原始散斑图像中第1行向量F(1，：)得到的结果就是N(x，y)的第二行N(2，：)；N(x，y)的第二行N(2，：)加上原始散斑图像中第w+2行向量F(w+2，：)，再减去原始散斑图像中第2行向量F(2，：)得到的结果就是N(x，y)的第三行N(3，：)；N(x，y)其余行的数据生成与此类似，N(x，y)第i-1行向量加上原始散斑图像第w+i行向量再减去原始散斑图像第i行向量可得到N(x，y)第i行向量；
N(i，：)＝N(i-1，：)+F(w+i-1，：)-F(i-1，：) (2)
3.4)建立一个新的二维矩阵Nsq(x，y)，将第三步产生的平方累加和向量Srow_sq作为该矩阵的第一行；Nsq(x，y)其余行的数据生成与上一步类似，Nsq(x，y)第i-1行向量加上矩阵Fsq(x，y)第w+i行向量再减去矩阵Fsq(x，y)第i行向量可得到Nsq(x，y)第i行向量；
Nsq(i，：)＝Nsq(i-1，：)+Fsq(w+i-1，：)-Fsq(i-1，：) (3)
3.5)将N(x，y)的前w列的数据做向量累加，得到一个初始化的累加和向量Scol，Scol中每一个元素都对应矩阵N(x，y)中同一行中的w个像素相加的值；按照同样的方式得到一个初始化的累加平方和向量Scol_sq，Scol_sq中每一个元素都对应矩阵Nsq(x，y)中同一行中的w个元素相加的值；
3.6)建立一个新的二维矩阵L(x，y)，将上一步产生的累加和向量Scol作为该矩阵的第一列即L(：，1)；L(：，1)加上矩阵N(x，y)中第w+1列向量N(：，w+1)，再减去矩阵N(x，y)中第1列向量N(：，1)得到的向量结果就是L(x，y)的第二列L(：，2)；L(x，y)其余列的数据生成与此类似，L(x，y)第i-1列向量加上矩阵N(x，y)第w+i列向量再减去矩阵N(x，y)第i列向量得到L(x，y)第i列向量；
L(：，i)＝L(：，i-1)十N(：，w十i-1)-N(：，i-1) (4)
3.7)建立一个新的二维矩阵Lsq(x，y)，将第六步产生的平方累加和向量Scol_sq作为该矩阵的第一列；Lsq(x，y)其余列的数据生成与上一步类似，Lsq(x，y)第i-1列向量加上矩阵Nsq(x，y)第w+i列向量再减去矩阵Nsq(x，y)第i列向量可得到Lsq(x，y)第i列向量；
Lsq(：，i)＝Lsq(：，i-1)+Nsq(：，w+i-1)-Nsq(：，i-1) (5)
到为止时，可得到两个尺寸均为(m-w+1)*(n-w+1)的二维矩阵，分别是L(x，y)和Lsq(x，y)；
3.8)计算衬比值
m*n像素的原始散斑图像转换为(m-w+1)*(n-w+1)衬比值矩阵C(x，y)，衬比值矩阵中某一点的值为：
血管部位之上的衬比值包含了血管的管径和流速信息。
所述步骤4)时间序列下被测组织的血液动力指标计算方法：
在衬比值矩阵中选取一个参考点(Nor_i，Nor_j)，通常为不包含被测生物组织体的背景，以该参考点对所有的衬比值进行归一化；
将参考点(Nor_i，Nor_j)的8邻域【(Nor_i-1，Nor_j-1)，(Nor_i-1，Nor_j)，(Nor_i-1，Nor_j+1)，(Nor_i，Nor_j-1)，(Nor_i，Nor_j+1)，(Nor_i+1，Nor_j-1)，(Nor_i+1，Nor_j)，(Nor_i+1，Nor_j+1)】衬比值进行累加并求出均值Cm；
将衬比值矩阵C(x，y)中的所有值按公式(7)调整为新值
其中，A是调整因子，是一个常数，取决于C’矩阵中各值的离散程度；
使用伪彩色图技术显示归一化衬比值矩阵C’(x，y)，改变调整因子A获得最佳的显示效果，此时血管组织与背景有很强的对比度，可提取出静脉血管的轮廓；使用空间聚类的方式提取目标血管，画出矩形ROI区域；
在目标血管中选取三个观察点，将三个观察点的平均衬比值记作L，血管动力指标K的公式为：
K＝(α*L)/BMI (8)
其中，α为目标血管依据重要性得到的权值，其范围为[0-1]；BMI是被试者身高体重指标，单位为kg/m2。
本发明的有益效果在于：本发明基于激光散斑的运动伤害预警方法，相对于现有的运动监测工具，更加注重局部身体部位的血管，肌肉状态监测。本方法具有实时性好，安全性好，评估效果准确，操作方式简单等优点。
附图说明
图1为本发明基于激光散斑血流成像技术的过量运动预警方法流程图；
图2为本发明成像系统实物图；
图3为本发明图像配准之后消除抖动效果对照示意图；
图4为本发明初始时刻成像效果图；
图5为本发明运动过量时成像效果图。
