本文關(guān)鍵詞：頭腦風(fēng)暴優(yōu)化算法與基于視頻的非接觸式運(yùn)動(dòng)定量分析方法研究，由筆耕文化傳播整理發(fā)布。

【摘要】：醫(yī)學(xué)圖像作為重要的醫(yī)學(xué)信息和診斷依據(jù),對(duì)它的處理和分析,一直是生物醫(yī)學(xué)領(lǐng)域的重要課題。醫(yī)學(xué)圖像處理領(lǐng)域存在著大量的優(yōu)化問題,如圖像的分割、配準(zhǔn)、融合、壓縮、重建等等,因此,優(yōu)異的優(yōu)化算法在醫(yī)學(xué)圖像處理領(lǐng)域起著至關(guān)重要的作用。群體智能算法是一種基于隨機(jī)機(jī)制的優(yōu)化算法,它可以靈活應(yīng)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(dú)特的優(yōu)勢(shì)。近年來,經(jīng)典的群體智能算法,如粒子群算法(Particle Swarm Optimization, PSO),受低等自然生物群體的社會(huì)性行為啟發(fā)所產(chǎn)生,受到廣泛研究,并成功應(yīng)用于圖像處理領(lǐng)域多方面的優(yōu)化問題中,但實(shí)際應(yīng)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(huì)性動(dòng)物,基于人類的社會(huì)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(fēng)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(fēng)暴過程為啟發(fā),提出了基于討論機(jī)制的頭腦風(fēng)暴優(yōu)化算(Discussion Mechanism based BSO, DMBSO),并進(jìn)一步修正和完善該討論機(jī)制,引入了差分步長(zhǎng)策略,改善算法的自適應(yīng)能力,大大提高了算法的收斂速度。實(shí)驗(yàn)以20個(gè)常用的經(jīng)典測(cè)試函數(shù)為測(cè)試集,包含單模、多模和復(fù)合函數(shù),全面地對(duì)所提出的算法進(jìn)行了評(píng)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(jìn)化(Differential Evolution, DE)算法進(jìn)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具有非常大的優(yōu)勢(shì)。隨著移動(dòng)設(shè)備的發(fā)展,除了傳統(tǒng)的生物醫(yī)學(xué)課題,如醫(yī)療儀器、醫(yī)學(xué)圖像分析技術(shù)等,移動(dòng)醫(yī)療(Mobile Health)成為生物醫(yī)學(xué)領(lǐng)域的又一熱門課題。本論文另一研究?jī)?nèi)容為基于視頻圖像的非接觸式運(yùn)動(dòng)定量分析方法研究,并提出將BSO算法應(yīng)用于運(yùn)動(dòng)分析領(lǐng)域。運(yùn)動(dòng)的客觀定量評(píng)價(jià)一直是移動(dòng)健康領(lǐng)域的研究熱點(diǎn)。一方面,它可以客觀地衡量一個(gè)人的運(yùn)動(dòng)進(jìn)程,督促他／她堅(jiān)持定期定量的鍛煉,改變一個(gè)人的行為習(xí)慣；另一方面,它還可以為研究人員和健康專家提供更為科學(xué)的研究手段。目前,運(yùn)動(dòng)的客觀定量評(píng)價(jià)均需要佩戴額外的設(shè)備,不但價(jià)格昂貴,也給人們的使用帶來了諸多不便,而且還會(huì)由于佩戴錯(cuò)誤導(dǎo)致測(cè)量不準(zhǔn)確。