骨关节角度数字化测量与功能评估系统设计

摘要：为了实现对骨关节空间角度的数字化测量与功能客观评价，建立了骨关节角度数字化测量与功能评估系统。对该系统所采用的骨关节空间角度测量、功能评估算法进行研究。首先，根据Kinect数据采集原理及空间向量计算方法介绍了骨关节空间角度测量算法，即在Kinect深度数据流基础上将骨关节点空间位置信息转换为对应的三维空间坐标，根据空间向量夹角公式计算骨关节空间角度。

2系统实现2.1Kinect骨关节数据采集基于Kinect的骨关节数据采集过程包括人物控制与骨骼点的绑定、骨架系统生成及关节点坐标表示。2.1.1人物控制与骨骼点的绑定为了控制系统场景中人物角色的移动，需要添加两个人物控制器分别对应于人物场景模型和人物骨架模型。其中，人物场景模型由一系列分别代表头部、肩部、手等人体部位的20个关节点组成。

2.1.2骨架系统生成及关节点坐标表示通过人物控制与骨骼点的绑定，可实现模型与人物的同步，也可以间接地获取关节点的三维坐标。识别出20个关节点位置，可以生成相应的骨架系统。关节点的三维坐标获取方式采用场景物体获取函数GameObject.Find，将Kinect空间位置信息转换为三维坐标信息。2.2骨关节空间角度计算骨关节空间角度的计算是依据获取的关节点三维坐标，根据空间向量夹角公式进行计算。

2.3骨关节功能分类评估功能分类算法很多，常用的如K-medoids[6]、CLARANS[7]、K-means[8]等。考虑到骨关节功能庞大的数据量，系统采用更适合大数据集分析的K-means聚类算法，首先对正常的骨关节数据进行分析，得出标准的数据范围[9]，再以正常的数据范围为分析比对的标准，对不同关节状况的骨关节角度数据进行收集整理。

在66例健康骨关节屈伸数据分析基础上，增加测试数据至152例，通过聚类程序分析这152例数据。图4所示为以左膝关节为代表的聚类结果，其中横轴为伸展角度，纵轴为屈曲角度，数据被分为三类，分别是正常的一类、屈伸角度不足的一类、伸展角度不足的一类。

添加需要归类的新样本数据，会在分类基础上进行归类判定，如图4中以“”号表示参与归类的新的测量数据。以相同方式，利用上述K-means聚类算法可以完成其他下肢关节样本数据的聚类分析。表2记录了人体下肢各关节角度数据的具体分类情况，包括各关节类别，聚类过程中的迭代次数、状态、聚类中心、单个误差平方和以及整体误差平方和。

3.2功能分类算法验证对下肢每一个关节测试并记录正常、欠屈和欠伸3种情况下各10组数据，一共30组数据，在聚类结果数据中输入测试的数据，完成对数据的归类，验证测试结果如表3所示。

表3中Ai～Ii分别为各个关节角度数据的测试结果情况，其中i=分别对应了左髋关节、右髋关节、左膝关节、右膝关节、左踝关节、右踝关节的数据测试结果，如A1～I1代表的是左髋关节的数据测试结果。

由表4可知，利用K-means聚类算法能较好地完成骨关节空间角度数据的聚类和样本归类，以左髋关节数据的聚类分析和指标计算为例，3个聚类指标的值分别为0.867、0.837、0.86，即该关节数据的聚类准确度稳定在0.83以上。就整个系统来而言，所有关节聚类评估准确度能稳定在0.8及其以上。

图5所示的系统测试结果图中包括Kinect图像实时采集与显示，以及下肢左右髋关节、膝关节、踝关节空间角度显示与功能评估等部分。系统能够实时获取关节点之间的角度并进行最大屈伸数据的更新记录，适用于多种参数的系统聚类，且可视化强，能够非接触地完成骨关节空间角度功能的数字化评估。4结论本文研究了一种非接触的骨关节空间角度测量方法，并介绍了骨关节空间角度数字化评估系统的结构和工作原理。