具体实施方式
一种基于激光散斑血流成像技术的过量运动预警方法，主要分为4个部分：第一部分是拍摄原始散斑图像，并进行消除抖动预处理；第二部分是将静止状态下的散斑图像作为基准初始值，减少测量过程中噪声等其他不确定因素引起的变化；第三部分是计算散斑图像的衬比值，并在一个时间序列下进行比较分析；第四部分是计算出被测组织的血液动力指标，并预警过量运动。
本发明的硬件设备包括：半导体激光器，扩束镜，近红外CCD相机，滤光片。
如图1所示基于激光散斑血流成像技术的过量运动预警方法流程图，本发明的技术方案具体包括如下步骤：
第一步：如图2所示搭建测试系统，拍摄原始散斑图像：将半导体激光器作为光源，激光光束经扩束镜扩束后均匀照在被测者待测静脉血管上方，图像采集系统为加装有滤光片的近红外CCD相机，可以隔离环境光污染。相机通过RJ45接口使用类以太网网线连接计算机进行实时处理。
对身体局部组织进行监测时，取景时应保持相关部位静止。
第二步：使用激光散斑血流成像装置采集原始散斑图像，并进行配准预处理消除图像抖动。
使用一个3*3的卷积核与原始散斑图像进行卷积，以获得每个像素的空间标准差。使用归一化的相关度量函数对卷积处理后的图像进行迭代优化。最后利用计算得到的配准参数和三次B样条插值方法完成原始散斑图像配准。消除抖动的效果见附图3，图中左边为处理前，右边为处理后图。
第三步：预处理之后的图像尺寸为m*n，将图像中每一个像素点灰度值存入二维矩阵F(x，y)。再建立一个矩阵Fsq(x，y)，存放原始散斑图像中每一个像素点的平方(应该是“像素点灰度值的平方”)，即Fsq(x，y)中每一个值都是F(x，y)对应位置中数值的平方。
Fsq(x，y)＝F(x，y)*F(x，y) (公式1)
第四步：将F(x，y)的前w行的数据做向量累加，得到一个初始化的累加和向量Srow，Srow中每一个元素都对应F(x，y)中同一列中的w个像素相加的值；按照同样的方式得到一个初始化的累加平方和向量Srow_sq，Srow_sq中每一个元素都对应矩阵Fsq(x，y)中同一列中的w个元素相加的值。
第五步：建立一个新的二维矩阵N(x，y)，将步骤四产生的累加和向量Srow作为该矩阵的第一行即N(1，：)；N(1，：)加上原始散斑图像中第w+1行向量F(w+1，：)，再减去原始散斑图像中第1行向量F(1，：)得到的结果就是N(x，y)的第二行N(2，：)；N(x，y)的第二行N(2，：)加上原始散斑图像中第w+2行向量F(w+2，：)，再减去原始散斑图像中第2行向量F(2，：)得到的结果就是N(x，y)的第三行N(3，：)；N(x，y)其余行的数据生成与此类似，N(x，y)第i-1行向量加上原始散斑图像第w+i行向量再减去原始散斑图像第i行向量可得到N(x，y)第i行向量；
N(i，：)＝N(i-1，：)+F(w+i-1，：)-F(i-1，：) (公式2)
第六步：建立一个新的二维矩阵Nsq(x，y)，将第三步产生的平方累加和向量Srow_sq作为该矩阵的第一行；Nsq(x，y)其余行的数据生成与上一步类似，Nsq(x，y)第i-1行向量加上矩阵Fsq(x，y)第w+i行向量再减去矩阵Fsq(x，y)第i行向量可得到Nsq(x，y)第i行向量；
Nsq(i，：)＝Nsq(i-1，：)+Fsq(w+i-1，：)-Fsq(i-1，：) (公式3)
第七步：将N(x，y)的前w列的数据做向量累加，得到一个初始化的累加和向量Scol，Scol中每一个元素都对应矩阵N(x，y)中同一行中的w个像素相加的值；按照同样的方式得到一个初始化的累加平方和向量Scol_sq，Scol_sq中每一个元素都对应矩阵Nsq(x，y)中同一行中的w个元素相加的值。
第八步：建立一个新的二维矩阵L(x，y)，将上一步产生的累加和向量Scol作为该矩阵的第一列即L(：，1)；L(：，1)加上矩阵N(x，y)中第w+1列向量N(：，w+1)，再减去矩阵N(x，y)中第1列向量N(：，1)得到的向量结果就是L(x，y)的第二列L(：，2)。L(x，y)其余列的数据生成与此类似，L(x，y)第i-1列向量加上矩阵N(x，y)第w+i列向量再减去矩阵N(x，y)第i列向量得到L(x，y)第i列向量；
L(：，i)＝L(：，i-1)+N(：，w十i-1)-N(：，i-1) (公式4)
第九步：建立一个新的二维矩阵Lsq(x，y)，将第六步产生的平方累加和向量Scol_sq作为该矩阵的第一列；Lsq(x，y)其余列的数据生成与上一步类似，Lsq(x，y)第i-1列向量加上矩阵Nsq(x，y)第w+i列向量再减去矩阵Nsq(x，y)第i列向量可得到Lsq(x，y)第i列向量；