本論文提出了一種全新的基于視頻的非接觸式運(yùn)動(dòng)定量分析方法,不僅可以進(jìn)行運(yùn)動(dòng)的識(shí)別,還可以實(shí)現(xiàn)運(yùn)動(dòng)周期的自動(dòng)計(jì)數(shù)和運(yùn)動(dòng)強(qiáng)度估計(jì)。該方法以光流場(chǎng)為基礎(chǔ),通過線性標(biāo)定對(duì)實(shí)際運(yùn)動(dòng)的速度場(chǎng)進(jìn)行估測(cè),而速度場(chǎng)包含了豐富的運(yùn)動(dòng)信息。實(shí)驗(yàn)以仰臥起坐、俯臥撐、開合跳及深蹲起四種常見的室內(nèi)運(yùn)動(dòng)為研究對(duì)象。具體來說,運(yùn)動(dòng)的識(shí)別以光流場(chǎng)方向統(tǒng)計(jì)直方圖為特征、以隱馬爾可夫模型(Hidden Markov Model, HMM)為分類器,利用Youtube上的視頻組成的測(cè)試集進(jìn)行了測(cè)試,結(jié)果表明運(yùn)動(dòng)識(shí)別的準(zhǔn)確率高達(dá)92.5%；針對(duì)運(yùn)動(dòng)的計(jì)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(yùn)動(dòng)過程中的速度幅值變化,并進(jìn)一步通過分析主光流的極值點(diǎn),實(shí)現(xiàn)了運(yùn)動(dòng)的自動(dòng)計(jì)數(shù),實(shí)驗(yàn)表明了該方法的有效性和準(zhǔn)確性；而對(duì)于運(yùn)動(dòng)強(qiáng)度的估測(cè),本論文以運(yùn)動(dòng)過程中產(chǎn)生的機(jī)械能為依據(jù),提出了根據(jù)速度場(chǎng)計(jì)算運(yùn)動(dòng)過程所產(chǎn)生機(jī)械能的方法,進(jìn)一步根據(jù)機(jī)械能估測(cè)運(yùn)動(dòng)強(qiáng)度,并將估測(cè)結(jié)果與Oxycon Mobile系統(tǒng)測(cè)得的標(biāo)準(zhǔn)數(shù)據(jù)進(jìn)行了比較,實(shí)驗(yàn)結(jié)果表明了該方法可以準(zhǔn)確反映運(yùn)動(dòng)強(qiáng)度。最后,本論文進(jìn)一步將BSO算法應(yīng)用于基于視頻圖像的運(yùn)動(dòng)識(shí)別中。隱馬爾科夫模型可以有效地對(duì)時(shí)間序列數(shù)據(jù)進(jìn)行建模,其訓(xùn)練過程是識(shí)別效果的關(guān)鍵。HMM的訓(xùn)練過程是不斷調(diào)整各參數(shù)使得輸出觀測(cè)序列數(shù)據(jù)的概率最大的過程,所以,本質(zhì)上其訓(xùn)練過程屬于優(yōu)化問題。傳統(tǒng)的Balm-Welch算法使用廣泛,但其極易陷入局部最優(yōu),進(jìn)而導(dǎo)致識(shí)別準(zhǔn)確率降低。本論文中將BSO算法應(yīng)用于HMM的訓(xùn)練中,實(shí)驗(yàn)結(jié)果表明這一方法可以有效提高HMM的訓(xùn)練結(jié)果,進(jìn)而提高識(shí)別準(zhǔn)確率。
【關(guān)鍵詞】：頭腦風(fēng)暴 優(yōu)化算法 群體智能 運(yùn)動(dòng)定量分析 運(yùn)動(dòng)識(shí)別 運(yùn)動(dòng)周期計(jì)數(shù) 運(yùn)動(dòng)強(qiáng)度估測(cè)
【學(xué)位授予單位】：浙江大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2015
【分類號(hào)】：TP391.41;R318
【目錄】：

