電腦計分模式之資料分析

本研究所要篩檢的感覺統合臨床觀察之兩側協調動作順序為前後點、

前後交互跳、開合跳、手腳開合跳，從前後點、前後交互跳、開合跳、手 腳開合跳之重要觀測向度中與專家擬定之計分模式中，雖然可以知道所觀 測的重點大不相同，但都著重於受試者於週期性、穩定度，透過攝影機從 不同角度取得受試者的輪廓影像之資料，分別從三隻鏡頭取得輪廓之重要 訊息， 圖 3-2 為電腦計分之流程，詳細內容如下。

圖 3-2 電腦計分模式演算流程 去除背景

三維

拍攝影 去除雜訊

修補輪廓影像 建立背景顏

色模型 取得特徵資訊

轉換週期 特徵資訊

資料庫

測試樣本 訓練樣本

特徵選取

選取後的 訓練樣本

訓練後的 分類器

分類結果 與辨識率

壹、建立背景顏色模式

取得標記過類別的樣本圖之後，建立了背景顏色模型，標記了背景與 受試者間最大差異之特色，研究是計算背景的白色及前景物體也就是受試 者的 RGB 分佈，建立背景之色彩模型，因為本研究所使用的背景是白色 居多。加上有雜訊值，故取的大部分背景的平均後，減一個標準差再到最 大值即為 255，為背景分離之範圍，取完背景之後將背景之 RGB 設定為 (255,255,255)，再將前景物體之 RGB 設為 (0,0,0)，為二值化影像。圖 3-3 為原始影像，圖 3-4 為使用了上述之方法所截取之輪廓影像。

圖 3-3 原始影像

圖 3-4 正面攝影機擷取進來之輪廓影像

貳、形態濾波器修補輪廓

擷取進來的輪廓影像會因受到光線或陰之雜訊的干擾，呈現輪廓影像 破碎，可以透過型態學中的方法，閉合與斷開來修補破碎之區塊，才能得 拿更完整的輪廓影像資訊。圖 3-5 中將呈現圖 3-4 經過修補破碎之後的影 像。

圖 3-5 圖 3-4 經過修補破碎之後的影像

参、利用輪廓擷取重要訊息

影像處理的最後步驟將依照不同支的攝影機，取得二值化影像後的輪 廓得到的所有資訊和特徵，其資訊的表示如表 3-2 所示。

表 3-2 電腦計分之特徵擷取

開合跳(兩側動作協調)

攝影機 二值化影像 取得特徵資訊

上面 質心座標

正面 高度

寬度 面績 質心座標

側面 質心座標

面積 質心座標 高度

寬度

質心座標 

質心座標 

質心座標 

肆、週期性資料轉換

本研究依照蒐集到的資訊，參考林國維(2005)的方法，利用二值化輪 廓的寬高比的變化依照時間序列將圖繪出，可以得到受試者在受試期間內 高度與寬度的變化，接下來將使用到下面幾個步驟得到研究中所需要的資 訊。圖 3-6 為寬高比之波型圖

圖 3-6 寬高比之波型圖

步驟一：將所有反應值(寬高比)加總並取得平均數。

圖 3-7 寬高比之波型圖

步驟二：利用平均數將所有資料分開成為多區段的峰(Peaks)和谷(Valley)。

圖 3-8 寬高比之波型圖-說明峰(Peak)及谷(Valley)

Peak 

Valley 

步驟三：取得每個區段的峰和谷的個數。例如這邊的峰的個數為 11、谷的 個數為 12。

圖 3-9 寬高比之波型圖-記錄峰、谷的個數

1      2    3      4    5    6    7      8      9    10    11 

Peak 

Valley  1      2    3    4      5    6      7    8      9    10    11 12 

步驟四：將每一區段峰的所有的值取平均，利用此平均來表示每一區段的 峰。接下來將所有區段的峰再取一次平均數及標準差，最後利用 這個平均數及標準差做為受試者的特徵。

圖 3-10 寬高比之波型圖-標記各峰和谷的平均值

Peak 

Valley 

單一區段峰 的平均值

所有區段的峰再取一次 平均數及標準差。

步驟五：與步驟四相同，將每一區段谷的所有反應值取平均，利用此平均 來表示每一區段的谷。接下來將所有區段的谷再取一次平均數及 標準差，最後利用這個平均數及標準差做為受試者的特徵。

步驟六：最後將組合步驟三到步驟五的特徵(峰和谷的個數、平均數、標準 差)以及三個鏡頭的面積的標準差和三個鏡頭的質心座標，共組 成 12 個特徵值來代表一位受試者。

伍、特徵選取

特徵選取的目的是從原有的所有特徵中挑選出最佳的組合，使其正確率能夠 達到最高（詹正維，2005），這些鑑別能力較好的特徵組合，不但能夠簡化分類 器的計算，而且也可以幫助研究中了解此分類問題。在本研究中是使用所有的排 列組合將其排列組的正確率計算出來，取得最佳的特徵組合。

陸、感覺統合兩側協調動作順序評量工具系統

在感覺統合兩側協調動作順序評量工具系統的設計流程中，研究中將 利用 Cross-validation (Kuncheva,2004)的方式評估系統效能。首先將採用 Cross-validation 內的 k-fold (k=5)的方式，將資料分成 5 個部份並輪流當成 訓練樣本(Train data)及測試樣本(Test data)，利用此方法來訓練分類器，本 研究使用到兩種分類器，分別為最大概似分類器(Maximum Likelihood Classifier, ML)、k 最近類近分類器(k Nearest Neighbor Classifier, k-NN)。

測試樣本的部分是評估在不同種類的分類器當中的效能，透過訓練過 的分類器將測試樣本置入進行分類，可以得到辨識出來的結果，最後與專 家判別的類別做比較，並算出此系統的辨識正確率。

柒、診斷正確率

分類器之分類結果與專家效標進行對照計算診斷正確率，計算方法如 下:

表 3-3 專家診斷與分類器判斷情形 專家

分類器 障礙 正常

障礙 α β

正常 γ δ

正確率=(α+δ)/ｎ 其中

α：專家診斷障礙且分類器亦判定障礙的人數。

β：專家診斷正常而分類器判定障礙的人數。

γ：專家診斷障礙而分類器判定正常的人數。

δ：專家診斷正常且分類器亦判定正常的人數。

ｎ：測試樣本之人數。