Lsq(：，i)＝Lsq(：，i-1)+Nsq(：，w+i-1)-Nsq(：，i-1) (公式5)
到该步为止时，可得到两个尺寸均为(m-w+1)*(n-w+1)的二维矩阵，分别是L(x，y)和Lsq(x，y)。
第十步：计算衬比值
m*n像素的原始散斑图像可以转换为(m-w+1)*(n-w+1)衬比值矩阵C(x，y)
衬比值矩阵中某一点的值为：
血管部位之上的衬比值包含了血管的管径和流速信息。
第十一步：在衬比值矩阵中选取一个参考点(Nor_i，Nor_j)，通常为不包含被测生物组织体的背景，以该参考点对所有的衬比值进行归一化。
将参考点(Nor_i，Nor_j)的8邻域【(Nor_i-1，Nor_j-1)，(Nor_i-1，Nor_j)，(Nor_i-1，Nor_j+1)，(Nor_i，Nor_j-1)，(Nor_j，Nor_j+1)，(Nor_i+1，Nor_j-1)，(Nor_i+1，Nor_j)，(Nor_i+1，Nor_j+1)】衬比值进行累加并求出均值Cm。
将衬比值矩阵C(x，y)中的所有值按公式(7)调整为新值
其中，A是调整因子，是一个常数，取决于C’矩阵中各值的离散程度。
第十二步：使用伪彩色图技术显示归一化衬比值矩阵C’(x，y)，改变调整因子A获得最佳的显示效果，此时血管组织与背景有很强的对比度，可以提取出起始时刻手臂肘正中静脉血管的轮廓。使用空间聚类的方式提取目标血管，画出矩形ROI区域。
第十三步：在目标血管中选取三个观察点，将三个观察点的平均衬比值记作L，血管动力指标K的公式为：
K＝(α*L)/BMI(公式8)
其中，α为目标血管依据重要性得到的权值，其范围为[0-1]。BMI是被试者身高体重指标，单位为kg/m2。被试者未进行运动前的静止指标记作K0。
第十四步：得到所有时间序列下伪彩色图，并计算出不同时间下，同一条目标血管的血液动力指标K，考虑t时间下指标Kt与初始时刻指标K0相比较的变化Zt
Zt＝|Kt-K0|/K0*100％ (公式9)
Zt数值越大，说明血管状态变化越剧烈。根据受试者的性别，年龄，运动基础设置不同的阈值Zx，当Zt＞Zx，系统会进行报警，提醒受试者有运动过量的风险。
在肱二头肌训练中，进行运动危害预警，拍摄的身体部位为手臂肘正中静脉血管。
参照图1，选用的激光器波长为785nm，CCD相机的镜头前加装785nm带通滤光片。
激光器发出的激光通过激光器扩束器扩束后，均匀照射在被测的静脉血管之上，后向散射在CCD相机表面形成散斑，CCD相机对散斑进行成像，并将原始散斑图像送到计算机进行处理。
本发明中对过量运动进行预警的具体方式为：
第一步：拍摄静止状态下的手臂肘正中静脉图像，得到原始激光散斑图像。使用一个3*3的卷积核与原始散斑图像进行卷积，使用归一化的相关度量函数对卷积后的图像进行迭代优化，得到配准参数后再使用三次B样条插值方法得到配准之后的散斑图像。该图像的分辨率是1040*1392。
第二步：用1040*1392大小的二维矩阵F(x，y)存储图像中每一个像素点的灰度值；用1040*1392大小的二维矩阵Fsq(x，y)存储图像中每一个像素点的灰度值的平方；选择7*7的空间滑动窗。
第三步：将F(x，y)的前7行的数据做向量累加，得到一个初始化的累加和向量Srow；将Fsq(x，y)的前7行的数据做向量累加，得到一个初始化的累加和向量Srow_sq。
第三步：建立一个1034*1392大小的二维矩阵N(x，y)，将Srow作为N(1，：)；N(x，y)第i-1行向量加上F(x，y)第w+i行向量再减去F(x，y)第i行向量可得到N(x，y)第i行向量。
第四步：建立一个1034*1392大小的二维矩阵Nsq(x，y)，将Srow_sq作为Nsq(1，：)；Nsq(x，y)第i-1行向量加上Fsq(x，y)第w+i行向量再减去Fsq(x，y)第i行向量可得到Nsq(x，y)第i行向量。
第五步：将N(x，y)的前7列的数据做向量累加，得到一个初始化的累加和向量Scol；将Nsq(x，y)的前7列的数据做向量累加，得到一个初始化的累加和向量Scol_sq。
第六步：建立一个1034*1386大小的二维矩阵L(x，y)，将Scol作为L(：，1)；L(x，y)第i-1列向量加上矩阵N(x，y)第w+i列向量再减去矩阵N(x，y)第i列向量得到L(x，y)第i列向量。