• 摘要5-7
• ABSTRACT7-16
• 第1章 緒論16-24
• 1.1 研究背景和意義16-18
• 1.2 研究?jī)?nèi)容18-20
• 1.3 主要貢獻(xiàn)20-21
• 1.4 論文結(jié)構(gòu)21-24
• 第2章 研究綜述24-38
• 2.1 群體智能算法24-33
• 2.1.1 優(yōu)化問題24-25
• 2.1.2 群體智能優(yōu)化算法25-29
• 2.1.3 函數(shù)測(cè)試集29-33
• 2.2 運(yùn)動(dòng)監(jiān)測(cè)方法33-37
• 2.2.1 自我評(píng)價(jià)34
• 2.2.2 佩戴式監(jiān)測(cè)設(shè)備34-36
• 2.2.3 基于視頻的方法研究36-37
• 2.3 本章小結(jié)37-38
• 第3章 基于討論機(jī)制的頭腦風(fēng)暴優(yōu)化算法38-52
• 3.1 頭腦風(fēng)暴過程38-39
• 3.2 原始頭腦風(fēng)暴優(yōu)化算法39-41
• 3.3 基于討論機(jī)制的頭腦風(fēng)暴優(yōu)化算法41-46
• 3.3.1 算法設(shè)計(jì)41-42
• 3.3.2 算法實(shí)現(xiàn)42-46
• 3.4 算法評(píng)估46-51
• 3.4.1 實(shí)驗(yàn)設(shè)定46
• 3.4.2 實(shí)驗(yàn)結(jié)果及分析46-51
• 3.5 本章小結(jié)51-52
• 第4章 DMBSO算法的改進(jìn)方案52-74
• 4.1 基于改進(jìn)的討論機(jī)制的頭腦風(fēng)暴優(yōu)化算法52-56
• 4.1.1 討論機(jī)制的改進(jìn)研究52-53
• 4.1.2 差分步長(zhǎng)策略53
• 4.1.3 算法實(shí)現(xiàn)53-56
• 4.2 算法評(píng)估56-73
• 4.2.1 實(shí)驗(yàn)設(shè)定56-57
• 4.2.2 實(shí)驗(yàn)結(jié)果及分析57-70
• 4.2.3 討論70-73
• 4.3 本章小結(jié)73-74
• 第5章 基于視頻的非接觸式運(yùn)動(dòng)定量分析方法74-108
• 5.1 基于隱馬爾可夫模型(HMM)的運(yùn)動(dòng)識(shí)別74-86
• 5.1.1 隱馬爾可夫模型74-79
• 5.1.2 光流計(jì)算與特征提取79-83
• 5.1.3 算法評(píng)估83-86
• 5.2 運(yùn)動(dòng)周期計(jì)數(shù)86-89
• 5.2.1 主光流計(jì)算86-87
• 5.2.2 實(shí)驗(yàn)結(jié)果與討論87-89
• 5.3 運(yùn)動(dòng)強(qiáng)度的估測(cè)89-105
• 5.3.1 基于機(jī)械能的運(yùn)動(dòng)強(qiáng)度估計(jì)89-93
• 5.3.2 方法評(píng)估93-105
• 5.4 本章小結(jié)105-108
• 第6章 頭腦風(fēng)暴優(yōu)化算法在運(yùn)動(dòng)識(shí)別中的應(yīng)用108-116
• 6.1 基于頭腦風(fēng)暴優(yōu)化算法的隱馬爾可夫模型訓(xùn)練方法108-111
• 6.2 方法評(píng)估111-114
• 6.2.1 實(shí)驗(yàn)材料111
• 6.2.2 HMM模型訓(xùn)練評(píng)估111-112
• 6.2.3 運(yùn)動(dòng)識(shí)別準(zhǔn)確率評(píng)估112-114
• 6.3 本章小結(jié)114-116
• 第7章 總結(jié)與展望116-120
• 7.1 論文工作總結(jié)116-118
• 7.2 未來工作展望118-120
• 參考文獻(xiàn)120-134
• 附錄 攻讀學(xué)位期間的學(xué)術(shù)成果134-136
• 致謝136-137

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前2條

1 楊玉婷;史玉回;夏順仁;;基于討論機(jī)制的頭腦風(fēng)暴優(yōu)化算法[J];浙江大學(xué)學(xué)報(bào)(工學(xué)版);2013年10期

2 王弈;李傳富;;人工智能方法在醫(yī)學(xué)圖像處理中的研究新進(jìn)展[J];中國(guó)醫(yī)學(xué)物理學(xué)雜志;2013年03期

  本文關(guān)鍵詞：頭腦風(fēng)暴優(yōu)化算法與基于視頻的非接觸式運(yùn)動(dòng)定量分析方法研究，，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：357018