第七步：建立一个1034*1386大小的二维矩阵Lsq(x，y)，将Scol_sq作为Lsq(1，：)；Lsq(x，y)第i-1列向量加上矩阵Nsq(x，y)第w+i列向量再减去矩阵Nsq(x，y)第i列向量得到Lsq(x，y)第i列向量。
第八步：按照公式6计算衬比值，将结果保存在1034*1386大小的矩阵C(x，y)中。
第九步：进行基于像素点的空间聚类分析
在所有的时间序列图像中，设某时刻二维散斑图像可表示为二维矩阵C(x，y，t)
Ci，j(1≤i≤M，1≤j≤N)是t时刻图像上的一点，图像大小为M*N，以基值CK对Ci，j进行归一化处理，归一化的方式为
在此实例中如图3所示图像配准之后消除抖动效果对照示意图，选择图3中十字坐标中的点周围8领域的均值作为基值cK，此时可以认为所有时间序列中的图片都在时间上建立起相关性。左边为手部抖动有伪影的图像，右边是配准操作后消除伪影的图像。
第十步：在时间序列t中对被试者的肘正中静脉进行拍摄，用伪彩色技术显示每一个时间点上的二维归一化衬比值矩阵，此时的伪彩色图像就是血流速度分布图像，不同的颜色深度反映了流速快慢，流速越快，颜色越深。
该流速图中，血管与背景有很强的对比，可以使用图像聚类的方式，画出ROI区域，测量出被试者在t0时刻的肘正中静脉血管的血液动力指标K0。
第十二步：在运动员运动的过程中，对不同时刻得到的原始散斑图像画出ROI区域后，在不同的时间中得到同一目标血管的血液动力指标Kt，连续检测Zt值，当Zt超过阈值时进行报警，具体信息如图4、5，分别是初始时刻，以及运动过量时的衬比值伪彩色图；手臂血管在运动过程中进行扩张，流速变快。黑框标明目标血管肘正中静脉，三个标记点为测量衬比值的像素点。图4右的十字框为参考点。以图4中血液动力指标作为K0，设定运动过量的阈值为35％，当运动员大量运动至其极限时，Zt值为35.27％，系统进行报警，说明本系统具有实用性。
本发明使用归一化的衬比值来测量血管流速以及血管管径的变化，分析身体组织静脉血管的血液动力指标来判断是否运动过量，是完全量化的标准，不会带入主观判断。本发明运算速度快，能够实现伪彩色图的实时显示，满足实际应用的要求。本发明可以剔除原始散斑图像中某几个特殊像素点对图像造成的影响，有一定的抗噪声功能。
Claims (4)
1.一种基于激光散斑的运动伤害预警方法，其特征在于，具体包括如下步骤：
1)搭建测试系统，拍摄原始散斑图像：将半导体激光器作为光源，激光光束经扩束镜扩束后均匀照在被测者待测静脉血管上方，图像采集系统为加装有滤光片的近红外CCD相机，CCD相机将数据送计算机进行实时处理；
2)对采集的原始散斑图像进行配准预处理，消除图像抖动并进行消除抖动预处理；
3)计算时间序列下散斑图像的衬比值矩阵；
4)步骤3)所得时间序列下散斑图像的衬比值矩阵进行归一化和伪彩色图处理后提取兴趣点，再考虑目标血管的权值和被试者身高体重指标下，计算时间序列下被测组织的血液动力指标，计算未进行运动前静止状态下的血液动力指标与之的变化比例值；
5)根据被测者的性别，年龄，运动基础设置不同的阈值，阈值与步骤4)所得变化比例值进行比较，对风险进行预警。
2.根据权利要求1所述基于激光散斑的运动伤害预警方法，其特征在于，所述步骤2)具体方法：使用一个3*3的卷积核与原始散斑图像进行卷积，以获得每个像素的空间标准差；使用归一化的相关度量函数对卷积处理后的图像进行迭代优化；最后利用计算得到的配准参数和三次B样条插值方法完成原始散斑图像配准。
3.根据权利要求1或2所述基于激光散斑的运动伤害预警方法，其特征在于，所述步骤3)具体方法：
3.1)预处理之后的图像尺寸为m*n，将图像中每一个像素点灰度值存入二维矩阵F(x，y)，再建立一个矩阵Fsq(x，y)，存放原始散斑图像中每一个像素点灰度值的平方，即Fsq(x，y)中每一个值都是F(x，y)对应位置中数值的平方；
Fsq(x，y)＝F(x，y)*F(x，y) (1)
3.2)将F(x，y)的前w行的数据做向量累加，得到一个初始化的累加和向量Srow，Srow中每一个元素都对应F(x，y)中同一列中的w个像素相加的值；按照同样的方式得到一个初始化的累加平方和向量Srow_sq，Srow_sq中每一个元素都对应矩阵Fsq(x，y)中同一列中的w个元素相加的值；
3.3)建立一个新的二维矩阵N(x，y)，将步骤四产生的累加和向量Srow作为该矩阵的第一行即N(1，：)；N(1，：)加上原始散斑图像中第w+1行向量F(w+1，：)，再减去原始散斑图像中第1行向量F(1，：)得到的结果就是N(x，y)的第二行N(2，：)；N(x，y)的第二行N(2，：)加上原始散斑图像中第w+2行向量F(w+2，：)，再减去原始散斑图像中第2行向量F(2，：)得到的结果就是N(x，y)的第三行N(3，：)；N(x，y)其余行的数据生成与此类似，N(x，y)第i-1行向量加上原始散斑图像第w+i行向量再减去原始散斑图像第i行向量可得到N(x，y)第i行向量；
N(i，：)＝N(i-1，：)+F(w+i-1，：)-F(i-1，：) (2)
3.4)建立一个新的二维矩阵Nsq(x，y)，将第三步产生的平方累加和向量Srow_sq作为该矩阵的第一行；Nsq(x，y)其余行的数据生成与上一步类似，Nsq(x，y)第i-1行向量加上矩阵Fsq(x，y)第w+i行向量再减去矩阵Fsq(x，y)第i行向量可得到Nsq(x，y)第i行向量；
Nsq(i，：)＝Nsq(i-1，：)+Fsq(w+i-1，：)-Fsq(i-1，：) (3)
3.5)将N(x，y)的前w列的数据做向量累加，得到一个初始化的累加和向量Scol，Scol中每一个元素都对应矩阵N(x，y)中同一行中的w个像素相加的值；按照同样的方式得到一个初始化的累加平方和向量Scol_sq，Scol_sq中每一个元素都对应矩阵Nsq(x，y)中同一行中的w个元素相加的值；
3.6)建立一个新的二维矩阵L(x，y)，将上一步产生的累加和向量Scol作为该矩阵的第一列即L(：，1)；L(：，1)加上矩阵N(x，y)中第w+1列向量N(：，w+1)，再减去矩阵N(x，y)中第1列向量N(：，1)得到的向量结果就是L(x，y)的第二列L(：，2)；L(x，y)其余列的数据生成与此类似，L(x，y)第i-1列向量加上矩阵N(x，y)第w+i列向量再减去矩阵N(x，y)第i列向量得到L(x，y)第i列向量；
L(：，i)＝L(：，i-1)十N(：，w十i-1)-N(：，i-1) (4)
3.7)建立一个新的二维矩阵Lsq(x，y)，将第六步产生的平方累加和向量Scol_sq作为该矩阵的第一列；Lsq(x，y)其余列的数据生成与上一步类似，Lsq(x，y)第i-1列向量加上矩阵Nsq(x，y)第w+i列向量再减去矩阵Nsq(x，y)第i列向量可得到Lsq(x，y)第i列向量；
Lsq(：，i)＝Lsq(：，i-1)+Nsq(：，w+i-1)-Nsq(：，i-1) (5)
到为止时，可得到两个尺寸均为(m-w+1)*(n-w+1)的二维矩阵，分别是L(x，y)和Lsq(x，y)；
3.8)计算衬比值
m*n像素的原始散斑图像转换为(m-w+1)*(n-w+1)衬比值矩阵C(x，y)，衬比值矩阵中某一点的值为：
血管部位之上的衬比值包含了血管的管径和流速信息。
4.根据权利要求3所述基于激光散斑的运动伤害预警方法，其特征在于，所述步骤4)时间序列下被测组织的血液动力指标计算方法：
在衬比值矩阵中选取一个参考点(Nor_i，Nor_j)，通常为不包含被测生物组织体的背景，以该参考点对所有的衬比值进行归一化；
将参考点(Nor_i，Nor_j)的8邻域【(Nor_i-1，Nor_j-1)，(Nor_i-1，Nor_j)，(Nor_i-1，Nor_j+1)，(Nor_i，Nor_j-1)，(Nor_i，Nor_j+1)，(Nor_i+1，Nor_j-1)，(Nor_i+1，Nor_j)，(Nor_i+1，Nor_j+1)】衬比值进行累加并求出均值cm；
将衬比值矩阵C(x，y)中的所有值按公式(7)调整为新值
其中，A是调整因子，是一个常数，取决于C’矩阵中各值的离散程度；
使用伪彩色图技术显示归一化衬比值矩阵C’(x，y)，改变调整因子A获得最佳的显示效果，此时血管组织与背景有很强的对比度，可提取出静脉血管的轮廓；使用空间聚类的方式提取目标血管，画出矩形ROI区域；
在目标血管中选取三个观察点，将三个观察点的平均衬比值记作L，血管动力指标K的公式为：
K＝(α*L)/BMI (8)
其中，α为目标血管依据重要性得到的权值，其范围为[0-1]；BMI是被试者身高体重指标，单位为kg/m2。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810232251.0A CN108720826A (zh) | 2018-03-20 | 2018-03-20 | 基于激光散斑的运动伤害预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810232251.0A CN108720826A (zh) | 2018-03-20 | 2018-03-20 | 基于激光散斑的运动伤害预警方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108720826A true CN108720826A (zh) | 2018-11-02 |
Family
ID=63940959
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810232251.0A Pending CN108720826A (zh) | 2018-03-20 | 2018-03-20 | 基于激光散斑的运动伤害预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108720826A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112890793A (zh) * | 2019-12-04 | 2021-06-04 | 德尔格制造股份两合公司 | 用于呈现医学警报的装置和方法 |
| CN113303773A (zh) * | 2021-05-20 | 2021-08-27 | 武汉理工大学 | 运动风险评估方法、装置及可读存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101485565A (zh) * | 2009-02-13 | 2009-07-22 | 华中科技大学 | 一种激光散斑血流成像分析方法 |
| CN101744622A (zh) * | 2009-12-31 | 2010-06-23 | 上海量科电子科技有限公司 | 一种运动量的计量方法及其系统 |
| US20120071769A1 (en) * | 2009-02-17 | 2012-03-22 | Andrew Dunn | Methods of producing laser speckle contrast images |
| CN103330557A (zh) * | 2013-06-25 | 2013-10-02 | 上海理工大学 | 基于曝光时间测定的激光散斑血流成像方法 |
| CN107389680A (zh) * | 2017-06-29 | 2017-11-24 | 华中科技大学鄂州工业技术研究院 | 一种定量粘弹性检测方法 |
-
2018
- 2018-03-20 CN CN201810232251.0A patent/CN108720826A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101485565A (zh) * | 2009-02-13 | 2009-07-22 | 华中科技大学 | 一种激光散斑血流成像分析方法 |
| US20120071769A1 (en) * | 2009-02-17 | 2012-03-22 | Andrew Dunn | Methods of producing laser speckle contrast images |
| CN101744622A (zh) * | 2009-12-31 | 2010-06-23 | 上海量科电子科技有限公司 | 一种运动量的计量方法及其系统 |
| CN103330557A (zh) * | 2013-06-25 | 2013-10-02 | 上海理工大学 | 基于曝光时间测定的激光散斑血流成像方法 |
| CN107389680A (zh) * | 2017-06-29 | 2017-11-24 | 华中科技大学鄂州工业技术研究院 | 一种定量粘弹性检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 贾亚威: "激光散斑血流成像对中医理疗功效的检测", 《光学精密工程》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112890793A (zh) * | 2019-12-04 | 2021-06-04 | 德尔格制造股份两合公司 | 用于呈现医学警报的装置和方法 |
| CN112890793B (zh) * | 2019-12-04 | 2024-03-15 | 德尔格制造股份两合公司 | 用于呈现医学警报的装置和方法 |
| CN113303773A (zh) * | 2021-05-20 | 2021-08-27 | 武汉理工大学 | 运动风险评估方法、装置及可读存储介质 |
| CN113303773B (zh) * | 2021-05-20 | 2023-02-28 | 武汉理工大学 | 运动风险评估方法、装置及可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110772286B (zh) | 一种基于超声造影识别肝脏局灶性病变的系统 | |
| US10004448B2 (en) | Osteoporosis diagnostic support apparatus | |
| CN111938622B (zh) | 心率检测方法、装置及系统、可读存储介质 | |
| Datcu et al. | Noncontact automatic heart rate analysis in visible spectrum by specific face regions | |
| Zhao et al. | Performance evaluation of visual object detection and tracking algorithms used in remote photoplethysmography | |
| CN107334469A (zh) | 基于支持向量机的非接触多人心率测量方法及装置 | |
| CN110111386A (zh) | 一种肌肉组织中结构性角度的自动测量方法及系统 | |
| CN117115926A (zh) | 一种基于实时图像处理的人体动作标准判定方法及装置 | |
| CN117437392B (zh) | 交叉韧带止点标记及其模型训练的方法和关节镜系统 | |
| Duncan et al. | Spatio-temporal algorithms for processing laser speckle imaging data | |
| CN108720826A (zh) | 基于激光散斑的运动伤害预警方法 | |
| US10803601B2 (en) | Rapid assessment and visual reporting of local particle velocity | |
| Dimauro et al. | DeepCilia: Automated, deep-learning based engine for precise ciliary beat frequency estimation | |
| CN113963427A (zh) | 一种快速活体检测的方法与系统 | |
| EP2693397B1 (en) | Method and apparatus for noise reduction in an imaging system | |
| CN103099622A (zh) | 一种基于图像的身体稳定性评价方法及装置 | |
| WO2017154477A1 (ja) | 脈拍推定装置、脈拍推定システムおよび脈拍推定方法 | |
| Zhang et al. | An approach of region of interest detection based on visual attention and gaze tracking | |
| CN111696687A (zh) | 一种采用手机摄像头实现微循环及脉搏同步监测的方法 | |
| CN216777062U (zh) | 一种人体皮肤激光散斑血流快速成像系统 | |
| CN116597485A (zh) | 一种基于视频的肌肉收缩测量及面部肌肉协同分析系统 | |
| CN115919277A (zh) | 一种基于温度阈值的心率检测方法 | |
| Tarbox et al. | Motion correction for improved estimation of heart rate using a visual spectrum camera | |
| Flores et al. | Identifying precursory cancer lesions using temporal texture analysis | |
| JP5419925B2 (ja) | 通過物体数計測方法、通過物体数計測装置、及びプログラム |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181102 |